[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-iitzco--faced":3,"tool-iitzco--faced":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",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":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":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":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":23,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":141},419,"iitzco\u002Ffaced","faced","🚀 😏 Near Real Time CPU Face detection using deep learning","faced 是一个基于深度学习的开源人脸检测工具，专为在普通 CPU 上实现近实时检测而设计。它解决了传统方法（如 Haar 级联）在复杂场景下准确率低，而主流深度模型（如 YOLO、SSD）又因参数量大难以在 CPU 上实时运行的问题。faced 采用两级轻量网络结构：第一阶段使用类似 YOLO 的全卷积网络快速定位人脸区域，第二阶段通过一个小型 CNN 对初步结果进行精调，提升边界框精度。整个模型仅针对“人脸检测”这一单一任务优化，因此在保持较高鲁棒性的同时，能在老旧或无 GPU 的设备上达到约 5 FPS 的速度。适合希望在资源受限环境下部署人脸检测功能的开发者或研究人员使用，支持 Python 库调用和命令行操作，安装简单，开箱即用。","# *faced*\n\n🚀 😏 CPU (Near) Real Time face detection\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fcada998b5b6.gif\"\u002F>\n\u003C\u002Fp>\n\n## How to install\n\n```bash\n$ pip install git+https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced.git\n```\n\n> Soon to be available on `PyPI`.\n\n## How to use\n\n### As library\n\n```python\nimport cv2\n\nfrom faced import FaceDetector\nfrom faced.utils import annotate_image\n\nface_detector = FaceDetector()\n\nimg = cv2.imread(img_path)\nrgb_img = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2RGB)\n\n# Receives RGB numpy image (HxWxC) and\n# returns (x_center, y_center, width, height, prob) tuples. \nbboxes = face_detector.predict(rgb_img, thresh)\n\n# Use this utils function to annotate the image.\nann_img = annotate_image(img, bboxes)\n\n# Show the image\ncv2.imshow('image',ann_img)\ncv2.waitKey(0)\ncv2.destroyAllWindows()\n```\n\n### As command-line program\n\n```bash\n# Detection on image saving the output\n$ faced --input imgs\u002Fdemo.png --save\n```\n\nor\n\n```bash\n# Live webcam detection\n$ faced --input webcam\n```\n\nor\n\n```bash\n# Detection on video with low decision threshold\n$ faced --input imgs\u002Fdemo.mp4 --threshold 0.5\n```\n\nSee `faced --help` for more information.\n\n## Examples\n\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_3c2de79ff874.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_03791ee716e5.png\" width=\"400\" \u002F>\n\u003C\u002Fp>\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8300b9b649da.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8627427edcd1.png\" width=\"200\" \u002F>\n\u003C\u002Fp>\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_88237009695a.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_b8110086ee67.png\" width=\"400\" \u002F>\n\u003C\u002Fp>\n\n## Performance\n\nCPU (i5 2015 MBP)          |  GPU (Nvidia TitanXP)\n:-------------------------:|:-------------------------:\n~5 FPS  | > 70 FPS\n\n## Comparison with Haar Cascades\n\nHaar Cascades are one of the most used face detections models. Here's a comparison with OpenCV's implementation showing *faced* robustness.\n\n*faced*             |  Haar Cascade\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fcada998b5b6.gif)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_6d0544d68f9c.gif)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8300b9b649da.png)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_48a30674a823.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_03791ee716e5.png)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_e0f9673ca602.png)\n\n## About *faced*\n\n*faced* is an ensemble of 2 deep neural networks (implemented using **tensorflow**) designed to run at Real Time speed in CPUs.\n\n#### Stage 1:\n\nA custom fully convolutional neural network (FCNN) implementation based on [YOLO](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F). Takes a 288x288 RGB image and outputs a 9x9 grid where each cell can predict bounding boxes and probability of one face.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fb0f6a5c03aa.png\"\u002F>\n\u003C\u002Fp>\n\n\n#### Stage 2:\n\nA custom standard CNN (Convolutions + Fully Connected layers) is used to take a face-containing rectangle and predict the face bounding box. This is a fine-tunning step. (outputs of Stage 1 model is not so accurate by itself, this is a *corrector* step that takes the each bouding box predicted from the previous step to improve bounding box quality.)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_6717ce1bd792.png\"\u002F>\n\u003C\u002Fp>\n\n\n### Why not just perform transfer learning on trained YOLO (or MobileNet+SSD) ?\n\nThose models were designed to support multiclass detection (~80 classes). Because of this, these networks have to be powerfull enough to capture many different low and high level features that allow them to understand the patterns of very different classes. Powerful in this context means large amount of learnable parameters and hence big networks. These big networks cannot achieve real time performance on CPUs. [1]\n\nThis is an overkill for the simple task of just detecting faces. This work is a proof of concept that lighter networks can be designed to perform simpler tasks that do not require relatively large number of features.\n\n[1] Those models cannot perform Real Time on CPU (YOLO at least). Even tiny-yolo version cannot achieve 1 fps on CPU (tested on 2015 MacBook Pro with 2.6 GHz Intel Core i5).\n\n### How was it trained?\n\nTraining was done with [WIDER FACE](http:\u002F\u002Fmmlab.ie.cuhk.edu.hk\u002Fprojects\u002FWIDERFace\u002F) dataset on Nvidia Titan XP GPU.\n\n> If you are interested in the training process and\u002For data preprocessing, just raise an `issue` and we'll discuss it there.\n\n### How to run on GPU?\n\nJust install `tensorflow-gpu` instead of `tensorflow`.\n\n### Status\n\n🚧 Work in progress 🚧\nModels will be improved and uploaded.\n\n**This is not a Production ready system. Use it at your own risk.**\n\n","# *faced*\n\n🚀 😏 CPU（近）实时人脸检测（face detection）\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fcada998b5b6.gif\"\u002F>\n\u003C\u002Fp>\n\n## 如何安装\n\n```bash\n$ pip install git+https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced.git\n```\n\n> 即将上线 `PyPI`。\n\n## 如何使用\n\n### 作为库使用\n\n```python\nimport cv2\n\nfrom faced import FaceDetector\nfrom faced.utils import annotate_image\n\nface_detector = FaceDetector()\n\nimg = cv2.imread(img_path)\nrgb_img = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2RGB)\n\n# 接收 RGB 格式的 NumPy 图像 (HxWxC)，并返回\n# (x_center, y_center, width, height, prob) 元组。\nbboxes = face_detector.predict(rgb_img, thresh)\n\n# 使用此工具函数对图像进行标注。\nann_img = annotate_image(img, bboxes)\n\n# 显示图像\ncv2.imshow('image',ann_img)\ncv2.waitKey(0)\ncv2.destroyAllWindows()\n```\n\n### 作为命令行程序使用\n\n```bash\n# 对图像进行检测并保存输出结果\n$ faced --input imgs\u002Fdemo.png --save\n```\n\n或\n\n```bash\n# 实时摄像头检测\n$ faced --input webcam\n```\n\n或\n\n```bash\n# 对视频进行检测，并使用较低的判定阈值\n$ faced --input imgs\u002Fdemo.mp4 --threshold 0.5\n```\n\n更多信息请查看 `faced --help`。\n\n## 示例\n\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_3c2de79ff874.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_03791ee716e5.png\" width=\"400\" \u002F>\n\u003C\u002Fp>\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8300b9b649da.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8627427edcd1.png\" width=\"200\" \u002F>\n\u003C\u002Fp>\n\u003Cp float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_88237009695a.png\" width=\"400\" \u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_b8110086ee67.png\" width=\"400\" \u002F>\n\u003C\u002Fp>\n\n## 性能表现\n\nCPU（i5 2015 款 MacBook Pro） | GPU（Nvidia TitanXP）\n:-------------------------:|:-------------------------:\n~5 FPS  | > 70 FPS\n\n## 与 Haar Cascades 的对比\n\nHaar Cascades 是最常用的人脸检测模型之一。以下是与 OpenCV 实现的 Haar Cascades 的对比，展示了 *faced* 的鲁棒性（robustness）。\n\n*faced*             |  Haar Cascade\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fcada998b5b6.gif)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_6d0544d68f9c.gif)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_8300b9b649da.png)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_48a30674a823.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_03791ee716e5.png)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_e0f9673ca602.png)\n\n## 关于 *faced*\n\n*faced* 是由两个深度神经网络组成的集成模型（ensemble），使用 **TensorFlow** 实现，专为在 CPU 上实现实时运行而设计。\n\n#### 第一阶段：\n\n基于 [YOLO](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002Fyolo\u002F) 的自定义全卷积神经网络（FCNN, Fully Convolutional Neural Network）。接收一张 288x288 的 RGB 图像，并输出一个 9x9 的网格，每个网格单元可预测边界框（bounding box）及其中包含人脸的概率。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_fb0f6a5c03aa.png\"\u002F>\n\u003C\u002Fp>\n\n\n#### 第二阶段：\n\n使用一个自定义的标准 CNN（包含卷积层 + 全连接层），对第一阶段输出的含人脸矩形区域进行处理，进一步预测更精确的人脸边界框。这是一个微调（fine-tuning）步骤。（第一阶段模型的输出本身不够精确，此步骤作为一个“校正器”（corrector），对前一阶段预测的每个边界框进行优化，以提升边界框质量。）\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_readme_6717ce1bd792.png\"\u002F>\n\u003C\u002Fp>\n\n\n### 为什么不直接在已训练好的 YOLO（或 MobileNet+SSD）上做迁移学习（transfer learning）？\n\n这些模型最初是为多类别检测（约 80 个类别）而设计的。因此，网络必须足够强大，才能捕捉大量不同层次的特征（低层和高层），以识别差异极大的各类物体。这里的“强大”意味着拥有大量可学习参数，从而导致网络体积庞大。这类大型网络无法在 CPU 上实现实时性能。[1]\n\n但对于仅需检测人脸这一简单任务而言，这种设计显然过度了。本项目旨在证明：针对较简单的任务（不需要提取大量特征），可以设计出更轻量级的网络。\n\n[1] 这些模型（至少 YOLO）无法在 CPU 上实现实时运行。即使是 tiny-yolo 版本，在 CPU 上也无法达到 1 FPS（已在配备 2.6 GHz Intel Core i5 的 2015 款 MacBook Pro 上测试验证）。\n\n### 如何训练的？\n\n训练使用了 [WIDER FACE](http:\u002F\u002Fmmlab.ie.cuhk.edu.hk\u002Fprojects\u002FWIDERFace\u002F) 数据集，并在 Nvidia Titan XP GPU 上完成。\n\n> 如果你对训练过程和\u002F或数据预处理感兴趣，请直接提交一个 `issue`，我们将在那里讨论。\n\n### 如何在 GPU 上运行？\n\n只需安装 `tensorflow-gpu` 而非 `tensorflow` 即可。\n\n### 当前状态\n\n🚧 开发中 🚧  \n模型将持续改进并上传。\n\n**本项目尚未达到生产就绪（Production ready）状态。使用风险自负。**","# faced 快速上手指南\n\n## 环境准备\n\n- **操作系统**：支持 Linux、macOS 和 Windows\n- **Python 版本**：建议 Python 3.6+\n- **依赖库**：\n  - OpenCV (`cv2`)\n  - TensorFlow（默认使用 CPU 版；如需 GPU 加速，请安装 `tensorflow-gpu`）\n- **硬件建议**：\n  - CPU 模式可在普通笔记本运行（实测 2015 款 MacBook Pro i5 约 5 FPS）\n  - GPU 模式需 NVIDIA 显卡并安装对应 CUDA 驱动\n\n> 💡 国内用户建议配置 pip 镜像源（如清华源）以加速依赖安装。\n\n## 安装步骤\n\n```bash\n$ pip install git+https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced.git\n```\n\n> ⚠️ 注意：该工具尚未发布到 PyPI，需通过 GitHub 直接安装。  \n> 如需 GPU 支持，请额外安装：\n> ```bash\n> $ pip install tensorflow-gpu\n> ```\n\n## 基本使用\n\n### 方法一：作为 Python 库调用\n\n```python\nimport cv2\nfrom faced import FaceDetector\nfrom faced.utils import annotate_image\n\nface_detector = FaceDetector()\nimg = cv2.imread(\"your_image.jpg\")\nrgb_img = cv2.cvtColor(img.copy(), cv2.COLOR_BGR2RGB)\n\n# 执行人脸检测（返回格式：x_center, y_center, width, height, prob）\nbboxes = face_detector.predict(rgb_img, thresh=0.8)\n\n# 可视化结果\nann_img = annotate_image(img, bboxes)\ncv2.imshow('image', ann_img)\ncv2.waitKey(0)\ncv2.destroyAllWindows()\n```\n\n### 方法二：命令行直接使用\n\n- **检测图片并保存结果**：\n  ```bash\n  $ faced --input imgs\u002Fdemo.png --save\n  ```\n\n- **实时摄像头检测**：\n  ```bash\n  $ faced --input webcam\n  ```\n\n- **视频检测（可调阈值）**：\n  ```bash\n  $ faced --input imgs\u002Fdemo.mp4 --threshold 0.5\n  ```\n\n> 更多参数请运行 `faced --help` 查看。","某社区安防团队正在为老旧小区部署一套低成本的实时人脸检测系统，用于访客登记和异常人员预警，但预算有限，只能使用普通办公电脑作为处理终端。\n\n### 没有 faced 时\n- 团队尝试使用 OpenCV 自带的 Haar 级联分类器，但在侧脸、遮挡或光线不足场景下漏检率高，误报频繁。\n- 虽然考虑过 YOLO 或 SSD 等深度学习模型，但这些模型在无 GPU 的老旧 CPU 上运行速度低于 1 FPS，无法满足实时需求。\n- 为提升性能不得不采购专用硬件（如 Jetson 或带独显的主机），导致单点部署成本翻倍，超出项目预算。\n- 开发人员需花费大量时间调参和后处理来弥补检测框不准的问题，拖慢整体开发进度。\n\n### 使用 faced 后\n- faced 在普通 Intel i5 笔记本上稳定达到约 5 FPS，满足“近实时”访客画面分析需求，无需额外硬件投入。\n- 基于深度学习的双阶段架构显著提升了对遮挡、低光照和小角度人脸的检出率，准确度明显优于 Haar 方法。\n- 直接通过 pip 安装并集成到现有 Python 监控脚本中，几行代码即可完成人脸检测与标注，开发效率大幅提升。\n- 检测框经过第二阶段网络精细校正，定位更精准，减少了后续人脸识别模块的对齐失败率。\n\nfaced 让资源受限的边缘设备也能高效运行高精度人脸检测，真正实现了“轻量级硬件 + 深度学习能力”的落地平衡。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fiitzco_faced_8300b9b6.png","iitzco","Ivan Itzcovich","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fiitzco_7b9ce3f1.jpg","Artificial Intelligence passionate, Machine Learning Engineer, Computer Science Professor @ ITBA, former Software Engineer Intern @ Microsoft, Amateur Surfer.",null,"https:\u002F\u002Fgithub.com\u002Fiitzco",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,552,146,"2025-10-23T14:59:40","MIT","Linux, macOS, Windows","非必需；若使用 GPU 加速，需安装 tensorflow-gpu（具体显卡型号、显存大小和 CUDA 版本未说明）","未说明",{"notes":94,"python":92,"dependencies":95},"项目基于 TensorFlow 实现，支持 CPU 近实时人脸检测；如需 GPU 加速，应安装 tensorflow-gpu 而非默认的 tensorflow；该项目为实验性质，非生产就绪系统，使用需谨慎。",[96,97,98],"tensorflow","opencv-python","numpy",[14,13],[101,102,103,104,96,105,106,107],"deep-learning","face-detection","convolutional-neural-networks","fully-convolutional-networks","python","python-library","computer-vision","2026-03-27T02:49:30.150509","2026-04-06T08:10:37.314935",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},1580,"运行已训练好的模型需要多少 GPU 显存？是否会占用全部显存？","TensorFlow 在启用 CUDA 支持时会默认预分配几乎所有可用显存，但实际使用通常小于 2GB。因此即使看到显存几乎占满，也不代表程序真的需要那么多。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F36",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},1581,"能否在树莓派 3 B+ 上使用该库？","可以，但需先在树莓派上成功安装 TensorFlow 和 OpenCV。TensorFlow 1.9 及以上版本官方支持树莓派；OpenCV 安装可参考教程：https:\u002F\u002Fwww.pyimagesearch.com\u002F2016\u002F04\u002F18\u002Finstall-guide-raspberry-pi-3-raspbian-jessie-opencv-3\u002F。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F2",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},1582,"如何准备用于训练的数据集？数据格式和结构是怎样的？","作者使用脚本将 WIDER FACE 数据集转换为 TFRecord 格式，具体可参考：https:\u002F\u002Fgithub.com\u002Fiitzco\u002Fwiderface-to-tfrecord\u002Fblob\u002Fmaster\u002Fwider_to_tfrecord.py。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F6",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},1583,"是否支持 NVIDIA Jetson TX2？性能如何？","理论上可以在 Jetson TX2 上运行，因为没有架构限制，但作者未实际测试过。欢迎用户自行测试并分享性能数据。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},1584,"反复调用 .predict() 是否会导致内存泄漏？","有用户报告在高频调用（如每秒 100 次）.predict() 时出现每次增加 1.3–8.0 MB 内存的现象，可能与 TensorFlow 会话或图像处理中的临时对象未及时释放有关。建议检查是否重复创建 TensorFlow 图或会话，并确保及时清理中间变量（尽管手动 del 和 gc.collect() 可能无效）。目前项目维护者未提供具体修复方案。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F39",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},1585,"能否提供训练所用的 pipeline.config 配置文件？","Issue 中用户请求了 pipeline.config 文件，但维护者未在评论中提供具体内容或链接，因此无法从现有信息中获取该配置文件。","https:\u002F\u002Fgithub.com\u002Fiitzco\u002Ffaced\u002Fissues\u002F24",[]]