[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hizhangp--yolo_tensorflow":3,"tool-hizhangp--yolo_tensorflow":64},[4,17,27,35,44,52],{"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",140436,2,"2026-04-05T23:32:43",[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":10,"last_commit_at":41,"category_tags":42,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"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",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":142},4215,"hizhangp\u002Fyolo_tensorflow","yolo_tensorflow","Tensorflow implementation of YOLO, including training and test phase.","yolo_tensorflow 是经典目标检测算法 YOLO 的 TensorFlow 版本实现，完整覆盖了从模型训练到实际测试的全流程。它主要解决了开发者在复现前沿论文算法时面临的框架适配难题，让用户无需从零编写底层代码，即可在熟悉的 TensorFlow 环境中快速构建、训练并部署能够实时识别图像中多个物体的智能模型。\n\n这款工具特别适合计算机视觉领域的研究人员、AI 工程师以及希望深入理解目标检测原理的开发者使用。对于想要动手实践深度学习项目的高校学生或技术爱好者，它也是一份极佳的入门资料。其核心亮点在于高度还原了原始论文的算法逻辑，同时提供了清晰的目录结构和脚本指引：用户只需简单克隆仓库、下载 Pascal VOC 数据集及预训练权重，修改少量配置文件，即可通过运行简单的 Python 脚本启动训练或进行图片测试。配合 OpenCV 的支持，yolo_tensorflow 降低了高性能视觉算法的应用门槛，帮助用户高效验证想法或将技术集成到自己的项目中。","## YOLO_tensorflow\n\nTensorflow implementation of [YOLO](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1506.02640.pdf), including training and test phase.\n\n### Installation\n\n1. Clone yolo_tensorflow repository\n\t```Shell\n\t$ git clone https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow.git\n    $ cd yolo_tensorflow\n\t```\n\n2. Download Pascal VOC dataset, and create correct directories\n\t```Shell\n\t$ .\u002Fdownload_data.sh\n\t```\n\n3. Download [YOLO_small](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B5aC8pI-akZUNVFZMmhmcVRpbTA\u002Fview?usp=sharing)\nweight file and put it in `data\u002Fweight`\n\n4. Modify configuration in `yolo\u002Fconfig.py`\n\n5. Training\n\t```Shell\n\t$ python train.py\n\t```\n\n6. Test\n\t```Shell\n\t$ python test.py\n\t```\n\n### Requirements\n1. Tensorflow\n\n2. OpenCV\n","## YOLO_tensorflow\n\nYOLO（论文链接：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1506.02640.pdf）的 TensorFlow 实现，包含训练和测试阶段。\n\n### 安装\n\n1. 克隆 yolo_tensorflow 仓库\n\t```Shell\n\t$ git clone https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow.git\n    $ cd yolo_tensorflow\n\t```\n\n2. 下载 Pascal VOC 数据集，并创建正确的目录结构\n\t```Shell\n\t$ .\u002Fdownload_data.sh\n\t```\n\n3. 下载 [YOLO_small](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B5aC8pI-akZUNVFZMmhmcVRpbTA\u002Fview?usp=sharing) 权重文件，并将其放置在 `data\u002Fweight` 目录下。\n\n4. 修改 `yolo\u002Fconfig.py` 中的配置。\n\n5. 训练\n\t```Shell\n\t$ python train.py\n\t```\n\n6. 测试\n\t```Shell\n\t$ python test.py\n\t```\n\n### 需求\n1. Tensorflow\n\n2. OpenCV","# YOLO_tensorflow 快速上手指南\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 需配置相应兼容环境）\n*   **核心依赖**：\n    *   Python (推荐 2.7 或 3.x，视具体 TensorFlow 版本而定)\n    *   [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)\n    *   [OpenCV](https:\u002F\u002Fopencv.org\u002F)\n*   **国内加速建议**：\n    *   安装 Python 依赖时，推荐使用清华或阿里镜像源：\n        ```bash\n        pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow opencv-python\n        ```\n    *   若 `git clone` 速度较慢，可使用 Gitee 镜像（如有）或配置 Git 代理。\n\n## 安装步骤\n\n请按顺序执行以下命令完成项目部署：\n\n1.  **克隆代码仓库**\n    ```Shell\n    $ git clone https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow.git\n    $ cd yolo_tensorflow\n    ```\n\n2.  **下载数据集**\n    运行脚本自动下载 Pascal VOC 数据集并创建必要的目录结构：\n    ```Shell\n    $ .\u002Fdownload_data.sh\n    ```\n    > **注意**：若脚本下载失败（通常因 Google Drive 限制），请手动下载 Pascal VOC 数据集并按项目要求的目录结构存放。\n\n3.  **获取预训练权重**\n    下载 [YOLO_small](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B5aC8pI-akZUNVFZMmhmcVRpbTA\u002Fview?usp=sharing) 权重文件，并将其放入 `data\u002Fweight` 目录下。\n    > **提示**：国内用户若无法访问 Google Drive，可在国内 AI 社区（如飞桨社区、ModelScope 等）搜索\"YOLO_small weights\"寻找替代下载源。\n\n4.  **修改配置文件**\n    根据本地环境路径，编辑 `yolo\u002Fconfig.py` 文件中的相关配置项（如数据路径、学习率等）。\n\n## 基本使用\n\n完成安装后，即可进行模型的训练与测试：\n\n*   **开始训练**\n    使用默认配置启动训练流程：\n    ```Shell\n    $ python train.py\n    ```\n\n*   **运行测试**\n    加载权重进行推理测试：\n    ```Shell\n    $ python test.py\n    ```","某智慧交通初创团队正致力于开发一套实时路口违章检测系统，需要在有限的算力设备上快速验证车辆与行人的识别算法。\n\n### 没有 yolo_tensorflow 时\n- 团队需从零复现 YOLO 论文中的复杂网络结构，极易因细节偏差导致模型无法收敛，研发周期长达数周。\n- 缺乏现成的训练与测试一体化流程，数据预处理、权重加载及推理逻辑需手动编写大量样板代码，出错率高。\n- 难以直接复用成熟的预训练权重（如 YOLO_small），必须耗费昂贵的时间和算力从头训练，初期效果极差。\n- 配置管理混乱，修改学习率或输入分辨率等超参数时，需在多个脚本中硬编码调整，维护成本极高。\n\n### 使用 yolo_tensorflow 后\n- 直接调用已封装好的 TensorFlow 版 YOLO 架构，几分钟内即可搭建起可运行的基线模型，将验证周期缩短至几天。\n- 依托内置的训练（train.py）和测试（test.py）脚本，一键完成从 Pascal VOC 数据加载到结果可视化的全流程。\n- 轻松加载官方提供的 YOLO_small 预训练权重文件，在少量样本下也能迅速获得高精度的初始检测结果。\n- 仅需修改 `yolo\u002Fconfig.py` 中的配置文件即可灵活调整超参数，实现了代码逻辑与实验配置的清晰解耦。\n\nyolo_tensorflow 通过提供标准化的实现流程和预训练支持，让团队能将精力聚焦于业务场景优化而非底层算法复现，显著提升了原型落地效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhizhangp_yolo_tensorflow_40e05332.png","hizhangp","Peng Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhizhangp_b278c8b8.jpg",null,"hizhangp@gmail.com","https:\u002F\u002Fgithub.com\u002Fhizhangp",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",99.1,{"name":87,"color":88,"percentage":89},"Shell","#89e051",0.9,806,437,"2026-02-17T06:37:13","MIT","未说明",{"notes":96,"python":94,"dependencies":97},"需手动下载 Pascal VOC 数据集及 YOLO_small 权重文件（约几十 MB），并放置于指定目录。使用前需修改 yolo\u002Fconfig.py 中的配置文件。脚本通过 shell 脚本 (download_data.sh) 获取数据，建议在 Linux 或 macOS 环境下运行该脚本，Windows 用户可能需要手动执行下载步骤。",[98,99],"tensorflow","opencv",[14,13],[102,98,103],"yolo","detection","2026-03-27T02:49:30.150509","2026-04-06T14:04:01.046874",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},19211,"训练后模型无法检测到任何物体（结果为空）怎么办？","这通常是因为损失值（loss）过高或配置不当导致的。解决方案：1. 检查损失值，如果 loss 约为 6-7 或更高，说明训练未收敛；2. 尝试在 `yolo\u002Fconfig` 文件中取消注释 WEIGHTS 选项，使用预训练权重重新训练；3. 确保数据集图像不为空且标注正确。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F62",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},19212,"如何从头开始训练 YOLO 网络而不使用预训练权重？","若要不用预训练权重从头训练，需进行以下修改：1. 在 `yolo\u002Fconfig` 中将 `WEIGHTS_FILE` 设置为 `None`；2. 注释掉 `train.py` 中加载权重的相关参数行（如 `parser.add_argument('--weights'...)` 和 `cfg.WEIGHTS_FILE` 赋值行）。注意：如果不使用预训练权重，可能需要更长的训练时间且容易遇到收敛困难。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F29",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},19213,"训练新类别的物体时需要注意什么？","训练新类别时，请首先检查数据集中的图像文件，确保没有空图像或损坏的文件。维护者指出部分用户遇到检测失败是因为“某些图像是空的”。此外，若修改了网络结构（如增加层数），应避免从预训练模型加载不匹配的权重层。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F28",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},19214,"运行 train.py 时出现 'ValueError: Unknown format code 'f' for object of type 'str'' 错误如何解决？","该错误是由于 `train_timer.remain()` 返回的是字符串而非数字，导致格式化失败。解决方法是修改 `train.py` 中的日志格式化代码，将报错行替换为以下代码：\nlog_str = '{} Epoch: {}, Step: {}, Learning rate: {}, Loss: {:5.3f}\\nSpeed: {:.3f}s\u002Fiter,Load: {:.3f}s\u002Fiter, Remain: {}'.format(\n    datetime.datetime.now().strftime('%m-%d %H:%M:%S'),\n    self.data.epoch,\n    int(step),\n    round(self.learning_rate.eval(session=self.sess), 6),\n    loss,\n    train_timer.average_time,\n    load_timer.average_time,\n    train_timer.remain(step, self.max_iter))","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F46",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},19215,"如何使用多 GPU 进行训练？","在配置文件（config file）中设置 GPU 参数即可。若要使用特定 GPU，设置 `GPU = '0,1'`；若要使用所有可用 GPU，设置 `GPU = 'all'`。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F21",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},19216,"修改网络结构（如添加卷积层）后，自己训练的权重文件无效怎么办？","如果你添加了额外的层（例如修改了 `slim.conv2d`），预训练模型的权重结构将与新网络不匹配。此时必须设置 `WEIGHTS_FILE = None` 从头训练，或者在加载权重时跳过那些新添加的层，避免加载预训练权重到新结构中导致错误。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F24",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},19217,"训练过程中损失值（loss）一直不变是什么原因？","损失值不变化通常意味着模型未正确学习。可能原因包括：1. 未正确使用预训练权重导致难以收敛；2. 学习率设置不当；3. 数据输入有问题（如全黑图像或标注错误）。建议检查是否加载了合适的初始权重，并确认数据预处理流程是否正确。","https:\u002F\u002Fgithub.com\u002Fhizhangp\u002Fyolo_tensorflow\u002Fissues\u002F8",[]]