[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-facebookresearch--fvcore":3,"tool-facebookresearch--fvcore":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":134},713,"facebookresearch\u002Ffvcore","fvcore","Collection of common code that's shared among different research projects in FAIR computer vision team.","fvcore 是由 Facebook AI 研究团队（FAIR）计算机视觉部门打造的一个轻量级核心库。它为各类计算机视觉框架提供通用且必要的功能支持，像知名的 Detectron2、PySlowFast 等项目都依赖于此。\n\n在实际开发中，研究者往往需要花费大量时间编写基础代码，例如自定义 PyTorch 层、损失函数或进行模型复杂度分析。fvcore 解决了这些重复性工作，将常用功能封装成标准模块。其独特亮点包括层级化的算子 FLOPs 计数工具、递归参数计数以及无状态的超参数调度器。此外，所有组件均经过严格的类型标注、测试与基准测试，确保了代码的可靠性与一致性。\n\nfvcore 非常适合从事计算机视觉领域的研究人员和开发者使用。无论是构建新的检测模型还是视频理解系统，借助 fvcore 都能简化开发流程，让团队更专注于算法创新而非底层实现。作为 Apache 2.0 开源项目，fvcore 易于安装且兼容主流环境，是构建高效视觉系统的得力助手。","# fvcore\n\nfvcore is a light-weight core library that provides the most common and essential\nfunctionality shared in various computer vision frameworks developed in FAIR,\nsuch as [Detectron2](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2\u002F),\n[PySlowFast](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FSlowFast), and\n[ClassyVision](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FClassyVision).\nAll components in this library are type-annotated, tested, and benchmarked.\n\nThe computer vision team in FAIR is responsible for maintaining this library.\n\n## Features:\n\nBesides some basic utilities, fvcore includes the following features:\n* Common pytorch layers, functions and losses in [fvcore.nn](fvcore\u002Fnn\u002F).\n* A hierarchical per-operator flop counting tool: see [this note for details](.\u002Fdocs\u002Fflop_count.md).\n* Recursive parameter counting: see [API doc](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.nn.parameter_count).\n* Recompute BatchNorm population statistics: see its [API doc](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.nn.update_bn_stats).\n* A stateless, scale-invariant hyperparameter scheduler: see its [API doc](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.common.param_scheduler.ParamScheduler).\n\n## Install:\n\nfvcore requires pytorch and python >= 3.6.\n\nUse one of the following ways to install:\n\n### 1. Install from PyPI (updated nightly)\n```\npip install -U fvcore\n```\n\n### 2. Install from Anaconda Cloud (updated nightly)\n\n```\nconda install -c fvcore -c iopath -c conda-forge fvcore\n```\n\n### 3. Install latest from GitHub\n```\npip install -U 'git+https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore'\n```\n\n### 4. Install from a local clone\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\npip install -e fvcore\n```\n\n## License\n\nThis library is released under the [Apache 2.0 license](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fblob\u002Fmain\u002FLICENSE).\n","# fvcore\n\nfvcore 是一个轻量级核心库，为 FAIR 开发的各类计算机视觉框架（如 [Detectron2](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2\u002F)、[PySlowFast](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FSlowFast) 和 [ClassyVision](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FClassyVision)）提供最常见且必要的共享功能。本库中的所有组件均经过类型注解、测试和基准测试。FAIR 的计算机视觉团队负责维护此库。\n\n## 功能特性：\n\n除了一些基本工具外，fvcore 还包含以下功能：\n* [fvcore.nn](fvcore\u002Fnn\u002F) 中的常用 PyTorch (Python 深度学习框架) 层、函数和损失函数。\n* 分层算子 FLOP (浮点运算次数) 计数工具：详见 [此说明](.\u002Fdocs\u002Fflop_count.md)。\n* 递归参数计数：参见 [API 文档](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.nn.parameter_count)。\n* 重新计算 BatchNorm (批归一化) 总体统计信息：参见其 [API 文档](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.nn.update_bn_stats)。\n* 无状态、尺度不变的超参数调度器：参见其 [API 文档](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html#fvcore.common.param_scheduler.ParamScheduler)。\n\n## 安装：\n\nfvcore 依赖 PyTorch 且 Python (编程语言) 版本需 >= 3.6。\n\n请使用以下任一方式进行安装：\n\n### 1. 从 PyPI 安装（每晚更新）\n```\npip install -U fvcore\n```\n\n### 2. 从 Anaconda Cloud 安装（每晚更新）\n\n```\nconda install -c fvcore -c iopath -c conda-forge fvcore\n```\n\n### 3. 从 GitHub 安装最新版本\n```\npip install -U 'git+https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore'\n```\n\n### 4. 从本地克隆安装\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\npip install -e fvcore\n```\n\n## 许可证\n\n本库依据 [Apache 2.0 许可证](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fblob\u002Fmain\u002FLICENSE) 发布。","# fvcore 快速上手指南\n\nfvcore 是 FAIR 开发的一个轻量级核心库，为各类计算机视觉框架（如 Detectron2、SlowFast）提供通用的基础功能。所有组件均经过类型标注、测试和基准测试。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **Python 版本**: >= 3.6\n*   **前置依赖**: PyTorch (需预先安装)\n\n## 2. 安装步骤\n\n推荐使用 PyPI 进行安装。由于网络原因，国内用户可参考下方的镜像源提示。\n\n### 方式一：通过 PyPI 安装（推荐）\n\n```bash\npip install -U fvcore\n```\n\n> **提示**：若下载速度较慢，可添加国内镜像源参数，例如：\n> `pip install -U fvcore -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 方式二：通过 Conda 安装\n\n```bash\nconda install -c fvcore -c iopath -c conda-forge fvcore\n```\n\n### 方式三：从源码安装（适用于开发者）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\npip install -e fvcore\n```\n\n## 3. 基本使用\n\n安装完成后，可通过导入模块来验证安装并调用核心功能。以下是基于常用功能的简单示例：\n\n```python\nimport fvcore\nfrom fvcore.nn import parameter_count\n\n# 验证安装版本\nprint(fvcore.__version__)\n\n# 示例：递归参数量统计\n# model = YourModel()\n# count = parameter_count(model)\n```\n\n更多功能（如 FLOP 计数、BatchNorm 统计更新、超参数调度器）的详细用法，请参考 [API 文档](https:\u002F\u002Fdetectron2.readthedocs.io\u002Fen\u002Flatest\u002Fmodules\u002Ffvcore.html)。","某计算机视觉团队正在优化一款工业级目标检测模型，急需精确评估模型复杂度并稳定训练过程。\n\n### 没有 fvcore 时\n- 研发人员需从零手写 FLOPs 统计脚本，面对复杂网络结构时常出现遗漏或计算偏差。\n- 多个实验分支中 BatchNorm 统计信息更新逻辑不一致，导致部署时精度意外下降。\n- 学习率调整策略缺乏统一标准，对比不同超参数组合时耗时费力。\n- 基础神经网络层和损失函数依赖分散的第三方库，版本冲突频发影响开发进度。\n\n### 使用 fvcore 后\n- 借助 fvcore 的层级化算子计数工具，一键生成包含所有算子的详细性能报告。\n- 采用 fvcore 内置的 BatchNorm 统计更新机制，确保训练与推理阶段的统计一致性。\n- 利用 fvcore 的无状态调度器，无需关心具体步数即可灵活切换策略。\n- 直接集成 fvcore.nn 中的通用层与损失函数，获得经过大规模项目验证的稳定性。\n\nfvcore 凭借标准化的核心组件库，让研究人员能专注于算法创新而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_fvcore_b11c8c48.png","facebookresearch","Meta Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffacebookresearch_449342bd.png","",null,"https:\u002F\u002Fopensource.fb.com","https:\u002F\u002Fgithub.com\u002Ffacebookresearch",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.6,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.4,2233,237,"2026-04-04T02:27:00","Apache-2.0",1,"未说明",{"notes":98,"python":99,"dependencies":100},"该库由 FAIR 计算机视觉团队维护，是轻量级核心库，为 Detectron2 等框架提供通用功能。所有组件均含类型注解、经过测试和基准测试。需安装 PyTorch。支持 PyPI、Anaconda、GitHub 源码安装。采用 Apache 2.0 协议。",">= 3.6",[101],"torch",[14,13],"2026-03-27T02:49:30.150509","2026-04-06T06:45:35.314721",[106,111,115,120,124,129],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},3005,"计算 FLOPs 时出现 \"Unsupported operator\" 警告是什么意思？","这是预期行为。这些算子通常对总 FLOPs 影响可忽略，且 fvcore 未实现对应计数器。如需统计，可手动注册计数器。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fissues\u002F129",{"id":112,"question_zh":113,"answer_zh":114,"source_url":110},3006,"为什么 fvcore 与其他库（如 thops）计算的 FLOPs 数值存在差异？","不同库的算子支持范围和实现逻辑不同。部分操作（如 add）可能依赖输入形状进行 JIT 编译优化。建议对比具体算子支持情况，确认输入张量形状一致。",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},3007,"升级 fvcore 后为何无法从 `torch.quantization` 导入 `FakeQuantizeBase`？","因 PyTorch 将量化模块移至 `torch.ao.quantization`，fvcore 的兼容性修复未正确处理代码中的 gating 条件，导致导入失败。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fissues\u002F87",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},3008,"遇到 `FakeQuantizeBase` 导入错误该如何解决？","该问题已在后续提交中修复。临时方案是将 fvcore 降级至旧版本（如 git 指定 commit），例如安装 `fvcore@4525b814c8bb0f70510e37e68247c958010eb285`。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},3009,"CropTransform 裁剪后边界框为何会超出图像边缘？","这是 fvcore 的设计预期。Transform 仅负责几何变换，不负责边界框的清理（cleanup）。建议在检测框架（如 Detectron2）中单独处理边界框裁剪后的清理逻辑。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fissues\u002F33",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},3010,"使用 precise-bn 时是否需要增大 Batch Size 以避免性能下降？","不需要。precise-bn 已足够精确，无需额外增大 Batch Size 来追求“完美精确”的统计量。小 Batch Size 虽会增加噪声，但 precise-bn 机制能处理，详见相关论文附录。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffvcore\u002Fissues\u002F7",[]]