[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-foolwood--SiamMask":3,"tool-foolwood--SiamMask":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"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":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":106,"forks":107,"last_commit_at":108,"license":109,"difficulty_score":110,"env_os":111,"env_gpu":112,"env_ram":113,"env_deps":114,"category_tags":120,"github_topics":122,"view_count":24,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":131,"updated_at":132,"faqs":133,"releases":168},10041,"foolwood\u002FSiamMask","SiamMask","[CVPR19\u002FTPAMI23] SiamMask: A Framework for Fast Online Object Tracking and Segmentation","SiamMask 是一个专注于快速在线目标跟踪与分割的开源框架，由牛津大学等机构的研究团队开发。它巧妙地将目标跟踪和实例分割两个任务统一在一个简洁的架构中，解决了传统方法往往需要分开处理这两项任务、导致效率低下或精度不足的痛点。用户只需在视频的第一帧框选目标，SiamMask 便能实时追踪该目标的运动轨迹，并同步生成精确到像素级的轮廓掩码。\n\n该工具的核心亮点在于其“统一化”的设计理念，无需复杂的后处理步骤即可同时输出高精度的边界框和分割结果，且在保持极快运行速度的同时，在多个权威基准测试中取得了领先成绩。代码库不仅提供了完整的推理演示，还开放了训练流程，方便用户基于自定义数据进行模型优化。\n\nSiamMask 非常适合计算机视觉领域的研究人员、算法工程师以及开发者使用。对于希望深入理解跟踪与分割联合建模机制的学者，或是需要在视频监控、自动驾驶、人机交互等场景中部署实时视觉系统的开发人员，它都是一个极具价值的参考实现和基础工具。虽然普通用户无法直接通过图形界面操作，但开发者可基于其核心算法轻松构建面向终端用户的应用程序。","# SiamMask\n\n**NEW:** now including code for both training and inference!\n\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Ffast-online-object-tracking-and-segmentation\u002Fvisual-object-tracking-vot201718)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fvisual-object-tracking-vot201718?p=fast-online-object-tracking-and-segmentation)\n\nThis is the official implementation with *training* code for SiamMask (CVPR2019). For technical details, please refer to:\n\n\n**SiamMask: A Framework for Fast Online Object Tracking and Segmentation** \u003Cbr \u002F>\n[Weiming Hu](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Wl4tl4QAAAAJ&hl=en), [Qiang Wang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F)\\*, [Li Zhang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~lz)\\*, [Luca Bertinetto](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~luca)\\*, [Philip H.S. Torr](https:\u002F\u002Fscholar.google.it\u002Fcitations?user=kPxa2w0AAAAJ&hl=en&oi=ao) (\\* denotes equal contribution) \u003Cbr \u002F>\n**TPAMI 2023** \u003Cbr \u002F>\n**[[Paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F10036241)] [[ArXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.02088)]** \u003Cbr \u002F>\n\n\n\n**Fast Online Object Tracking and Segmentation: A Unifying Approach** \u003Cbr \u002F>\n[Qiang Wang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F)\\*, [Li Zhang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~lz)\\*, [Luca Bertinetto](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~luca)\\*, [Weiming Hu](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Wl4tl4QAAAAJ&hl=en), [Philip H.S. Torr](https:\u002F\u002Fscholar.google.it\u002Fcitations?user=kPxa2w0AAAAJ&hl=en&oi=ao) (\\* denotes equal contribution) \u003Cbr \u002F>\n**CVPR 2019** \u003Cbr \u002F>\n**[[Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.05050)] [[Video](https:\u002F\u002Fyoutu.be\u002FI_iOVrcpEBw)] [[Project Page](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask)]** \u003Cbr \u002F>\n\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_SiamMask_readme_044f3f8acd55.jpg\" width=\"600px\" \u002F>\n\u003C\u002Fdiv>\n\n### Bibtex\nIf you find this code useful, please consider citing:\n\n```\n@article{hu2023siammask,\n  title={Siammask: A framework for fast online object tracking and segmentation},\n  author={Hu, Weiming and Wang, Qiang and Zhang, Li and Bertinetto, Luca and Torr, Philip HS},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  volume={45},\n  number={3},\n  pages={3072--3089},\n  year={2023},\n  publisher={IEEE}\n}\n\n@inproceedings{wang2019fast,\n    title={Fast online object tracking and segmentation: A unifying approach},\n    author={Wang, Qiang and Zhang, Li and Bertinetto, Luca and Hu, Weiming and Torr, Philip HS},\n    booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},\n    year={2019}\n}\n```\n\n\n## Contents\n1. [Environment Setup](#environment-setup)\n2. [Demo](#demo)\n3. [Testing Models](#testing-models)\n4. [Training Models](#training-models)\n\n## Environment setup\nThis code has been tested on Ubuntu 16.04, Python 3.6, Pytorch 0.4.1, CUDA 9.2, RTX 2080 GPUs\n\n- Clone the repository \n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask.git && cd SiamMask\nexport SiamMask=$PWD\n```\n- Setup python environment\n```\nconda create -n siammask python=3.6\nsource activate siammask\npip install -r requirements.txt\nbash make.sh\n```\n- Add the project to your PYTHONPATH\n```\nexport PYTHONPATH=$PWD:$PYTHONPATH\n```\n\n## Demo\n- [Setup](#environment-setup) your environment\n- Download the SiamMask model\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_DAVIS.pth\n```\n- Run `demo.py`\n\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nexport PYTHONPATH=$PWD:$PYTHONPATH\npython ..\u002F..\u002Ftools\u002Fdemo.py --resume SiamMask_DAVIS.pth --config config_davis.json\n```\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_SiamMask_readme_4efe88cf39f7.gif\" width=\"500px\" \u002F>\n\u003C\u002Fdiv>\n\n\n## Testing\n- [Setup](#environment-setup) your environment\n- Download test data\n```shell\ncd $SiamMask\u002Fdata\nsudo apt-get install jq\nbash get_test_data.sh\n```\n- Download pretrained models\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT_LD.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_DAVIS.pth\n```\n- Evaluate performance on [VOT](http:\u002F\u002Fwww.votchallenge.net\u002F)\n```shell\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2016 0\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2018 0\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2019 0\nbash test_mask_refine.sh config_vot18.json SiamMask_VOT_LD.pth VOT2016 0\nbash test_mask_refine.sh config_vot18.json SiamMask_VOT_LD.pth VOT2018 0\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2016 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2016\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2018 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2018\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2019 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2019\n```\n- Evaluate performance on [DAVIS](https:\u002F\u002Fdavischallenge.org\u002F) (less than 50s)\n```shell\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth DAVIS2016 0\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth DAVIS2017 0\n```\n- Evaluate performance on [Youtube-VOS](https:\u002F\u002Fyoutube-vos.org\u002F) (need download data from [website](https:\u002F\u002Fyoutube-vos.org\u002Fdataset\u002Fdownload))\n```shell\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth ytb_vos 0\n```\n\n### Results\nThese are the reproduction results from this repository. All results can be downloaded from our [project page](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F).\n\n|                           \u003Csub>Tracker\u003C\u002Fsub>                           |      \u003Csub>VOT2016\u003C\u002Fbr>EAO \u002F  A \u002F R\u003C\u002Fsub>     |      \u003Csub>VOT2018\u003C\u002Fbr>EAO \u002F A \u002F R\u003C\u002Fsub>      |  \u003Csub>DAVIS2016\u003C\u002Fbr>J \u002F F\u003C\u002Fsub>  |  \u003Csub>DAVIS2017\u003C\u002Fbr>J \u002F F\u003C\u002Fsub>  |     \u003Csub>Youtube-VOS\u003C\u002Fbr>J_s \u002F J_u \u002F F_s \u002F F_u\u003C\u002Fsub>     |     \u003Csub>Speed\u003C\u002Fsub>     |\n|:----------------------------------------------------------------------:|:--------------------------------------------:|:--------------------------------------------:|:--------------------------------:|:--------------------------------:|:--------------------------------------------------------:|:------------------------:|\n| \u003Csub>[SiamMask-box](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> |       \u003Csub>0.412\u002F0.623\u002F0.233\u003C\u002Fsub>       |       \u003Csub>0.363\u002F0.584\u002F0.300\u003C\u002Fsub>       |               - \u002F -              |               - \u002F -              |                      - \u002F - \u002F - \u002F -                       | \u003Csub>**77** FPS\u003C\u002Fsub> |\n| \u003Csub>[SiamMask](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> | \u003Csub>**0.433**\u002F**0.639**\u002F**0.214**\u003C\u002Fsub> | \u003Csub>**0.380**\u002F**0.609**\u002F**0.276**\u003C\u002Fsub> | \u003Csub>**0.713**\u002F**0.674**\u003C\u002Fsub> | \u003Csub>**0.543**\u002F**0.585**\u003C\u002Fsub> | \u003Csub>**0.602**\u002F**0.451**\u002F**0.582**\u002F**0.477**\u003C\u002Fsub> |   \u003Csub>56 FPS\u003C\u002Fsub>   |\n| \u003Csub>[SiamMask-LD](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> | \u003Csub>**0.455**\u002F**0.634**\u002F**0.219**\u003C\u002Fsub> | \u003Csub>**0.423**\u002F**0.615**\u002F**0.248**\u003C\u002Fsub> | - \u002F - | - \u002F - | - \u002F - \u002F - \u002F - | \u003Csub>56 FPS\u003C\u002Fsub> |\n\n**Note:** \n- Speed are tested on a NVIDIA RTX 2080. \n- `-box` reports an axis-aligned bounding box from the box branch.\n- `-LD` means training with large dataset (ytb-bb+ytb-vos+vid+coco+det).\n\n\n## Training\n\n### Training Data \n- Download the [Youtube-VOS](https:\u002F\u002Fyoutube-vos.org\u002Fdataset\u002Fdownload\u002F), \n[COCO](http:\u002F\u002Fcocodataset.org\u002F#download), \n[ImageNet-DET](http:\u002F\u002Fimage-net.org\u002Fchallenges\u002FLSVRC\u002F2015\u002F), \nand [ImageNet-VID](http:\u002F\u002Fimage-net.org\u002Fchallenges\u002FLSVRC\u002F2015\u002F).\n- Preprocess each datasets according the [readme](data\u002Fcoco\u002Freadme.md) files.\n\n### Download the pre-trained model (174 MB)\n(This model was trained on the ImageNet-1k Dataset)\n```\ncd $SiamMask\u002Fexperiments\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002Fresnet.model\nls | grep siam | xargs -I {} cp resnet.model {}\n```\n\n### Training SiamMask base model\n- [Setup](#environment-setup) your environment\n- From the experiment directory, run\n```\ncd $SiamMask\u002Fexperiments\u002Fsiammask_base\u002F\nbash run.sh\n```\n- Training takes about 10 hours in our 4 Tesla V100 GPUs.\n- If you experience out-of-memory errors, you can reduce the batch size in `run.sh`.\n- You can view progress on Tensorboard (logs are at \u003Cexperiment\\_dir>\u002Flogs\u002F)\n- After training, you can test checkpoints on VOT dataset.\n```shell\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4  # test all snapshots with 4 GPUs\n```\n- Select best model for hyperparametric search.\n```shell\n#bash test_all.sh -m [best_test_model] -d VOT2018 -n [thread_num] -g [gpu_num] # 8 threads with 4 GPUS\nbash test_all.sh -m snapshot\u002Fcheckpoint_e12.pth -d VOT2018 -n 8 -g 4 # 8 threads with 4 GPUS\n```\n\n### Training SiamMask model with the Refine module\n- [Setup](#environment-setup) your environment\n- In the experiment file, train with the best SiamMask base model\n```\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nbash run.sh \u003Cbest_base_model>\nbash run.sh checkpoint_e12.pth\n```\n- You can view progress on Tensorboard (logs are at \u003Cexperiment\\_dir>\u002Flogs\u002F)\n- After training, you can test checkpoints on VOT dataset\n```shell\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4\n```\n\n### Training SiamRPN++ model (*unofficial*)\n- [Setup](#environment-setup) your environment\n- From the experiment directory, run\n```\ncd $SiamMask\u002Fexperiments\u002Fsiamrpn_resnet\nbash run.sh\n```\n- You can view progress on Tensorboard (logs are at \u003Cexperiment\\_dir>\u002Flogs\u002F)\n- After training, you can test checkpoints on VOT dataset\n```shell\nbash test_all.sh -h\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4\n```\n\n## License\nLicensed under an MIT license.\n\n","# SiamMask\n\n**新：** 现在包含训练和推理的代码！\n\n\n[![PWC](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Ffast-online-object-tracking-and-segmentation\u002Fvisual-object-tracking-vot201718)](https:\u002F\u002Fpaperswithcode.com\u002Fsota\u002Fvisual-object-tracking-vot201718?p=fast-online-object-tracking-and-segmentation)\n\n这是 SiamMask（CVPR2019）的官方实现，包含*训练*代码。有关技术细节，请参阅：\n\n\n**SiamMask：一种用于快速在线目标跟踪与分割的框架** \u003Cbr \u002F>\n[Weiming Hu](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Wl4tl4QAAAAJ&hl=en)、[Qiang Wang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F)、[Li Zhang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~lz)、[Luca Bertinetto](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~luca)、[Philip H.S. Torr](https:\u002F\u002Fscholar.google.it\u002Fcitations?user=kPxa2w0AAAAJ&hl=en&oi=ao)（\\* 表示共同第一作者） \u003Cbr \u002F>\n**TPAMI 2023** \u003Cbr \u002F>\n**[[论文](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F10036241)] [[ArXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.02088)]** \u003Cbr \u002F>\n\n\n\n**快速在线目标跟踪与分割：一种统一的方法** \u003Cbr \u002F>\n[Qiang Wang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F)、[Li Zhang](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~lz)、[Luca Bertinetto](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~luca)、[Weiming Hu](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Wl4tl4QAAAAJ&hl=en)、[Philip H.S. Torr](https:\u002F\u002Fscholar.google.it\u002Fcitations?user=kPxa2w0AAAAJ&hl=en&oi=ao)（\\* 表示共同第一作者） \u003Cbr \u002F>\n**CVPR 2019** \u003Cbr \u002F>\n**[[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.05050)] [[视频](https:\u002F\u002Fyoutu.be\u002FI_iOVrcpEBw)] [[项目页面](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask)]** \u003Cbr \u002F>\n\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_SiamMask_readme_044f3f8acd55.jpg\" width=\"600px\" \u002F>\n\u003C\u002Fdiv>\n\n### Bibtex\n如果您觉得此代码有用，请考虑引用：\n\n```\n@article{hu2023siammask,\n  title={Siammask: A framework for fast online object tracking and segmentation},\n  author={Hu, Weiming and Wang, Qiang and Zhang, Li and Bertinetto, Luca and Torr, Philip HS},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  volume={45},\n  number={3},\n  pages={3072--3089},\n  year={2023},\n  publisher={IEEE}\n}\n\n@inproceedings{wang2019fast,\n    title={Fast online object tracking and segmentation: A unifying approach},\n    author={Wang, Qiang and Zhang, Li and Bertinetto, Luca and Hu, Weiming and Torr, Philip HS},\n    booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},\n    year={2019}\n}\n```\n\n\n## 目录\n1. [环境设置](#environment-setup)\n2. [演示](#demo)\n3. [模型测试](#testing-models)\n4. [模型训练](#training-models)\n\n## 环境设置\n此代码已在 Ubuntu 16.04、Python 3.6、Pytorch 0.4.1、CUDA 9.2 和 RTX 2080 显卡上测试通过。\n\n- 克隆仓库\n```\ngit clone https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask.git && cd SiamMask\nexport SiamMask=$PWD\n```\n- 设置 Python 环境\n```\nconda create -n siammask python=3.6\nsource activate siammask\npip install -r requirements.txt\nbash make.sh\n```\n- 将项目添加到 PYTHONPATH\n```\nexport PYTHONPATH=$PWD:$PYTHONPATH\n```\n\n## 演示\n- 按照 [环境设置](#environment-setup) 配置您的环境。\n- 下载 SiamMask 模型：\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_DAVIS.pth\n```\n- 运行 `demo.py`：\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nexport PYTHONPATH=$PWD:$PYTHONPATH\npython ..\u002F..\u002Ftools\u002Fdemo.py --resume SiamMask_DAVIS.pth --config config_davis.json\n```\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_SiamMask_readme_4efe88cf39f7.gif\" width=\"500px\" \u002F>\n\u003C\u002Fdiv>\n\n\n## 测试\n- 按照 [环境设置](#environment-setup) 配置您的环境。\n- 下载测试数据：\n```shell\ncd $SiamMask\u002Fdata\nsudo apt-get install jq\nbash get_test_data.sh\n```\n- 下载预训练模型：\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_VOT_LD.pth\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_DAVIS.pth\n```\n- 在 [VOT](http:\u002F\u002Fwww.votchallenge.net\u002F) 上评估性能：\n```shell\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2016 0\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2018 0\nbash test_mask_refine.sh config_vot.json SiamMask_VOT.pth VOT2019 0\nbash test_mask_refine.sh config_vot18.json SiamMask_VOT_LD.pth VOT2016 0\nbash test_mask_refine.sh config_vot18.json SiamMask_VOT_LD.pth VOT2018 0\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2016 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2016\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2018 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2018\npython ..\u002F..\u002Ftools\u002Feval.py --dataset VOT2019 --tracker_prefix C --result_dir .\u002Ftest\u002FVOT2019\n```\n- 在 [DAVIS](https:\u002F\u002Fdavischallenge.org\u002F) 上评估性能（耗时少于 50 秒）：\n```shell\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth DAVIS2016 0\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth DAVIS2017 0\n```\n- 在 [Youtube-VOS](https:\u002F\u002Fyoutube-vos.org\u002F) 上评估性能（需从 [网站](https:\u002F\u002Fyoutube-vos.org\u002Fdataset\u002Fdownload) 下载数据）：\n```shell\nbash test_mask_refine.sh config_davis.json SiamMask_DAVIS.pth ytb_vos 0\n```\n\n### 结果\n这些是从本仓库复现的结果。所有结果都可以从我们的[项目页面](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)下载。\n\n|                           \u003Csub>跟踪器\u003C\u002Fsub>                           |      \u003Csub>VOT2016\u003C\u002Fbr>EAO \u002F  A \u002F R\u003C\u002Fsub>     |      \u003Csub>VOT2018\u003C\u002Fbr>EAO \u002F A \u002F R\u003C\u002Fsub>      |  \u003Csub>DAVIS2016\u003C\u002Fbr>J \u002F F\u003C\u002Fsub>  |  \u003Csub>DAVIS2017\u003C\u002Fbr>J \u002F F\u003C\u002Fsub>  |     \u003Csub>Youtube-VOS\u003C\u002Fbr>J_s \u002F J_u \u002F F_s \u002F F_u\u003C\u002Fsub>     |     \u003Csub>速度\u003C\u002Fsub>     |\n|:----------------------------------------------------------------------:|:--------------------------------------------:|:--------------------------------------------:|:--------------------------------:|:--------------------------------:|:--------------------------------------------------------:|:------------------------:|\n| \u003Csub>[SiamMask-box](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> |       \u003Csub>0.412\u002F0.623\u002F0.233\u003C\u002Fsub>       |       \u003Csub>0.363\u002F0.584\u002F0.300\u003C\u002Fsub>       |               - \u002F -              |               - \u002F -              |                      - \u002F - \u002F - \u002F -                       | \u003Csub>**77** FPS\u003C\u002Fsub> |\n| \u003Csub>[SiamMask](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> | \u003Csub>**0.433**\u002F**0.639**\u002F**0.214**\u003C\u002Fsub> | \u003Csub>**0.380**\u002F**0.609**\u002F**0.276**\u003C\u002Fsub> | \u003Csub>**0.713**\u002F**0.674**\u003C\u002Fsub> | \u003Csub>**0.543**\u002F**0.585**\u003C\u002Fsub> | \u003Csub>**0.602**\u002F**0.451**\u002F**0.582**\u002F**0.477**\u003C\u002Fsub> |   \u003Csub>56 FPS\u003C\u002Fsub>   |\n| \u003Csub>[SiamMask-LD](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask\u002F)\u003C\u002Fsub> | \u003Csub>**0.455**\u002F**0.634**\u002F**0.219**\u003C\u002Fsub> | \u003Csub>**0.423**\u002F**0.615**\u002F**0.248**\u003C\u002Fsub> | - \u002F - | - \u002F - | - \u002F - \u002F - \u002F - | \u003Csub>56 FPS\u003C\u002Fsub> |\n\n**注：**\n- 速度测试是在 NVIDIA RTX 2080 上进行的。\n- `-box` 报告的是来自边界框分支的轴对齐边界框。\n- `-LD` 表示使用大型数据集（ytb-bb+ytb-vos+vid+coco+det）进行训练。\n\n\n## 训练\n\n### 训练数据\n- 下载 [Youtube-VOS](https:\u002F\u002Fyoutube-vos.org\u002Fdataset\u002Fdownload\u002F)、\n[COCO](http:\u002F\u002Fcocodataset.org\u002F#download)、\n[ImageNet-DET](http:\u002F\u002Fimage-net.org\u002Fchallenges\u002FLSVRC\u002F2015\u002F) 和\n[ImageNet-VID](http:\u002F\u002Fimage-net.org\u002Fchallenges\u002FLSVRC\u002F2015\u002F) 数据集。\n- 按照 [readme](data\u002Fcoco\u002Freadme.md) 文件中的说明对每个数据集进行预处理。\n\n### 下载预训练模型（174 MB）\n（该模型是在 ImageNet-1k 数据集上训练的）\n```\ncd $SiamMask\u002Fexperiments\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002Fresnet.model\nls | grep siam | xargs -I {} cp resnet.model {}\n```\n\n### 训练 SiamMask 基础模型\n- [设置](#environment-setup) 您的环境\n- 从实验目录中运行\n```\ncd $SiamMask\u002Fexperiments\u002Fsiammask_base\u002F\nbash run.sh\n```\n- 在我们的 4 张 Tesla V100 GPU 上，训练大约需要 10 小时。\n- 如果遇到内存不足的错误，可以在 `run.sh` 中减小批量大小。\n- 您可以通过 TensorBoard 查看训练进度（日志位于 \u003Cexperiment_dir>\u002Flogs\u002F）。\n- 训练完成后，您可以在 VOT 数据集上测试检查点。\n```shell\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4  # 使用 4 张 GPU 测试所有快照\n```\n- 选择最佳模型进行超参数搜索。\n```shell\n#bash test_all.sh -m [best_test_model] -d VOT2018 -n [thread_num] -g [gpu_num] # 8 线程，4 张 GPU\nbash test_all.sh -m snapshot\u002Fcheckpoint_e12.pth -d VOT2018 -n 8 -g 4 # 8 线程，4 张 GPU\n```\n\n### 训练带有 Refine 模块的 SiamMask 模型\n- [设置](#environment-setup) 您的环境\n- 在实验文件中，使用最佳的 SiamMask 基础模型进行训练\n```\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nbash run.sh \u003Cbest_base_model>\nbash run.sh checkpoint_e12.pth\n```\n- 您可以通过 TensorBoard 查看训练进度（日志位于 \u003Cexperiment_dir>\u002Flogs\u002F）。\n- 训练完成后，您可以在 VOT 数据集上测试检查点。\n```shell\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4\n```\n\n### 训练 SiamRPN++ 模型（非官方）\n- [设置](#environment-setup) 您的环境\n- 从实验目录中运行\n```\ncd $SiamMask\u002Fexperiments\u002Fsiamrpn_resnet\nbash run.sh\n```\n- 您可以通过 TensorBoard 查看训练进度（日志位于 \u003Cexperiment_dir>\u002Flogs\u002F）。\n- 训练完成后，您可以在 VOT 数据集上测试检查点。\n```shell\nbash test_all.sh -h\nbash test_all.sh -s 1 -e 20 -d VOT2018 -g 4\n```\n\n## 许可证\n根据 MIT 许可证授权。","# SiamMask 快速上手指南\n\nSiamMask 是一个用于快速在线目标跟踪与分割的统一框架，支持训练和推理。本指南将帮助开发者快速搭建环境并运行演示。\n\n## 环境准备\n\n本项目已在以下环境中测试通过：\n- **操作系统**: Ubuntu 16.04 (推荐 Ubuntu 18.04\u002F20.04)\n- **Python**: 3.6\n- **PyTorch**: 0.4.1 (注意版本较老，建议严格匹配或使用兼容环境)\n- **CUDA**: 9.2\n- **GPU**: NVIDIA RTX 2080 或更高\n\n**前置依赖**:\n- Git\n- Conda (推荐用于环境管理)\n- `jq` (用于数据处理脚本)\n\n## 安装步骤\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask.git && cd SiamMask\nexport SiamMask=$PWD\n```\n\n### 2. 创建并激活虚拟环境\n```bash\nconda create -n siammask python=3.6\nconda activate siammask\n```\n\n### 3. 安装 Python 依赖\n建议使用国内镜像源加速安装（如清华源）：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 4. 编译扩展模块\n```bash\nbash make.sh\n```\n\n### 5. 配置环境变量\n将项目路径加入 `PYTHONPATH`：\n```bash\nexport PYTHONPATH=$PWD:$PYTHONPATH\n```\n\n## 基本使用 (Demo)\n\n以下是最简单的运行示例，使用预训练模型在视频上进行目标跟踪与分割演示。\n\n### 1. 下载预训练模型\n进入实验目录并下载针对 DAVIS 数据集优化的模型：\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nwget http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002FSiamMask_DAVIS.pth\n```\n*(注：如果下载速度慢，可尝试手动下载后上传至服务器)*\n\n### 2. 运行演示脚本\n确保当前目录下有配置文件 `config_davis.json` (通常仓库中已包含)，然后执行：\n```shell\ncd $SiamMask\u002Fexperiments\u002Fsiammask_sharp\nexport PYTHONPATH=$PWD:$PYTHONPATH\npython ..\u002F..\u002Ftools\u002Fdemo.py --resume SiamMask_DAVIS.pth --config config_davis.json\n```\n\n运行成功后，程序将弹出窗口显示实时跟踪与分割结果。按任意键可退出演示。","某安防监控团队正在开发一套实时视频分析系统，需要从复杂的街道监控画面中持续锁定并分割出特定的嫌疑车辆，以便后续进行行为分析。\n\n### 没有 SiamMask 时\n- **处理流程割裂**：开发人员需分别部署目标检测器和语义分割模型，两个独立模块串行工作导致系统架构臃肿且维护困难。\n- **实时性严重不足**：由于双模型叠加推理，视频帧率远低于 30 FPS，在车辆高速移动时出现明显的跟踪延迟和丢帧现象。\n- **边缘轮廓模糊**：传统边界框（Bounding Box）无法提供像素级掩码，难以精确判断车辆是否被树木或行人部分遮挡，影响轨迹预测精度。\n- **初始化繁琐**：每次切换跟踪目标都需要重新运行耗时的检测算法来定位初始框，无法实现真正的“在线”快速响应。\n\n### 使用 SiamMask 后\n- **统一框架高效运行**：SiamMask 将跟踪与分割合二为一，单次前向传播即可同时输出精准位置与像素级掩码，大幅简化了工程部署链路。\n- **达到实时流畅体验**：得益于其轻量级设计，系统在单张 RTX 2080 显卡上即可实现 50+ FPS 的推理速度，完美捕捉高速车辆的每一个动作细节。\n- **像素级精准分割**：直接输出精细的对象掩码，即使车辆在复杂背景下发生形变或部分遮挡，也能清晰勾勒出其完整轮廓，提升分析可靠性。\n- **极速在线启动**：仅需用户在首帧简单标注目标，SiamMask 即可立即开始高速跟踪与分割，无需额外的检测预热过程，响应近乎零延迟。\n\nSiamMask 通过“跟踪即分割”的统一范式，成功解决了复杂动态场景下高精度与高实时性难以兼得的核心痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_SiamMask_4efe88cf.gif","foolwood","Qiang Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffoolwood_7e7543cf.jpg","Computer Vision & Machine Learning (We're hiring https:\u002F\u002Fjobs.apple.com\u002Fen-us\u002Fdetails\u002F200321942, email: qiang_wang5@apple.com)\r\n","Apple","Beijing",null,"http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F","https:\u002F\u002Fgithub.com\u002Ffoolwood",[82,86,90,94,98,102],{"name":83,"color":84,"percentage":85},"Python","#3572A5",74.1,{"name":87,"color":88,"percentage":89},"C","#555555",14.9,{"name":91,"color":92,"percentage":93},"Cython","#fedf5b",6.1,{"name":95,"color":96,"percentage":97},"C++","#f34b7d",2.6,{"name":99,"color":100,"percentage":101},"Shell","#89e051",2.2,{"name":103,"color":104,"percentage":105},"Makefile","#427819",0.1,3544,809,"2026-04-17T03:47:04","MIT",4,"Linux","需要 NVIDIA GPU，测试环境为 RTX 2080 和 Tesla V100，CUDA 9.2","未说明（训练时若显存不足需减小 batch size）",{"notes":115,"python":116,"dependencies":117},"代码已在 Ubuntu 16.04 上测试通过。训练基础模型约需 10 小时（使用 4 块 Tesla V100 GPU）。首次运行需手动下载预训练模型和数据集。需执行 make.sh 编译部分组件。建议使用 conda 创建独立环境。","3.6",[118,119],"pytorch==0.4.1","conda",[121,14,15],"视频",[123,124,125,126,127,128,129,130],"visual-tracking","video-object-segmentation","read-time","pytorch","deep-learning","cvpr2019","computer-vision","object-tracking","2026-03-27T02:49:30.150509","2026-04-20T16:48:18.260032",[134,139,144,149,154,159,164],{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},45107,"运行 demo.py 时遇到 'ModuleNotFoundError: No module named tools' 错误怎么办？","这是一个常见的路径导入问题。解决方案是确保在 SiamMask 项目的根目录下运行脚本，而不是在 tools 子目录中。如果仍然报错，可以尝试将当前工作目录切换到项目根目录（即包含 tools 文件夹的上级目录），然后重新运行命令。有用户反馈删除并重新创建 conda 环境也能解决此类依赖路径问题。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F18",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},45108,"训练时提示找不到 'snapshot\u002Fcheckpoint_e9.pth' 文件或加载失败怎么办？","该错误通常是因为尝试恢复训练（resume）但指定的检查点文件不存在或已损坏。如果是从头开始训练，请在 run.sh 脚本中去掉 '--resume' 参数。如果是断点续训，请确保 '--resume' 后面跟随的是实际存在的检查点文件名（例如训练到第 4 个 epoch 中断，则使用 checkpoint_e4.pth）。如果文件确实丢失且非本地训练生成，可能需要重新下载预训练模型或检查数据集路径配置。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F76",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},45109,"运行 bash run.sh 训练时出现 'RuntimeError: The size of tensor a must match the size of tensor b' 维度不匹配错误如何解决？","这通常与特征相关性的计算方式有关。根据论文和代码逻辑，需要确保生成了正确尺寸的相关性特征（corr_feature），其形状应为 (batch * channel * 17 * 17)。请检查代码中关于互相关（correlation）实现的这部分逻辑，确认是否按照论文描述的第一种解决方案进行了处理，特别是在处理不同分辨率特征图时的对齐操作。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F82",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},45110,"如何在 TensorBoard 中查看训练进度和日志？","首先通过 SSH 端口转发将服务器端口映射到本地：'ssh -L 16006:127.0.0.1:6006 user@host'。然后在服务器上运行 TensorBoard 命令指定日志目录：'tensorboard --logdir=\u002Fpath\u002Fto\u002Flogs'（路径通常为 SiamMask\u002Fexperiments\u002Fsiammask_base\u002Flogs\u002F）。最后在本地浏览器访问 'http:\u002F\u002Flocalhost:16006\u002F' 即可查看。如果无数据显示，请确认日志路径是否正确以及训练脚本是否正常写入了事件文件。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F163",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},45111,"在 Titan Xp 上运行速度只有 10fps，远低于预期，如何加速？","速度差异可能与测试数据集或配置有关。有用户反馈在 VOT2016 数据集上速度可达 20-30fps，但在 VOT2018 上可能会遇到除以零等错误导致卡顿。建议检查是否在正确的数据集模式下运行，并排查是否有特定的异常报错（如除以零）影响了推理循环。此外，确保使用了 GPU 加速且 batch size 设置合理。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F19",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},45112,"运行 test_mask_refine.sh 进行掩膜细化测试时输出尺寸异常或报错怎么办？","如果遇到奇怪的输出尺寸问题或环境相关的错误，最有效的解决方法往往是重置开发环境。有用户反馈在删除了之前创建的 anaconda 环境（siammask）并重新安装所有依赖后，问题得到了解决。请尝试清理旧环境，重新安装 requirements.txt 中的依赖，并确保 PyTorch 版本与项目要求兼容。","https:\u002F\u002Fgithub.com\u002Ffoolwood\u002FSiamMask\u002Fissues\u002F86",{"id":165,"question_zh":166,"answer_zh":167,"source_url":153},45113,"SiamMask 架构中哪里使用了 SiamRPN，工作流程是怎样的？","若要了解 SiamRPN 在 SiamMask 架构中的具体位置和工作流，可以直接查看 'tools\u002Ftrain_siammask.py' 文件。重点关注其中的 'train(...)' 函数以理解详细流程，或者从 'main()' 函数入口开始追踪代码执行逻辑，这样可以清晰地看到数据流向和模块调用关系。",[]]