[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-google-deepmind--surface-distance":3,"similar-google-deepmind--surface-distance":49},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":29,"difficulty_score":30,"env_os":17,"env_gpu":31,"env_ram":31,"env_deps":32,"category_tags":35,"github_topics":18,"view_count":38,"oss_zip_url":18,"oss_zip_packed_at":18,"status":39,"created_at":40,"updated_at":41,"faqs":42,"releases":48},1024,"google-deepmind\u002Fsurface-distance","surface-distance","Library to compute surface distance based performance metrics for segmentation tasks.","surface-distance 是一个由 DeepMind 开发的开源库，专门用于计算图像分割任务中的表面距离性能指标。当你需要评估算法分割出的区域边界有多\"准确\"时，它能提供比传统方法更精细的测量。\n\n传统分割评估往往只关注像素重叠率，但忽略了边界的几何精度。surface-distance 通过计算两个分割表面之间的最近距离，从边界贴合度的角度量化分割质量，特别适合医学影像等对边缘精度要求极高的场景。\n\n它提供了五种互补的指标：平均表面距离、Hausdorff 距离、表面重叠率、表面 Dice 系数以及传统的体积 Dice 系数。独特之处在于，它用带有面积权重的表面元素来表示三维结构，使测量结果更加稳定可靠。\n\n这个库主要面向从事图像分割研究的科研人员和算法开发者，帮助他们更全面、客观地评估和比较不同分割模型的性能。安装简单，通过 pip 即可快速集成到现有工作流程中。","# Surface distance metrics\n\n## Summary\nWhen comparing multiple image segmentations, performance metrics that assess how closely the surfaces align can be a useful difference measure. This group of surface distance based measures computes the closest distances from all surface points on one segmentation to the points on another surface, and returns performance metrics between the two. This distance can be used alongside other metrics to compare segmented regions against a ground truth.\n\nSurfaces are represented using surface elements with corresponding area, allowing for more consistent approximation of surface measures.\n\n## Metrics included\nThis library computes the following performance metrics for segmentation:\n\n- Average surface distance (see `compute_average_surface_distance`)\n- Hausdorff distance (see `compute_robust_hausdorff`)\n- Surface overlap (see `compute_surface_overlap_at_tolerance`)\n- Surface dice (see `compute_surface_dice_at_tolerance`)\n- Volumetric dice (see `compute_dice_coefficient`)\n\n## Installation\nFirst clone the repo, then install the dependencies and `surface-distance`\npackage via pip:\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsurface-distance.git\n$ pip install surface-distance\u002F\n```\n\n## Usage\nFor simple usage examples, see `surface_distance_test.py`.\n","# 表面距离度量指标\n\n## 概述\n在比较多个图像分割结果时，评估表面贴合程度的性能指标可以作为一种有效的差异度量方法。这组基于表面距离的度量方法计算一个分割结果上所有表面点到另一个表面上各点的最短距离，并返回两者之间的性能指标。该距离可以与其他指标结合使用，将分割区域与金标准（ground truth）进行比较。\n\n表面通过具有对应面积的表面元素（surface elements）来表示，从而实现更一致的表面度量近似。\n\n## 包含的指标\n本库为分割任务计算以下性能指标：\n\n- Average surface distance（平均表面距离，参见 `compute_average_surface_distance`）\n- Hausdorff distance（豪斯多夫距离，参见 `compute_robust_hausdorff`）\n- Surface overlap（表面重叠率，参见 `compute_surface_overlap_at_tolerance`）\n- Surface dice（表面Dice系数，参见 `compute_surface_dice_at_tolerance`）\n- Volumetric dice（体积Dice系数，参见 `compute_dice_coefficient`）\n\n## 安装\n首先克隆仓库，然后通过 pip 安装依赖和 `surface-distance` 包：\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsurface-distance.git\n$ pip install surface-distance\u002F\n```\n\n## 使用\n有关简单的使用示例，请参见 `surface_distance_test.py`。","# surface-distance 快速上手指南\n\n## 环境准备\n\n- **Python**：3.6 或更高版本\n- **系统要求**：Linux、macOS 或 Windows\n- **前置工具**：Git、pip\n\n## 安装步骤\n\n通过 pip 直接从 GitHub 安装：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsurface-distance.git\npip install surface-distance\u002F\n```\n\n如需国内加速，可使用 GitHub 镜像源：\n\n```shell\ngit clone https:\u002F\u002Fhub.fastgit.org\u002Fdeepmind\u002Fsurface-distance.git\npip install surface-distance\u002F\n```\n\n## 基本使用\n\n以下是一个计算两个分割掩码之间表面距离的简单示例：\n\n```python\nimport numpy as np\nfrom surface_distance import metrics\n\n# 创建示例数据：ground truth 和预测分割掩码\ngt_mask = np.zeros((100, 100, 100), dtype=bool)\ngt_mask[30:70, 30:70, 30:70] = True\n\npred_mask = np.zeros((100, 100, 100), dtype=bool)\npred_mask[35:75, 35:75, 35:75] = True\n\n# 计算表面距离指标\nsurface_distances = metrics.compute_surface_distances(\n    gt_mask, pred_mask, spacing_mm=[1.0, 1.0, 1.0]\n)\n\n# 计算各项评估指标\navg_distance = metrics.compute_average_surface_distance(surface_distances)\nhausdorff_95 = metrics.compute_robust_hausdorff(surface_distances, 95)\nsurface_dice_1mm = metrics.compute_surface_dice_at_tolerance(surface_distances, 1)\ndice_coeff = metrics.compute_dice_coefficient(gt_mask, pred_mask)\n\nprint(f\"平均表面距离: {avg_distance}\")\nprint(f\"95% Hausdorff距离: {hausdorff_95}\")\nprint(f\"1mm容差下的表面Dice系数: {surface_dice_1mm}\")\nprint(f\"体积Dice系数: {dice_coeff}\")\n```\n\n更多使用示例请参考项目中的 `surface_distance_test.py` 文件。","某医疗AI公司算法工程师小李负责开发肝脏肿瘤CT影像分割模型，需要向临床医生证明算法边界预测精度满足手术导航要求（误差\u003C2mm）。\n\n### 没有 surface-distance 时\n- 只能依赖体积Dice系数（0.92）评估，无法发现肿瘤边界在关键血管区域存在3mm偏移，临床试用时医生反馈\"看起来不准但说不清原因\"\n- 手动实现Hausdorff距离计算，因CT层厚0.7mm与体素间距混淆，代码在毫米-体素转换时反复出错，调试占用3天工期\n- 与合作医院沟通时，胸外科要求\"5mm内可接受\"，肝胆外科要求\"2mm内\"，团队只能粗糙估算，无法出具标准化精度报告\n- 投稿MICCAI时，审稿人要求补充表面距离指标，团队临时拼凑代码，因计算方式与主流文献不一致被拒稿\n\n### 使用 surface-distance 后\n- 调用 `compute_surface_dice_at_tolerance(tolerance_mm=2)` 直接得到表面Dice=0.85，精准定位5个边界偏差>2mm的病例，针对性优化后关键区域误差降至1.3mm\n- 一行代码 `compute_average_surface_distance()` 自动处理体素间距，计算结果与ITK-SNAP软件验证一致，评估脚本开发时间从3天缩短至2小时\n- 通过调整 tolerance_mm 参数，10分钟生成两份评估报告：2mm标准下达标率87%，5mm标准下达标率96%，满足不同科室需求\n- 论文中直接引用DeepMind官方库，评审专家认可指标权威性，一次性通过审稿，节省返工时间近两周\n\nsurface-distance将医学影像分割评估从模糊的\" Dice系数不错\"提升到可量化的\"2mm精度内可信\"，让算法迭代有明确方向，临床合作更有说服力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-deepmind_surface-distance_7b6e3bad.png","google-deepmind","Google DeepMind","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-deepmind_06b1dd17.png","",null,"https:\u002F\u002Fwww.deepmind.com\u002F","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,594,117,"2026-03-29T09:13:31","Apache-2.0",1,"未说明",{"notes":33,"python":31,"dependencies":34},"该工具由 DeepMind 开发，用于计算医学图像分割的表面距离评估指标（包括平均表面距离、Hausdorff 距离、表面 Dice 等）。安装需从 GitHub 克隆源码，具体依赖未在 README 中明确列出，建议查看项目中的 setup.py 或 requirements.txt 文件获取完整依赖信息。使用示例可参考 surface_distance_test.py 文件。",[],[36,37],"图像","其他",3,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:17:45.739857",[43],{"id":44,"question_zh":45,"answer_zh":46,"source_url":47},4560,"在项目中使用这些脚本需要签署任何文件或获得授权吗？","不需要签署任何文件。该项目采用 Apache License 2.0 开源协议发布，你可以自由地在课程项目或其他任何项目中使用这些代码。许可证详情可查看：https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsurface-distance\u002Fblob\u002Fmaster\u002FLICENSE。关于该许可证的通俗概述可参考：https:\u002F\u002Ftldrlegal.com\u002Flicense\u002Fapache-license-2.0-(apache-2.0)","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fsurface-distance\u002Fissues\u002F13",[],[50,60,69,82,90,98],{"id":51,"name":52,"github_repo":53,"description_zh":54,"stars":55,"difficulty_score":38,"last_commit_at":56,"category_tags":57,"status":39},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",[58,36,59],"开发框架","Agent",{"id":61,"name":62,"github_repo":63,"description_zh":64,"stars":65,"difficulty_score":66,"last_commit_at":67,"category_tags":68,"status":39},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。",107662,2,"2026-04-03T11:11:01",[58,36,59],{"id":70,"name":71,"github_repo":72,"description_zh":73,"stars":74,"difficulty_score":66,"last_commit_at":75,"category_tags":76,"status":39},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",[36,77,78,79,59,37,80,58,81],"数据工具","视频","插件","语言模型","音频",{"id":83,"name":84,"github_repo":85,"description_zh":86,"stars":87,"difficulty_score":38,"last_commit_at":88,"category_tags":89,"status":39},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",[59,36,58,80,37],{"id":91,"name":92,"github_repo":93,"description_zh":94,"stars":95,"difficulty_score":38,"last_commit_at":96,"category_tags":97,"status":39},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[80,36,58,37],{"id":99,"name":100,"github_repo":101,"description_zh":102,"stars":103,"difficulty_score":66,"last_commit_at":104,"category_tags":105,"status":39},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[58,36]]