[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-guoqiangqi--PFLD":3,"tool-guoqiangqi--PFLD":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",143909,2,"2026-04-07T11:33:18",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":144},5064,"guoqiangqi\u002FPFLD","PFLD","Implementation of PFLD A Practical Facial Landmark Detector  , reference to  https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.10859.pdf","PFLD 是一款基于 TensorFlow 实现的高效人脸关键点检测开源项目，复现了论文《A Practical Facial Landmark Detector》中的核心算法。它主要解决在复杂真实场景下（如大角度姿态变化、遮挡或表情丰富时）难以精准定位人脸特征点的难题，能够稳定识别出包括眉眼、鼻唇在内的 98 个面部关键坐标。\n\n该项目特别适合计算机视觉领域的开发者与研究人员使用，尤其是那些需要在移动端或嵌入式设备上部署实时人脸分析功能的团队。PFLD 的最大技术亮点在于其轻量级的网络结构设计，在保持极高检测精度的同时，大幅降低了计算资源消耗，实现了速度与性能的优异平衡。此外，项目基于广泛的 WFLW 数据集进行了训练与验证，并提供了完整的数据预处理、模型训练及测试脚本，支持通过 TensorBoard 直观监控训练过程。尽管早期版本存在部分计算效率问题，但社区已修复了相关内存泄漏缺陷并优化了欧拉角损失计算流程，使其更加稳定易用。无论是用于构建人脸美颜、表情分析还是三维重建应用，PFLD 都是一个值得参考的坚实基线方案。","# PFLD implementation with tensorflow\nIt is an open surce program reference to https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.10859.pdf , if you find any bugs or anything incorrect,you can notice it in the issues and pull request,be glad to receive you advices.     \nAnd thanks @lucknote for helping fixing existing bugs.\n\n## Datasets\n\n**WFLW Dataset**\n\n​    [Wider Facial Landmarks in-the-wild (WFLW)](https:\u002F\u002Fwywu.github.io\u002Fprojects\u002FLAB\u002FWFLW.html) contains 10000 faces (7500 for training and 2500 for testing)  with 98 fully manual annotated landmarks.\n\n1. Training and Testing images [[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1hzBd48JIdWTJSsATBEB_eFVvPL1bx6UC\u002Fview?usp=sharing)] [[Baidu Drive](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1paoOpusuyafHY154lqXYrA)]\n2. WFLW  [Face Annotations](https:\u002F\u002Fwywu.github.io\u002Fprojects\u002FLAB\u002Fsupport\u002FWFLW_annotations.tar.gz)\n\n## Training & Testing\n\ntraining :\n~~~shell\n$ python data\u002FSetPreparation.py\n$ train.sh\n~~~\n\nuse tensorboard, open a new terminal\n~~~\n$ tensorboard  --logdir=.\u002Fcheckpoint\u002Ftensorboard\u002F\n~~~\n\ntesting:\n~~~shell\n$ python test.py\n~~~\n  \n## Results:  \nSample images:  \n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_8c3aaa962c6a.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_858744e41551.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_eefc5ee6583f.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_c0060122a0cd.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_d8fbb86ef4d1.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_21012b4a88b2.jpg)\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_5d5e9f2cce40.jpg)\n        \n Sample gif:  \n\n ![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_13883eb0c9fe.gif)\n \n\n## Bug fix\n  1. The code for cauculating euler angles prediction loss have been added.  \n  2. Fixed the memory leak bug:  \n  The code has a flaw that i calculate euler angles ground-truth while training process,so the training speed have slowed down because  some work have to be finished on the cpu ,you should calculate the euler angles in the preprocess code    \n\n## CONTACT US:\n\nIf you have any questiones ,please contact us! Also join our QQ group(945933636) for more information.\n\nThe document generated with DeepWiki was hosted on https:\u002F\u002Fdeepwiki.com\u002Fguoqiangqi\u002FPFLD \n","# 使用 TensorFlow 实现 PFLD\n这是一个基于 https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.10859.pdf 的开源程序参考实现。如果您发现任何 bug 或不正确之处，欢迎在 Issues 和 Pull Request 中提出，我们非常乐意接受您的建议。\n同时感谢 @lucknote 帮助修复现有 bug。\n\n## 数据集\n\n**WFLW 数据集**\n\n​    [Wider 野外人脸关键点数据集 (WFLW)](https:\u002F\u002Fwywu.github.io\u002Fprojects\u002FLAB\u002FWFLW.html) 包含 10000 张人脸图像（7500 张用于训练，2500 张用于测试），每张图像都配有 98 个完全手动标注的关键点。\n\n1. 训练和测试图像 [[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1hzBd48JIdWTJSsATBEB_eFVvPL1bx6UC\u002Fview?usp=sharing)] [[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1paoOpusuyafHY154lqXYrA)]\n2. WFLW  [人脸标注文件](https:\u002F\u002Fwywu.github.io\u002Fprojects\u002FLAB\u002Fsupport\u002FWFLW_annotations.tar.gz)\n\n## 训练与测试\n\n训练：\n~~~shell\n$ python data\u002FSetPreparation.py\n$ train.sh\n~~~\n\n使用 TensorBoard 时，请打开一个新的终端：\n~~~\n$ tensorboard  --logdir=.\u002Fcheckpoint\u002Ftensorboard\u002F\n~~~\n\n测试：\n~~~shell\n$ python test.py\n~~~\n\n## 结果：\n示例图片：\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_8c3aaa962c6a.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_858744e41551.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_eefc5ee6583f.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_c0060122a0cd.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_d8fbb86ef4d1.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_21012b4a88b2.jpg)\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_5d5e9f2cce40.jpg)\n\n示例 GIF：\n\n![Image text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_readme_13883eb0c9fe.gif)\n\n## Bug 修复\n1. 已添加计算欧拉角预测损失的代码。\n2. 修复了内存泄漏问题：\n   代码中存在一个缺陷，在训练过程中会计算欧拉角的真值，这导致部分计算需要在 CPU 上完成，从而降低了训练速度。正确的做法是在预处理阶段就计算好欧拉角。\n\n## 联系我们：\n\n如果您有任何问题，请随时联系我们！同时也欢迎加入我们的 QQ 群（945933636）获取更多信息。\n\n该文档由 DeepWiki 生成，并托管于 https:\u002F\u002Fdeepwiki.com\u002Fguoqiangqi\u002FPFLD 。","# PFLD 快速上手指南\n\nPFLD (Practical Facial Landmark Detector) 是一个基于 TensorFlow 实现的高效人脸关键点检测开源项目，参考自论文《Practical Facial Landmark Detector》。本项目支持在野外环境下对人脸进行 98 个关键点的精准定位。\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 或 macOS（Windows 需配置相应 TensorFlow 环境）\n*   **编程语言**：Python 3.x\n*   **核心框架**：TensorFlow (建议版本 1.x，具体视原代码依赖而定)\n*   **其他依赖**：\n    *   `tensorboard` (用于可视化训练过程)\n    *   `opencv-python` (通常用于图像处理，虽 README 未明示但为常规依赖)\n    *   `numpy`, `scipy` 等科学计算库\n\n建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD.git\ncd PFLD\n```\n\n### 2. 安装 Python 依赖\n请根据项目根目录下的 `requirements.txt`（如有）安装依赖，或手动安装核心库：\n```bash\npip install tensorflow tensorboard numpy scipy opencv-python\n```\n> **提示**：国内用户推荐使用清华源或阿里源加速安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow tensorboard ...`\n\n### 3. 数据集准备\n本项目主要使用 **WFLW (Wider Facial Landmarks in-the-wild)** 数据集。\n\n1.  **下载图像数据**（推荐百度网盘加速）：\n    *   [百度网盘下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1paoOpusuyafHY154lqXYrA)\n    *   或 [Google Drive 下载链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1hzBd48JIdWTJSsATBEB_eFVvPL1bx6UC\u002Fview?usp=sharing)\n2.  **下载标注文件**：\n    *   [WFLW Face Annotations](https:\u002F\u002Fwywu.github.io\u002Fprojects\u002FLAB\u002Fsupport\u002FWFLW_annotations.tar.gz)\n\n将下载的数据解压，并按照 `data\u002FSetPreparation.py` 脚本预期的目录结构放置（通常需放入 `data\u002F` 目录下）。\n\n## 基本使用\n\n### 1. 数据预处理\n在训练前，必须先运行预处理脚本来准备数据格式。\n```shell\npython data\u002FSetPreparation.py\n```\n\n### 2. 模型训练\n执行训练脚本开始训练过程。\n```shell\n.\u002Ftrain.sh\n```\n*注：如果 `train.sh` 没有执行权限，请先运行 `chmod +x train.sh`。*\n\n**监控训练进度**：\n打开一个新的终端窗口，启动 TensorBoard 查看损失曲线和训练状态：\n```shell\ntensorboard --logdir=.\u002Fcheckpoint\u002Ftensorboard\u002F\n```\n然后在浏览器中访问显示的地址（通常为 `http:\u002F\u002Flocalhost:6006`）。\n\n> **性能优化提示**：\n> 原文指出，如果在训练过程中实时计算欧拉角真值（ground-truth）会导致 CPU 负载过高从而降低训练速度。建议在预处理阶段（即修改 `SetPreparation.py` 或相关数据处理代码时）预先计算好欧拉角并保存，以提升训练效率。\n\n### 3. 模型测试\n训练完成后，使用测试脚本评估模型效果或在图片上进行推理：\n```shell\npython test.py\n```\n\n测试完成后，可在项目目录或指定输出文件夹中查看带有 landmarks 标记的样本图片及 GIF 演示结果。","某智能会议系统开发团队正在构建一款能实时分析参会者专注度与情绪状态的虚拟助手，需要精准捕捉人脸关键特征点以驱动后续算法。\n\n### 没有 PFLD 时\n- **极端姿态下失效**：当参会者侧身交谈或低头看文件时，传统检测器因无法处理大角度姿态变化，导致面部关键点丢失，情绪分析中断。\n- **遮挡场景误判**：面对手部托腮、佩戴口罩或被麦克风遮挡的情况，模型难以推断被遮挡部位坐标，造成面部网格扭曲变形。\n- **推理延迟过高**：原有复杂模型在普通办公电脑上推理耗时超过 200 毫秒，无法满足视频会议所需的实时流畅交互体验。\n- **光照适应力差**：在背光或会议室灯光不均的环境下，特征点定位抖动剧烈，导致视线追踪功能频繁跳帧。\n\n### 使用 PFLD 后\n- **全姿态稳定追踪**：PFLD 凭借其对欧拉角损失的优化设计，即使参会者大幅度转头或俯仰，仍能精准锁定 98 个面部 landmarks，确保数据连续。\n- **强抗遮挡能力**：基于辅助网络架构，PFLD 能有效推测被手或物体遮挡的关键点位置，维持面部拓扑结构的完整性与分析准确性。\n- **轻量级实时运行**：得益于极简的网络结构设计，PFLD 在 CPU 环境下即可实现毫秒级推理，让虚拟助手的反馈零延迟，体验丝滑流畅。\n- **鲁棒的环境适应性**：在复杂光照条件下，PFLD 依然保持极高的定位精度，消除了因光线变化导致的追踪抖动问题。\n\nPFLD 通过兼顾高精度与轻量化，成功解决了真实复杂场景下面部关键点检测的实时性与稳定性难题，让智能会议系统真正具备了“看懂”人类微表情的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fguoqiangqi_PFLD_0a9d82d5.png","guoqiangqi","Guoqiang QI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fguoqiangqi_94fd5286.jpg","Opensource enthusiast ✨.               \r\n @Numba  and  @eigenteam contributor. Gitlab: gitlab.com\u002Fguoqiangqi1","Huawei 2012 Lab","ShenZhen China","guoqiang.qi1@gmail.com",null,"GuoqiangQI.com","https:\u002F\u002Fgithub.com\u002Fguoqiangqi",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.3,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.7,641,164,"2026-04-07T01:40:45","未说明","未说明 (基于 TensorFlow 实现，通常建议使用 NVIDIA GPU 加速，但 README 未指定具体型号或显存要求)",{"notes":97,"python":94,"dependencies":98},"该项目是基于 TensorFlow 实现的 PFLD（Practical Facial Landmark Detector）。README 中未明确列出具体的版本依赖、操作系统限制或硬件最低配置。训练前需自行下载 WFLW 数据集并运行数据预处理脚本 (data\u002FSetPreparation.py)。已知代码存在计算欧拉角真值时的 CPU 瓶颈问题，建议在预处理阶段完成该计算以提升训练速度。",[99,100],"tensorflow","tensorboard",[14],[103,104,105,106],"euler-angles","deep-learning","landmark-localization","pfld-tensorflow","2026-03-27T02:49:30.150509","2026-04-07T22:58:26.933840",[110,115,120,124,129,134,139],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},23033,"interocular_distance（瞳距）是计算哪两个关键点之间的距离？","在 WFLW 的 98 个点标注体系中，interocular_distance 通常是指左眼瞳孔中心（第 60 个点）和右眼瞳孔中心（第 72 个点）之间的欧氏距离。该指标常用于归一化面部关键点误差。","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F8",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},23027,"为什么在 CPU 上推理速度慢（约 30ms\u002F张），远低于论文宣称的 150fps？","PFLD 模型主要针对 GPU 优化，CPU 推理速度较慢是正常现象。用户反馈在 i7-7700 CPU 上耗时约 30ms，而在 Tesla P100 GPU 上训练和推理效率显著提升。若要达到实时性能（150fps），建议使用 GPU 进行部署，或将模型转换为针对移动端优化的格式（如 NCNN、TFLite）并在专用硬件上运行。","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F7",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},23028,"训练过程中 Mean Error 始终停留在 1.02 左右不下降，是否正常？","如果在 CPU 上训练，Mean Error 难以快速下降属于常见现象。对比测试显示，在 GPU（如 Tesla P100）上训练时，Mean Error 能够快速下降到 1.0 以下。建议切换至 GPU 环境进行模型训练以获得正常的收敛效果。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},23029,"计算欧拉角（Euler Angles）时误差非常大，原因是什么？","代码中存在逻辑错误：计算欧拉角时使用了归一化后的 landmark 坐标，而实际需要使用当前图片尺寸的真实像素坐标。修复方法是将归一化坐标还原，修改代码如下：\neuler_angles_landmark.append([lanmark[index][0]*img.shape[0], lanmark[index][1]*img.shape[1]])","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F42",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},23030,"model.py 第 376 行 conv8 的卷积输出形状不对，应如何修改？","这是一个代码实现与论文不符的问题。第 376 行的 `slim.convolution2d` 中 padding 参数错误地设置为了 'SAME'，导致输出形状为 7*7*128 而非预期的 1*1*128。应将其修改为 'VALID'。此外，检查 MobileNet 块中的激活函数设置，第一个 1x1 卷积应使用默认的 RELU6，无需手动设置为 None。","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F29",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},23031,"如何将 TensorFlow 模型转换为 NCNN 或 ONNX 格式？","社区用户尝试转换时遇到过 BatchNorm 相关的类型不匹配错误（float vs float_ref）。虽然官方未提供直接脚本，但成功的路径通常是先将 TensorFlow 模型冻结并转换为 ONNX，再转为 NCNN。遇到 `AssignMovingAvg\u002FSwitch` 错误时，可能需要修改原始 TF 模型结构或使用特定版本的 tf2onnx 工具来处理 BatchNorm 层。","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F27",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},23032,"项目在 300-W 数据集上的准确率为何与论文描述有差距？","论文中报告的优异结果部分得益于在 WFLW 数据集上的预训练。WFLW 包含更多复杂姿态和大角度偏转的人脸图像，数据量更大且场景更复杂。如果仅在 300-W 上从头训练而未利用 WFLW 预训练权重，可能会导致准确率下降。建议使用在 WFLW 上预训练的模型以提升效果。","https:\u002F\u002Fgithub.com\u002Fguoqiangqi\u002FPFLD\u002Fissues\u002F1",[]]