[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-facebookresearch--mmf":3,"tool-facebookresearch--mmf":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":10,"env_os":75,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":111,"github_topics":113,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":160},8251,"facebookresearch\u002Fmmf","mmf","A modular framework for vision & language multimodal research from Facebook AI Research (FAIR)","MMF 是由 Facebook AI Research（FAIR）推出的模块化框架，专为视觉与语言的多模态研究而设计。它旨在解决多模态领域中模型复现难、代码分散以及训练效率低等痛点，为研究人员提供了一套统一且高效的解决方案。\n\nMMF 内置了多种前沿视觉 - 语言模型的参考实现，曾有力支撑了包括“仇恨模因检测”、TextVQA 及 TextCaps 在内的多项顶级挑战赛与研究项目。其核心优势在于基于 PyTorch 构建，具备高度的模块化特性，不仅支持分布式训练以提升速度，还保持架构的中立性与可扩展性，让开发者能灵活定制而非受限于固定流程。此外，MMF 前身名为 Pythia，如今已成为涉足该领域挑战赛的理想启动代码库。\n\n这款工具主要面向人工智能领域的研究人员与开发者。如果你正计划开展多模态方向的实验，或需要快速复现 SOTA（最先进）模型，MMF 能通过其丰富的预置组件帮你快速搭建原型，将精力集中于算法创新而非基础工程构建。无论是学术探索还是工业级研发，MMF 都是一个坚实可靠的技术基石。","\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Fmmf.sh\u002Fimg\u002Flogo.svg\" width=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\n#\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fmmf.sh\u002Fdocs\">\n  \u003Cimg alt=\"Documentation Status\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_mmf_readme_13d664e1afd7.png\"\u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcircleci.com\u002Fgh\u002Ffacebookresearch\u002Fmmf\">\n  \u003Cimg alt=\"CircleCI\" src=\"https:\u002F\u002Fcircleci.com\u002Fgh\u002Ffacebookresearch\u002Fmmf.svg?style=svg\"\u002F>\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\nMMF is a modular framework for vision and language multimodal research from Facebook AI Research. MMF contains reference implementations of state-of-the-art vision and language models and has powered multiple research projects at Facebook AI Research. See full list of project inside or built on MMF [here](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fnotes\u002Fprojects).\n\nMMF is powered by PyTorch, allows distributed training and is un-opinionated, scalable and fast. Use MMF to **_bootstrap_** for your next vision and language multimodal research project by following the [installation instructions](https:\u002F\u002Fmmf.sh\u002Fdocs\u002F). Take a look at list of MMF features [here](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fgetting_started\u002Ffeatures).\n\nMMF also acts as **starter codebase** for challenges around vision and\nlanguage datasets (The Hateful Memes, TextVQA, TextCaps and VQA challenges). MMF was formerly known as Pythia. The next video shows an overview of how datasets and models work inside MMF. Checkout MMF's [video overview](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fgetting_started\u002Fvideo_overview).\n\n\n## Installation\n\nFollow installation instructions in the [documentation](https:\u002F\u002Fmmf.sh\u002Fdocs\u002F).\n\n## Documentation\n\nLearn more about MMF [here](https:\u002F\u002Fmmf.sh\u002Fdocs).\n\n## Citation\n\nIf you use MMF in your work or use any models published in MMF, please cite:\n\n```bibtex\n@misc{singh2020mmf,\n  author =       {Singh, Amanpreet and Goswami, Vedanuj and Natarajan, Vivek and Jiang, Yu and Chen, Xinlei and Shah, Meet and\n                 Rohrbach, Marcus and Batra, Dhruv and Parikh, Devi},\n  title =        {MMF: A multimodal framework for vision and language research},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf}},\n  year =         {2020}\n}\n```\n\n## License\n\nMMF is licensed under BSD license available in [LICENSE](LICENSE) file\n","\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Fmmf.sh\u002Fimg\u002Flogo.svg\" width=\"50%\"\u002F>\n\u003C\u002Fdiv>\n\n#\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fmmf.sh\u002Fdocs\">\n  \u003Cimg alt=\"文档状态\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_mmf_readme_13d664e1afd7.png\"\u002F>\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcircleci.com\u002Fgh\u002Ffacebookresearch\u002Fmmf\">\n  \u003Cimg alt=\"CircleCI\" src=\"https:\u002F\u002Fcircleci.com\u002Fgh\u002Ffacebookresearch\u002Fmmf.svg?style=svg\"\u002F>\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\nMMF 是 Facebook AI Research 推出的一个用于视觉与语言多模态研究的模块化框架。MMF 包含了当前最先进视觉与语言模型的参考实现，并已支持 Facebook AI Research 的多项研究项目。完整的项目列表，包括在 MMF 内部或基于 MMF 构建的项目，请参见 [这里](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fnotes\u002Fprojects)。\n\nMMF 基于 PyTorch 构建，支持分布式训练，具有无偏见、可扩展和高效的特点。您可以按照 [安装说明](https:\u002F\u002Fmmf.sh\u002Fdocs\u002F) 使用 MMF 来 **_快速启动_** 您的下一个视觉与语言多模态研究项目。MMF 的功能列表请参阅 [这里](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fgetting_started\u002Ffeatures)。\n\nMMF 还作为围绕视觉与语言数据集的挑战赛（如 Hateful Memes、TextVQA、TextCaps 和 VQA 挑战赛）的 **入门代码库**。MMF 原名为 Pythia。下一段视频将概述数据集和模型在 MMF 中的工作方式。请查看 MMF 的 [视频概览](https:\u002F\u002Fmmf.sh\u002Fdocs\u002Fgetting_started\u002Fvideo_overview)。\n\n## 安装\n\n请按照 [文档](https:\u002F\u002Fmmf.sh\u002Fdocs\u002F) 中的安装说明进行操作。\n\n## 文档\n\n更多关于 MMF 的信息，请访问 [这里](https:\u002F\u002Fmmf.sh\u002Fdocs)。\n\n## 引用\n\n如果您在工作中使用 MMF，或使用 MMF 中发布的任何模型，请引用以下文献：\n\n```bibtex\n@misc{singh2020mmf,\n  author =       {Singh, Amanpreet and Goswami, Vedanuj and Natarajan, Vivek and Jiang, Yu and Chen, Xinlei and Shah, Meet and\n                 Rohrbach, Marcus and Batra, Dhruv and Parikh, Devi},\n  title =        {MMF: 用于视觉与语言研究的多模态框架},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf}},\n  year =         {2020}\n}\n```\n\n## 许可证\n\nMMF 采用 BSD 许可证授权，许可协议内容详见 [LICENSE](LICENSE) 文件。","# MMF 快速上手指南\n\nMMF (Multimodal Framework) 是由 Facebook AI Research 开发的模块化框架，专为视觉与语言多模态研究设计。它基于 PyTorch 构建，支持分布式训练，内置了多种前沿模型（如 Hateful Memes, TextVQA, TextCaps 等任务的参考实现），是开展多模态研究的理想起点。\n\n## 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*   **操作系统**: Linux (推荐 Ubuntu 18.04+) 或 macOS。\n*   **Python**: 版本 3.7 或更高。\n*   **PyTorch**: 需预先安装与您的 CUDA 版本匹配的 PyTorch。\n*   **依赖管理**: 推荐使用 `conda` 或 `pip` 进行环境隔离。\n\n**前置依赖安装示例 (使用 conda):**\n\n```bash\n# 创建并激活虚拟环境\nconda create -n mmf python=3.8 -y\nconda activate mmf\n\n# 安装 PyTorch (请访问 pytorch.org 获取适合您环境的最新命令)\n# 以下为示例命令，请根据实际情况调整\nconda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch\n```\n\n> **国内加速建议**：在中国大陆地区，建议使用清华源或中科大源加速 conda 和 pip 下载。\n> *   Conda 配置清华源：`conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F`\n> *   Pip 配置清华源：`pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\nMMF 可以通过源码安装以获得最新功能，也可以通过 pip 安装稳定版。推荐大多数用户使用源码安装方式。\n\n### 方式一：源码安装（推荐）\n\n```bash\n# 克隆 MMF 仓库\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf.git\ncd mmf\n\n# 安装 MMF 及其依赖\npip install -e .\n```\n\n### 方式二：pip 安装\n\n```bash\npip install mmf\n```\n\n安装完成后，您可以运行 `mmf_run --help` 验证安装是否成功。\n\n## 基本使用\n\nMMF 的核心命令行工具是 `mmf_run`。以下是一个最简单的示例，展示如何使用预配置的训练设置来运行一个模型（以 hateful_memes 数据集上的 vilbert 模型为例）。\n\n**单卡训练示例：**\n\n```bash\nmmf_run config=projects\u002Fhateful_memes\u002Fconfigs\u002Fvilbert\u002Ffrom_yaml.yaml \\\n    dataset=hateful_memes \\\n    model=vilbert \\\n    run_type=train\n```\n\n**参数说明：**\n*   `config`: 指定模型的配置文件路径。\n*   `dataset`: 指定要使用的数据集名称。\n*   `model`: 指定要训练的模型名称。\n*   `run_type`: 指定运行类型，可选 `train` (训练), `val` (验证), `test` (测试)。\n\n**断点续训\u002F评估示例：**\n\n如果您已经训练过模型，想要继续训练或在验证集上评估：\n\n```bash\n# 继续训练\nmmf_run config=projects\u002Fhateful_memes\u002Fconfigs\u002Fvilbert\u002Ffrom_yaml.yaml \\\n    dataset=hateful_memes \\\n    model=vilbert \\\n    run_type=train \\\n    checkpoint.resume=True\n\n# 在验证集上评估\nmmf_run config=projects\u002Fhateful_memes\u002Fconfigs\u002Fvilbert\u002Ffrom_yaml.yaml \\\n    dataset=hateful_memes \\\n    model=vilbert \\\n    run_type=val \\\n    checkpoint.resume=True\n```\n\n训练产生的日志、检查点和预测结果默认保存在 `save_dir` 指定的目录下（默认为当前目录下的 `save` 文件夹）。更多高级用法（如分布式训练、自定义数据集）请参考官方文档。","某电商公司的算法团队正致力于开发一个能自动识别商品图片并生成营销文案的多模态系统，以加速新品上架流程。\n\n### 没有 mmf 时\n- **重复造轮子**：团队需从零编写数据加载器来处理复杂的图文对齐数据，耗费数周时间复现基础的视觉 - 语言模型架构。\n- **实验迭代慢**：缺乏统一的模块化设计，每次尝试新的注意力机制或损失函数时，都要大幅修改底层代码，极易引入 Bug。\n- **分布式训练难**：自行搭建多卡训练环境困难重重，显存优化不足导致大模型难以跑通，训练周期被无限拉长。\n- **基准对比弱**：难以快速复现业界最先进的 SOTA 模型作为基线，无法准确评估自研模型的真实提升效果。\n\n### 使用 mmf 后\n- **开箱即用**：直接调用 mmf 内置的 TextCaps 和 VQA 等数据集接口及预置模型，一天内即可构建出可运行的原型系统。\n- **灵活配置**：利用其高度模块化的特性，仅需修改配置文件即可替换编码器或调整超参数，无需触碰核心代码，实验效率提升十倍。\n- **高效训练**：依托 mmf 原生支持的分布式训练策略，轻松在多 GPU 集群上并行处理海量图文数据，训练速度显著加快。\n- **权威基线**：直接加载 mmf 提供的经过验证的 SOTA 模型权重作为起点，迅速确立性能标杆，让研发聚焦于核心创新点。\n\nmmf 将研究人员从繁琐的工程基建中解放出来，使其能专注于多模态算法的核心创新与业务落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_mmf_f0df64ee.png","facebookresearch","Meta Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffacebookresearch_449342bd.png","",null,"https:\u002F\u002Fopensource.fb.com","https:\u002F\u002Fgithub.com\u002Ffacebookresearch",[80,84,88,92,95,99],{"name":81,"color":82,"percentage":83},"Python","#3572A5",98.9,{"name":85,"color":86,"percentage":87},"JavaScript","#f1e05a",0.5,{"name":89,"color":90,"percentage":91},"C","#555555",0.2,{"name":93,"color":94,"percentage":91},"CSS","#663399",{"name":96,"color":97,"percentage":98},"Shell","#89e051",0.1,{"name":100,"color":101,"percentage":98},"MDX","#fcb32c",5627,946,"2026-04-14T09:16:48","NOASSERTION","未说明",{"notes":108,"python":106,"dependencies":109},"README 中未提供具体的运行环境配置细节，仅指出该工具基于 PyTorch 构建，支持分布式训练。详细的安装步骤、版本要求及依赖列表需参考官方文档链接 (https:\u002F\u002Fmmf.sh\u002Fdocs\u002F)。",[110],"PyTorch",[112,35,14],"其他",[114,115,116,117,118,119,120,121,122,123],"pytorch","vqa","pretrained-models","multimodal","deep-learning","captioning","dialog","textvqa","hateful-memes","multi-tasking","2026-03-27T02:49:30.150509","2026-04-17T09:54:08.109589",[127,132,137,141,146,151,156],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},36941,"如何在 Windows 上安装 MMF 及其依赖（torch 和 torchvision）？","在 Windows 上，您需要通过指定依赖链接来单独安装特定版本的 torch 和 torchvision。请运行以下命令：\npip install torch===1.5.0 torchvision===0.6.0 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html\n这可以解决因默认 pip 源找不到对应版本而导致的安装错误。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fissues\u002F430",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},36942,"使用 M4C 模型进行推理时，如何构建用于加载图像信息的 imdb 文件？","imdb 是一个包含所有待处理图像信息的 numpy 文件。对于 TextCaps 数据集的推理，您可以参考测试集的 imdb 结构（通常位于 `$MMF_DATA_DIR\u002Fdatasets\u002Ftextcaps\u002Fdefaults\u002Fannotations\u002Fimdb_test_filtered_by_image_id.npy`）。\n构建该文件需要将相关信息放入一个 Python 字典列表中，并保存为 `.npy` 文件。每个列表元素（代表一张图像）应包含如下信息（不包含图像文件或特征向量本身，仅包含路径）：\n{'caption_id': 300000000, 'image_height': 1024, 'image_width': 679, 'feature_path': '...'}\n其中 caption_id 可以是任意整数，image_height 和 image_width 是图像尺寸。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fissues\u002F663",{"id":138,"question_zh":139,"answer_zh":140,"source_url":136},36943,"如何从特定的边界框（bounding box）中提取特征以用于 M4C 模型？","为了从特定的边界框提取特征，必须安装 `vqa-maskrcnn-benchmark`。您可以从以下地址获取并安装：\nhttps:\u002F\u002Fgithub.com\u002Fronghanghu\u002Fvqa-maskrcnn-benchmark-m4c\n安装后，使用该库提供的工具即可针对特定 bounding box 提取特征。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},36944,"训练 movie+mcan 模型时，使用 update_frequency=2 导致性能下降，如何解决？","这是一个已知的梯度累积问题。建议采取以下两种方案之一：\n1. 将 batch size 设置为 64，并保持相同的学习率；\n2. 如果必须使用 batch size 32，请尝试降低学习率。\n目前不推荐使用 `update_frequency=2` 的配置，直到该问题被修复。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fissues\u002F626",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},36945,"M4C 模型在 TextVQA 数据集上的预期得分是多少？","如果您使用的是仅在 TextVQA 上训练的 `m4c.textvqa.defaults` 配置，得分约为 39.84 是正常的。\n如果您希望获得更高的分数（超过 40），请使用 `m4c.textvqa.with_stvqa` 配置，该模型是在 TextVQA 和 ST-VQA 联合数据集上训练的。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fissues\u002F810",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},36946,"在 Colab 或自定义环境中训练时，为什么日志显示正常但没有保存模型或看似未训练？","这通常是因为缺少必要的配置参数。请确保在配置文件中明确设置了 `training.batch_size`。如果没有指定 batch size，训练循环可能无法正确启动或保存检查点。","https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fissues\u002F501",{"id":157,"question_zh":158,"answer_zh":159,"source_url":155},36947,"如何为自定义模型实现分类（classify）方法？","对于自定义模型，您需要参考 MMBT 模型的实现方式来编写 `classify` 方法。具体代码逻辑可以参考官方源码中的实现：\nhttps:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmmf\u002Fblob\u002Fmaster\u002Fmmf\u002Fmodels\u002Finterfaces\u002Fmmbt.py#L60\n按照该示例实现您的分类接口即可。",[161,165],{"id":162,"version":163,"summary_zh":76,"released_at":164},297364,"v0.3.1","2019-08-26T19:04:21",{"id":166,"version":167,"summary_zh":168,"released_at":169},297365,"v0.3","## 功能特性\n\n- **多任务支持**：在 Pythia 提供的多种数据集上进行多任务学习\n- **分布式**训练支持\n- 更好的 **自定义** 支持：可使用自定义损失函数、指标、优化器等\n- **标准化的 Trainer API**：提供一个标准的 Trainer API，适用于大多数用例；若不满足需求，也可继承并构建自己的 Trainer\n- **Processor 工具**：通过 Processor 轻松高效地构建数据集\n- **SampleList 和 Sample**：利用 SampleList 和 Sample 对传递的数据进行更细粒度的控制，并提供统一的 API 来访问属性，无论是在数据集中、单个样本中还是批次中\n- **特征提取**：新增了一个简单的脚本，用于从 VQA MaskRCNN 基准中提取特征及相关信息\n- **Registry 注册表**：无需手动加载数据集和模型，注册表会动态加载模型、数据集及其他类。可以将注册表视为一个包含所需一切的单例对象。\n- **TensorBoard 日志记录**：现默认提供 TensorBoard 日志记录功能。\n- **配置管理**：改进了分层配置系统，更好地实现关注点分离。\n- **检查点管理**：对检查点保存和恢复提供了更精细的控制\n- **日志记录**：新增了 ETA、单个验证损失及指标的日志记录功能。只需在模型中返回这些值，系统便会自动记录。\n- **EvalAI 评估**：现在可以直接输出可上传至 EvalAI 的 JSON 文件\n- **早停机制**\n- **新嵌入支持**：FastText、GloVe、BERT 等\n\n\n## 数据集\n\n新增以下数据集：\n- [TextVQA](https:\u002F\u002Ftextvqa.org)\n- [VizWiz](http:\u002F\u002Fvizwiz.org)\n- [COCO Captioning](http:\u002F\u002Fcocodataset.org)\n- 初步支持 GQA\n\n\n## 模型\n\n- [LoRRA](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.08920)\n- [升级版 Pythia](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.08920)\n- [BUTD](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.07998)\n- [初步支持 BAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.07932)\n\n注意：从 v0.1 到 v0.3，API 发生了大量破坏性变更。请参阅 [文档](https:\u002F\u002Flearnpythia.readthedocs.io\u002Fen\u002Flatest\u002F) 以了解如何使用 Pythia v0.3。","2019-06-26T18:06:26"]