[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-garythung--trashnet":3,"tool-garythung--trashnet":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":123},3999,"garythung\u002Ftrashnet","trashnet","Dataset of images of trash; Torch-based CNN for garbage image classification","trashnet 是一个专注于垃圾图像分类的开源数据集与深度学习项目，源自斯坦福大学 CS229 机器学习课程的最终成果。它旨在解决自动化垃圾分类中的视觉识别难题，通过人工智能技术辅助判断物品的可回收状态，从而提升环保效率。\n\n该项目核心包含一个涵盖六大类别（玻璃、纸张、硬纸板、塑料、金属及其他垃圾）的图像数据集，共收录 2500 多张在受控光照下拍摄并统一分辨率的照片。基于 Torch 框架，trashnet 构建并训练了卷积神经网络（CNN）模型。其技术亮点在于采用了 Kaiming 权重初始化方法，显著优化了模型性能，在测试集上实现了约 75% 的分类准确率。\n\ntrashnet 非常适合计算机视觉领域的研究人员、AI 开发者以及关注环保科技的学生使用。研究人员可将其作为基准数据集验证新算法；开发者能利用其提供的代码架构快速搭建垃圾识别原型系统；教育工作者也可借此开展相关的机器学习教学实践。虽然部分原始代码基于 Lua\u002FTorch 编写，但其数据预处理流程支持 Python，且数据集已托管于 Hugging Face，便于现代开发者集成与应用。对于希望探索 AI 在可持续发展领域","trashnet 是一个专注于垃圾图像分类的开源数据集与深度学习项目，源自斯坦福大学 CS229 机器学习课程的最终成果。它旨在解决自动化垃圾分类中的视觉识别难题，通过人工智能技术辅助判断物品的可回收状态，从而提升环保效率。\n\n该项目核心包含一个涵盖六大类别（玻璃、纸张、硬纸板、塑料、金属及其他垃圾）的图像数据集，共收录 2500 多张在受控光照下拍摄并统一分辨率的照片。基于 Torch 框架，trashnet 构建并训练了卷积神经网络（CNN）模型。其技术亮点在于采用了 Kaiming 权重初始化方法，显著优化了模型性能，在测试集上实现了约 75% 的分类准确率。\n\ntrashnet 非常适合计算机视觉领域的研究人员、AI 开发者以及关注环保科技的学生使用。研究人员可将其作为基准数据集验证新算法；开发者能利用其提供的代码架构快速搭建垃圾识别原型系统；教育工作者也可借此开展相关的机器学习教学实践。虽然部分原始代码基于 Lua\u002FTorch 编写，但其数据预处理流程支持 Python，且数据集已托管于 Hugging Face，便于现代开发者集成与应用。对于希望探索 AI 在可持续发展领域落地场景的用户来说，trashnet 提供了一个扎实且透明的起步平台。","# trashnet\nCode (only for the convolutional neural network) and dataset for mine and [Mindy Yang](http:\u002F\u002Fgithub.com\u002Fyangmindy4)'s final project for [Stanford's CS 229: Machine Learning class](http:\u002F\u002Fcs229.stanford.edu). Our paper can be found [here](https:\u002F\u002Fcs229.stanford.edu\u002Fproj2016\u002Freport\u002FThungYang-ClassificationOfTrashForRecyclabilityStatus-report.pdf). The convolutional neural network results on the poster are dated since we continued working after the end of the quarter and  were able to achieve around 75% test accuracy (with 70\u002F13\u002F17 train\u002Fval\u002Ftest split) after changing the weight initialization to the Kaiming method.\n\n## Dataset\nThis repository contains the dataset that we collected. The dataset spans six classes: glass, paper, cardboard, plastic, metal, and trash. Currently, the dataset consists of 2527 images:\n- 501 glass\n- 594 paper\n- 403 cardboard\n- 482 plastic\n- 410 metal\n- 137 trash\n\nThe pictures were taken by placing the object on a white posterboard and using sunlight and\u002For room lighting. The pictures have been resized down to 512 x 384, which can be changed in `data\u002Fconstants.py` (resizing them involves going through step 1 in usage). The devices used were Apple iPhone 7 Plus, Apple iPhone 5S, and Apple iPhone SE.\n\nThe size of the original dataset, ~3.5GB, exceeds the git-lfs maximum size so it has been uploaded to Google Drive. If you are planning on using the Python code to preprocess the original dataset, then download `dataset-original.zip` from the link below and place the unzipped folder inside of the `data` folder.\n\n**If you are using the dataset, please give a citation of this repository. The dataset can be downloaded [here](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgarythung\u002Ftrashnet).**\n\n## Installation\n### Lua setup\nWe wrote code in [Lua](http:\u002F\u002Flua.org) using [Torch](http:\u002F\u002Ftorch.ch); you can find installation instructions\n[here](http:\u002F\u002Ftorch.ch\u002Fdocs\u002Fgetting-started.html). You'll need the following Lua packages:\n\n- [torch\u002Ftorch7](http:\u002F\u002Fgithub.com\u002Ftorch\u002Ftorch7)\n- [torch\u002Fnn](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fnn)\n- [torch\u002Foptim](http:\u002F\u002Fgithub.com\u002Ftorch\u002Foptim)\n- [torch\u002Fimage](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fimage)\n- [torch\u002Fgnuplot](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fgnuplot)\n\nAfter installing Torch, you can install these packages by running the following:\n\n```bash\n# Install using Luarocks\nluarocks install torch\nluarocks install nn\nluarocks install optim\nluarocks install image\nluarocks install gnuplot\n```\n\nWe also need [@e-lab](http:\u002F\u002Fgithub.com\u002Fe-lab)'s [weight-init module](http:\u002F\u002Fgithub.com\u002Fe-lab\u002Ftorch-toolbox\u002Fblob\u002Fmaster\u002FWeight-init\u002Fweight-init.lua), which is already included in this repository.\n\n### CUDA support\nBecause training takes awhile, you will want to use a GPU to get results in a reasonable amount of time. We used CUDA with a GTX 650 Ti with CUDA. To enable GPU acceleration with CUDA, you'll first need to install CUDA 6.5 or higher. Find CUDA installations [here](http:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-downloads).\n\nThen you need to install following Lua packages for CUDA:\n- [torch\u002Fcutorch](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fcutorch)\n- [torch\u002Fcunn](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fcunn)\n\nYou can install these packages by running the following:\n\n```bash\nluarocks install cutorch\nluarocks install cunn\n```\n\n### Python setup\nPython is currently used for some image preprocessing tasks. The Python dependencies are:\n- [NumPy](http:\u002F\u002Fnumpy.org)\n- [SciPy](http:\u002F\u002Fscipy.org)\n\nYou can install these packages by running the following:\n\n```bash\n# Install using pip\npip install numpy scipy\n```\n\n## Usage\n\n### Step 1: Prepare the data\nUnzip `data\u002Fdataset-resized.zip`.\n\nIf adding more data, then the new files must be enumerated properly and put into the appropriate folder in `data\u002Fdataset-original` and then preprocessed. Preprocessing the data involves deleting the `data\u002Fdataset-resized` folder and then calling `python resize.py` from `trashnet\u002Fdata`. This will take around half an hour.\n\n### Step 2: Train the model\nTODO\n\n### Step 3: Test the model\nTODO\n\n### Step 4: View the results\nTODO\n\n## Contributing\n1. Fork it!\n2. Create your feature branch: `git checkout -b my-new-feature`\n3. Commit your changes: `git commit -m 'Add some feature'`\n4. Push to the branch: `git push origin my-new-feature`\n5. Submit a pull request\n\n## Acknowledgments\n- Thanks to the Stanford CS 229 autumn 2016-2017 teaching staff for a great class!\n- [@e-lab](http:\u002F\u002Fgithub.com\u002Fe-lab) for their [weight-init Torch module](http:\u002F\u002Fgithub.com\u002Fe-lab\u002Ftorch-toolbox\u002Fblob\u002Fmaster\u002FWeight-init\u002Fweight-init.lua)\n\n## TODOs\n- finish the Usage portion of the README\n- add specific results (and parameters used) that were achieved after the CS 229 project deadline\n- add saving of confusion matrix data and creation of graphic to `plot.lua`\n- rewrite the data preprocessing to only reprocess new images if the dimensions have not changed\n","# trashnet\n这是我与[Mindy Yang](http:\u002F\u002Fgithub.com\u002Fyangmindy4)为[斯坦福大学CS 229机器学习课程](http:\u002F\u002Fcs229.stanford.edu)完成的期末项目所用的代码（仅限卷积神经网络）及数据集。我们的论文可在此查阅：[链接](https:\u002F\u002Fcs229.stanford.edu\u002Fproj2016\u002Freport\u002FThungYang-ClassificationOfTrashForRecyclabilityStatus-report.pdf)。海报上展示的卷积神经网络结果是当时的最新进展；在学期结束后，我们继续优化模型，并将权重初始化方法改为Kaiming初始化，最终在70\u002F13\u002F17的训练\u002F验证\u002F测试集划分下，将测试准确率提升至约75%。\n\n## 数据集\n本仓库包含我们收集的数据集，涵盖六个类别：玻璃、纸张、纸板、塑料、金属和垃圾。目前数据集共有2527张图片：\n- 玻璃：501张\n- 纸张：594张\n- 纸板：403张\n- 塑料：482张\n- 金属：410张\n- 垃圾：137张\n\n这些图片是在白色海报纸背景上拍摄的，使用自然光和室内灯光。所有图片均已调整为512×384像素，您可以在`data\u002Fconstants.py`中修改此尺寸（调整尺寸需按照使用说明中的步骤1操作）。拍摄设备包括Apple iPhone 7 Plus、Apple iPhone 5S和Apple iPhone SE。\n\n原始数据集大小约为3.5GB，超出了git-lfs的最大限制，因此已上传至Google Drive。如果您计划使用Python代码预处理原始数据集，请从下方链接下载`dataset-original.zip`，并将解压后的文件夹放置于`data`目录内。\n\n**如您使用本数据集，请引用本仓库。数据集可在此下载：[链接](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgarythung\u002Ftrashnet)。**\n\n## 安装\n### Lua环境配置\n我们使用[Lua](http:\u002F\u002Flua.org)结合[Torch](http:\u002F\u002Ftorch.ch)编写代码，安装说明请参见[这里](http:\u002F\u002Ftorch.ch\u002Fdocs\u002Fgetting-started.html)。您需要以下Lua包：\n\n- [torch\u002Ftorch7](http:\u002F\u002Fgithub.com\u002Ftorch\u002Ftorch7)\n- [torch\u002Fnn](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fnn)\n- [torch\u002Foptim](http:\u002F\u002Fgithub.com\u002Ftorch\u002Foptim)\n- [torch\u002Fimage](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fimage)\n- [torch\u002Fgnuplot](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fgnuplot)\n\n安装Torch后，可通过以下命令安装这些包：\n\n```bash\n# 使用Luarocks安装\nluarocks install torch\nluarocks install nn\nluarocks install optim\nluarocks install image\nluarocks install gnuplot\n```\n\n此外，我们还需要[@e-lab](http:\u002F\u002Fgithub.com\u002Fe-lab)提供的[权重初始化模块](http:\u002F\u002Fgithub.com\u002Fe-lab\u002Ftorch-toolbox\u002Fblob\u002Fmaster\u002FWeight-init\u002Fweight-init.lua)，该模块已包含在本仓库中。\n\n### CUDA支持\n由于训练过程耗时较长，建议使用GPU以加快计算速度。我们使用了配备CUDA的GTX 650 Ti显卡。要启用CUDA加速，您需先安装CUDA 6.5或更高版本。CUDA安装程序可在[NVIDIA开发者网站](http:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-downloads)获取。\n\n随后还需安装以下用于CUDA的Lua包：\n- [torch\u002Fcutorch](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fcutorch)\n- [torch\u002Fcunn](http:\u002F\u002Fgithub.com\u002Ftorch\u002Fcunn)\n\n可通过以下命令安装这些包：\n\n```bash\nluarocks install cutorch\nluarocks install cunn\n```\n\n### Python环境配置\n目前部分图像预处理任务使用Python完成。所需的Python依赖包包括：\n- [NumPy](http:\u002F\u002Fnumpy.org)\n- [SciPy](http:\u002F\u002Fscipy.org)\n\n您可以通过以下命令安装这些包：\n\n```bash\n# 使用pip安装\npip install numpy scipy\n```\n\n## 使用说明\n\n### 步骤1：准备数据\n解压`data\u002Fdataset-resized.zip`。\n\n若需添加新数据，必须正确编号并放入`data\u002Fdataset-original`中的相应文件夹，然后进行预处理。预处理时需删除`data\u002Fdataset-resized`文件夹，并在`trashnet\u002Fdata`目录下运行`python resize.py`，整个过程大约需要半小时。\n\n### 步骤2：训练模型\n待补充\n\n### 步骤3：测试模型\n待补充\n\n### 步骤4：查看结果\n待补充\n\n## 贡献\n1. Fork本仓库！\n2. 创建您的功能分支：`git checkout -b my-new-feature`\n3. 提交更改：`git commit -m '添加新功能'`\n4. 推送至分支：`git push origin my-new-feature`\n5. 发起Pull Request\n\n## 致谢\n- 感谢斯坦福大学CS 229课程2016–2017年秋季学期的教学团队，为我们提供了精彩的课程！\n- 感谢[@e-lab](http:\u002F\u002Fgithub.com\u002Fe-lab)提供的[权重初始化Torch模块](http:\u002F\u002Fgithub.com\u002Fe-lab\u002Ftorch-toolbox\u002Fblob\u002Fmaster\u002FWeight-init\u002Fweight-init.lua)\n\n## 待办事项\n- 完成README中“使用说明”部分的内容\n- 补充CS 229项目截止日期之后取得的具体结果及所用参数\n- 在`plot.lua`中加入混淆矩阵数据的保存及图表生成功能\n- 重写数据预处理代码，使其仅在图像尺寸未发生变化时才重新处理","# TrashNet 快速上手指南\n\nTrashNet 是一个用于垃圾分类的卷积神经网络（CNN）项目，包含数据集和基于 Lua\u002FTorch 的训练代码。该数据集涵盖玻璃、纸张、纸板、塑料、金属和其他垃圾共六类。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux 或 macOS (Windows 需通过 WSL 或虚拟机运行 Torch)\n- **GPU 支持 (可选但推荐)**: NVIDIA GPU 及 CUDA 6.5+ 驱动，用于加速训练\n- **存储**: 至少 4GB 可用空间（解压原始数据集约需 3.5GB）\n\n### 前置依赖\n本项目主要基于 **Lua** 和 **Torch** 框架，部分预处理脚本使用 **Python**。\n\n1. **安装 Torch 框架**\n   请参考 [Torch 官方安装指南](http:\u002F\u002Ftorch.ch\u002Fdocs\u002Fgetting-started.html) 完成基础安装。\n\n2. **安装 Lua 依赖包**\n   使用 `luarocks` 安装以下核心模块：\n   ```bash\n   luarocks install torch\n   luarocks install nn\n   luarocks install optim\n   luarocks install image\n   luarocks install gnuplot\n   ```\n\n3. **安装 CUDA 支持 (如需 GPU 加速)**\n   若使用 GPU 训练，请先安装 CUDA 6.5 或更高版本，然后安装对应的 Torch 模块：\n   ```bash\n   luarocks install cutorch\n   luarocks install cunn\n   ```\n\n4. **安装 Python 依赖**\n   用于图像预处理步骤：\n   ```bash\n   pip install numpy scipy\n   # 国内用户推荐使用清华源加速\n   # pip install numpy scipy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n> **注意**: 仓库中已包含必要的权重初始化模块 (`weight-init.lua`)，无需额外下载。\n\n## 安装步骤\n\n### 1. 获取数据集\n由于原始数据集较大，已通过 Hugging Face 托管。请前往以下地址下载：\n- **数据集下载地址**: [https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgarythung\u002Ftrashnet](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgarythung\u002Ftrashnet)\n\n下载后，将 `dataset-original.zip` (如需重新预处理) 或 `dataset-resized.zip` (直接使用) 放入项目的 `data` 文件夹中。\n\n### 2. 解压数据\n进入 `data` 目录并解压预处理好的数据集：\n```bash\ncd data\nunzip dataset-resized.zip\n```\n\n*(注：如果您下载的是原始数据集并希望自定义调整图片尺寸，请将 `dataset-original.zip` 解压到 `data` 目录，然后执行下一步的预处理命令)*\n\n## 基本使用\n\n### 第一步：数据预处理\n如果使用的是已调整大小的数据集 (`dataset-resized.zip`)，可跳过此步。\n如果需要添加新数据或使用原始高分辨率图片，请运行以下 Python 脚本进行重置和调整（耗时约 30 分钟）：\n\n```bash\n# 删除旧的 resized 文件夹\nrm -rf data\u002Fdataset-resized\n\n# 进入 data 目录运行预处理脚本\ncd trashnet\u002Fdata\npython resize.py\n```\n\n### 第二步：训练模型\n*当前 README 中训练脚本的具体调用命令标记为 TODO，通常 Torch 项目的训练命令格式如下（请根据实际存在的 `.lua` 训练文件调整）：*\n\n```bash\n# 示例命令（需确认项目中具体的训练脚本名称，如 train.lua）\nth train.lua\n```\n> **提示**: 若启用 GPU，确保已安装 `cutorch` 和 `cunn`，并在代码或命令行参数中开启 CUDA 选项。\n\n### 第三步：测试与查看结果\n*测试脚本和结果可视化功能尚在完善中（原文标记为 TODO）。*\n通常在训练完成后，可通过类似的 Lua 脚本加载模型并对测试集进行评估：\n```bash\nth test.lua\n```\n\n---\n**引用说明**: 如果您在研究或项目中使用了 TrashNet 数据集，请务必引用该仓库。","某智慧社区开发团队正致力于升级小区的垃圾分类回收站，需要让摄像头自动识别居民投递的垃圾类型以进行积分奖励。\n\n### 没有 trashnet 时\n- **数据收集成本极高**：团队需人工拍摄并整理玻璃、纸张、塑料等六类垃圾图片，耗时数周仍难以覆盖多样化的光照和角度场景。\n- **模型训练起点低**：由于缺乏高质量的预训练数据集，卷积神经网络（CNN）从零开始训练，收敛速度慢且容易过拟合。\n- **分类准确率不稳定**：在测试中，模型难以区分外观相似的“纸板”与“普通纸张”，导致错误分类率高，用户投诉频发。\n- **研发周期被迫拉长**：工程师将大量时间耗费在数据清洗和标注上，核心算法优化进度严重滞后，项目无法按期上线。\n\n### 使用 trashnet 后\n- **即刻获得标准数据集**：直接调用包含 2500+ 张已标注图片的 trashnet 数据集，涵盖六种主要垃圾类别，省去了数月数据采集工作。\n- **模型快速收敛**：基于 trashnet 提供的 Torch 架构和 Kaiming 权重初始化方法，模型在 GPU 加速下迅速达到约 75% 的测试准确率。\n- **复杂场景识别提升**：利用数据集中不同设备（iPhone 系列）和光照条件下拍摄的样本，显著提升了系统对反光玻璃或褶皱纸团的辨别能力。\n- **聚焦核心业务逻辑**：团队得以跳过基础数据准备阶段，直接将精力投入到回收站的硬件集成与用户交互体验优化上。\n\ntrashnet 通过提供标准化的垃圾图像数据集与成熟 CNN 代码，将原本漫长的冷启动过程缩短为几天，大幅降低了智能垃圾分类系统的落地门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgarythung_trashnet_7ee3801c.png","garythung","Gary Thung","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgarythung_229873c0.png",null,"https:\u002F\u002Fgithub.com\u002Fgarythung",[82,86],{"name":83,"color":84,"percentage":85},"Lua","#000080",94.9,{"name":87,"color":88,"percentage":89},"Python","#3572A5",5.1,695,204,"2026-03-30T14:37:00","MIT",5,"Linux, macOS","需要 NVIDIA GPU (项目使用 GTX 650 Ti 测试)，需安装 CUDA 6.5 或更高版本以启用加速","未说明",{"notes":99,"python":100,"dependencies":101},"该项目主要基于 Lua 和 Torch 框架（非现代 PyTorch），核心代码为 Lua 编写。原始数据集 (~3.5GB) 托管在 Google Drive\u002FHuggingFace，需单独下载并解压至 data 目录。若需重新调整图片尺寸，运行 Python 预处理脚本大约需要 30 分钟。","未说明 (仅用于图像预处理，依赖 NumPy 和 SciPy)",[102,103,104,105,106,107,108,109,110],"torch\u002Ftorch7 (Lua)","torch\u002Fnn (Lua)","torch\u002Foptim (Lua)","torch\u002Fimage (Lua)","torch\u002Fgnuplot (Lua)","torch\u002Fcutorch (Lua, CUDA 支持)","torch\u002Fcunn (Lua, CUDA 支持)","NumPy (Python)","SciPy (Python)",[14,51,13],[113,114,115,116,117,118,119],"dataset","torch","convolutional-neural-networks","deep-learning","trash","garbage","image-classification","2026-03-27T02:49:30.150509","2026-04-06T05:37:14.595586",[],[]]