[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jeffreyyihuang--two-stream-action-recognition":3,"tool-jeffreyyihuang--two-stream-action-recognition":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",159267,2,"2026-04-17T11:29:14",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":147},8564,"jeffreyyihuang\u002Ftwo-stream-action-recognition","two-stream-action-recognition","Using two stream architecture to implement a classic action recognition method on UCF101 dataset","two-stream-action-recognition 是一个基于经典“双流”架构的视频动作识别开源项目，旨在准确分析 UCF101 数据集中的视频内容。它通过模拟人类视觉系统，同时处理视频的静态外观（空间流）和动态运动（时间流），有效解决了单靠图像帧难以捕捉复杂肢体动作的技术难题。\n\n该项目适合计算机视觉领域的研究人员、算法工程师及深度学习开发者使用，特别是那些希望复现经典论文成果或构建视频理解基线模型的用户。其核心技术亮点在于采用了 ResNet101 作为骨干网络：空间流直接利用 RGB 帧识别场景特征；运动流则创新性地堆叠光流图（Optical Flow）来捕捉时序动态，并巧妙运用“跨模态预训练”策略，将 ImageNet 的预训练权重迁移至 20 通道的光流输入中，显著提升了模型收敛速度与精度。此外，项目还结合了时序分段网络（TSN）的采样策略与多帧投票机制，进一步增强了预测的鲁棒性。对于想要深入理解视频动作识别原理并动手实践的开发者而言，这是一个结构清晰、参考价值的优秀范例。","# two-stream-action-recognition\nWe use a spatial and motion stream cnn with ResNet101 for modeling video information in UCF101 dataset.\n## Reference Paper\n*  [[1] Two-stream convolutional networks for action recognition in videos](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5353-two-stream-convolutional)\n*  [[2] Temporal Segment Networks: Towards Good Practices for Deep Action Recognition](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-46484-8_2)\n* [[3] TS-LSTM and Temporal-Inception: Exploiting Spatiotemporal Dynamics for Activity Recognition](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.10667)\n\n## 1. Data\n  ### 1.1 Spatial input data -> rgb frames\n  * We extract RGB frames from each video in UCF101 dataset with sampling rate: 10 and save as .jpg image in disk which cost about 5.9G.\n  ### 1.2 Motion input data -> stacked optical flow images\n  In motion stream, we use two methods to get optical flow data. \n  1. Download the preprocessed tvl1 optical flow dataset directly from https:\u002F\u002Fgithub.com\u002Ffeichtenhofer\u002Ftwostreamfusion. \n  2. Using [flownet2.0 method](https:\u002F\u002Fgithub.com\u002Flmb-freiburg\u002Fflownet2-docker) to generate 2-channel optical flow image and save its x, y channel as .jpg image in disk respectively, which cost about 56G.\n  ### 1.3 (Alternative)Download the preprocessed data directly from [feichtenhofer\u002Ftwostreamfusion](https:\u002F\u002Fgithub.com\u002Ffeichtenhofer\u002Ftwostreamfusion))\n  * RGB images\n  ```\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.001\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.002\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.003\n  \n  cat ucf101_jpegs_256.zip* > ucf101_jpegs_256.zip\n  unzip ucf101_jpegs_256.zip\n  ```\n  * Optical Flow\n  ```\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.001\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.002\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.003\n  \n  cat ucf101_tvl1_flow.zip* > ucf101_tvl1_flow.zip\n  unzip ucf101_tvl1_flow.zip\n  ```\n  \n\n## 2. Model\n  ### 2.1 Spatial cnn\n  * As mention before, we use ResNet101 first pre-trained with ImageNet then fine-tuning on our UCF101 spatial rgb image dataset. \n  ### 2.2 Motion cnn\n  * Input data of motion cnn is a stack of optical flow images which contained 10 x-channel and 10 y-channel images, So it's input shape is (20, 224, 224) which can be considered as a 20-channel image. \n  * In order to utilize ImageNet pre-trained weight on our model, we have to modify the weights of the first convolution layer pre-trained  with ImageNet from (64, 3, 7, 7) to (64, 20, 7, 7). \n  * In [2] Wang provide a method called **Cross modality pre-\n  \n  ** to do such weights shape transform. He first average the weight value across the RGB channels and replicate this average by the channel number of motion stream input( which is 20 is this case)\n  \n## 3. Training strategies\n  ###  3.1 Spatial cnn\n  * Here we utilize the techniques in Temporal Segment Network. For every videos in a mini-batch, we randomly select 3 frames from each video. Then a consensus among the frames will be derived as the video-level prediction for calculating loss.\n  ### 3.2 Motion cnn\n  * In every mini-batch, we randomly select 64 (batch size) videos from 9537 training videos and futher randomly select 1 stacked optical flow in each video. \n  ### 3.3 Data augmentation\n  * Both stream apply the same data augmentation technique such as random cropping.\n## 4. Testing method\n  * For every 3783 testing videos, we uniformly sample 19 frames in each video and the video level prediction is the voting result of all 19 frame level predictions.\n  * The reason we choose the number 19 is that the minimun number of video frames in UCF101 is 28 and we have to make sure there are sufficient frames for testing in 10 stack motion stream.\n## 5. Performace\n   \n network      | top1  |\n--------------|:-----:|\nSpatial cnn   | 82.1% | \nMotion cnn    | 79.4% | \nAverage fusion| 88.5% |      \n   \n## 6. Pre-trained Model\n\n* [Spatial resnet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gVB5StqgoDJ3IxHUn7zoTzTNxzz3du3d?usp=sharing)\n* [Motion resnet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1z3fYUOJx_l3BW-NSb7ti0DsyGLFk6Z7J?usp=sharing)\n\n## 7. Testing on Your Device\n  ### Spatial stream\n * Please modify this [path](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fspatial_cnn.py#L42) and this [funcition](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fdataloader\u002Fspatial_dataloader.py#L21) to fit the UCF101 dataset on your device.\n * Training and testing\n ```\n python spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n ```\n * Only testing\n ```\n python spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n ```\n \n ### Motion stream\n *  Please modify this [path](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fmotion_cnn.py#L44) and this [funcition](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fdataloader\u002Fmotion_dataloader.py#L32) to fit the UCF101 dataset on your device.\n  * Training and testing\n ```\n python motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n ```\n * Only testing\n ```\n python motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n ```\n \n\n","# 双流动作识别\n我们在 UCF101 数据集上使用基于 ResNet101 的空间流和运动流 CNN 来建模视频信息。\n## 参考论文\n*  [[1] 用于视频中动作识别的双流卷积网络](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5353-two-stream-convolutional)\n*  [[2] 时间段网络：迈向深度动作识别的良好实践](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-46484-8_2)\n* [[3] TS-LSTM 和时间 Inception：利用时空动态进行行为识别](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.10667)\n\n## 1. 数据\n  ### 1.1 空间输入数据 -> RGB 帧\n  * 我们以 10 帧\u002F秒的采样率从 UCF101 数据集中每段视频中提取 RGB 帧，并将其保存为 .jpg 格式的图像文件，存储占用约 5.9G。\n  ### 1.2 运动输入数据 -> 叠加光流图像\n  在运动流中，我们采用两种方法获取光流数据。\n  1. 直接从 https:\u002F\u002Fgithub.com\u002Ffeichtenhofer\u002Ftwostreamfusion 下载预处理好的 TVL1 光流数据集。\n  2. 使用 [Flownet2.0 方法](https:\u002F\u002Fgithub.com\u002Flmb-freiburg\u002Fflownet2-docker)生成 2 通道光流图像，并分别将 x、y 通道保存为 .jpg 文件，存储占用约 56G。\n  ### 1.3（可选）直接从 [feichtenhofer\u002Ftwostreamfusion](https:\u002F\u002Fgithub.com\u002Ffeichtenhofer\u002Ftwostreamfusion) 下载预处理好的数据\n  * RGB 图像\n  ```\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.001\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.002\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.003\n  \n  cat ucf101_jpegs_256.zip* > ucf101_jpegs_256.zip\n  unzip ucf101_jpegs_256.zip\n  ```\n  * 光流\n  ```\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.001\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.002\n  wget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.003\n  \n  cat ucf101_tvl1_flow.zip* > ucf101_tvl1_flow.zip\n  unzip ucf101_tvl1_flow.zip\n  ```\n  \n\n## 2. 模型\n  ### 2.1 空间 CNN\n  * 如前所述，我们使用先在 ImageNet 上预训练、再在我们的 UCF101 空间 RGB 图像数据集上微调的 ResNet101。\n  ### 2.2 运动 CNN\n  * 运动 CNN 的输入是一叠光流图像，包含 10 张 x 通道图像和 10 张 y 通道图像，因此其输入形状为 (20, 224, 224)，可以视为一张 20 通道的图像。\n  * 为了在我们的模型中利用 ImageNet 预训练权重，我们必须将第一层卷积层的预训练权重从 (64, 3, 7, 7) 修改为 (64, 20, 7, 7)。\n  * 在 [2] 中，Wang 提出了一种称为 **跨模态预-\n  \n  ** 的方法来完成这种权重形状转换。他首先对 RGB 通道上的权重值取平均，然后根据运动流输入的通道数（本例为 20）复制该平均值。\n  \n## 3. 训练策略\n  ### 3.1 空间 CNN\n  * 在这里，我们采用了时间段网络中的技术。对于每个 mini-batch 中的视频，我们从每段视频中随机选择 3 帧，然后通过对这些帧进行共识推断得到视频级别的预测，用于计算损失。\n  ### 3.2 运动 CNN\n  * 在每个 mini-batch 中，我们从 9537 个训练视频中随机选取 64 个视频，并进一步从每个视频中随机选择 1 组叠加光流图像。\n  ### 3.3 数据增强\n  * 两个流都应用相同的数据增强技术，例如随机裁剪。\n## 4. 测试方法\n  * 对于 3783 个测试视频，我们均匀地从每段视频中抽取 19 帧，视频级别的预测结果即为这 19 帧预测结果的投票结果。\n  * 我们选择 19 这个数字的原因是，UCF101 数据集中最短的视频只有 28 帧，我们需要确保在 10 层叠加的运动流中仍有足够的帧用于测试。\n## 5. 性能\n   \n 网络      | top1  |\n--------------|:-----:|\n空间 CNN   | 82.1% | \n运动 CNN    | 79.4% | \n平均融合| 88.5% |      \n   \n## 6. 预训练模型\n\n* [空间 ResNet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gVB5StqgoDJ3IxHUn7zoTzTNxzz3du3d?usp=sharing)\n* [运动 ResNet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1z3fYUOJx_l3BW-NSb7ti0DsyGLFk6Z7J?usp=sharing)\n\n## 7. 在您的设备上测试\n  ### 空间流\n * 请修改此 [路径](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fspatial_cnn.py#L42) 和此 [函数](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fdataloader\u002Fspatial_dataloader.py#L21) 以适配您设备上的 UCF101 数据集。\n * 训练和测试\n ```\n python spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n ```\n * 仅测试\n ```\n python spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n ```\n \n ### 运动流\n * 请修改此 [路径](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fmotion_cnn.py#L44) 和此 [函数](https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition\u002Fblob\u002Fmaster\u002Fdataloader\u002Fmotion_dataloader.py#L32) 以适配您设备上的 UCF101 数据集。\n  * 训练和测试\n ```\n python motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n ```\n * 仅测试\n ```\n python motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n ```","# two-stream-action-recognition 快速上手指南\n\n本指南基于 ResNet101 架构，利用双流卷积神经网络（空间流 + 运动流）在 UCF101 数据集上进行视频动作识别。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 16.04+)\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡（建议显存 ≥ 8GB）\n- **Python**: 3.6+\n\n### 前置依赖\n请确保已安装以下基础库：\n- PyTorch\n- torchvision\n- OpenCV (`cv2`)\n- NumPy\n\n若未安装 PyTorch，可使用以下命令（国内用户推荐使用清华源加速）：\n```bash\npip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install opencv-python numpy\n```\n\n## 2. 安装与数据准备\n\n### 2.1 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjeffreyhuang1\u002Ftwo-stream-action-recognition.git\ncd two-stream-action-recognition\n```\n\n### 2.2 数据集准备\n本项目依赖 **UCF101** 数据集。你可以选择手动提取或直接下载预处理好的数据（推荐）。\n\n#### 方案 A：直接下载预处理数据（推荐）\n使用 `wget` 下载分卷压缩包并合并解压。\n\n**RGB 图像 (空间流输入):**\n```bash\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.001\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.002\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_jpegs_256.zip.003\n\ncat ucf101_jpegs_256.zip* > ucf101_jpegs_256.zip\nunzip ucf101_jpegs_256.zip\n```\n\n**光流图像 (运动流输入):**\n```bash\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.001\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.002\nwget http:\u002F\u002Fftp.tugraz.at\u002Fpub\u002Ffeichtenhofer\u002Ftsfusion\u002Fdata\u002Fucf101_tvl1_flow.zip.003\n\ncat ucf101_tvl1_flow.zip* > ucf101_tvl1_flow.zip\nunzip ucf101_tvl1_flow.zip\n```\n*(注：若下载速度慢，可考虑自行使用 Flownet2.0 生成光流数据，但耗时较长且需额外约 56G 空间)*\n\n### 2.3 下载预训练模型\n从 Google Drive 下载预训练的 ResNet101 权重并放入项目目录：\n- [Spatial ResNet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1gVB5StqgoDJ3IxHUn7zoTzTNxzz3du3d?usp=sharing)\n- [Motion ResNet101](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1z3fYUOJx_l3BW-NSb7ti0DsyGLFk6Z7J?usp=sharing)\n\n## 3. 基本使用\n\n在运行前，请务必修改代码中的数据路径以匹配你本地的数据集存放位置。\n\n### 3.1 空间流 (Spatial Stream)\n编辑 `spatial_cnn.py` (第 42 行) 和 `dataloader\u002Fspatial_dataloader.py` (第 21 行)，更新数据集路径。\n\n**训练与测试:**\n```bash\npython spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n```\n\n**仅测试:**\n```bash\npython spatial_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n```\n\n### 3.2 运动流 (Motion Stream)\n编辑 `motion_cnn.py` (第 44 行) 和 `dataloader\u002Fmotion_dataloader.py` (第 32 行)，更新光流数据集路径。\n*注意：运动流输入为堆叠的光流图 (20 通道)，模型已针对此进行了权重调整。*\n\n**训练与测试:**\n```bash\npython motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL\n```\n\n**仅测试:**\n```bash\npython motion_cnn.py --resume PATH_TO_PRETRAINED_MODEL --evaluate\n```\n\n### 3.3 结果融合\n最终的动作识别结果通常取空间流和运动流预测结果的平均值（Average Fusion），以获得最佳性能（预期 Top-1 准确率约 88.5%）。","某安防科技团队正在开发一套智能视频监控系统，需要从海量监控录像中自动识别“打架”、“跌倒”或“奔跑”等特定异常行为。\n\n### 没有 two-stream-action-recognition 时\n- **动作识别准确率低**：仅依靠单帧图像分析，系统难以区分静态相似场景（如两人拥抱与扭打），导致大量误报。\n- **忽略关键动态信息**：传统模型无法有效捕捉物体运动轨迹和速度变化，对快速发生的暴力行为反应迟钝。\n- **模型泛化能力弱**：在复杂光照或背景干扰下，缺乏时空特征融合的算法极易失效，需人工反复调整规则。\n- **研发复现成本高**：团队需从头搭建双流架构并处理光流数据，耗时数周才能完成基础模型验证。\n\n### 使用 two-stream-action-recognition 后\n- **显著提升识别精度**：利用空间流（RGB 帧）提取外观特征，结合运动流（光流图）捕捉动态细节，精准区分相似动作。\n- **全面掌握时空动态**：通过堆叠光流图像输入，模型能敏锐感知肢体运动趋势，大幅降低对静止背景的依赖。\n- **增强场景适应性**：基于 ResNet101 的双流架构经过 UCF101 数据集验证，在多种复杂监控环境下保持高鲁棒性。\n- **加速落地部署进程**：直接复用预训练权重和成熟的数据预处理脚本（如 TVL1 光流提取），将模型开发周期从数周缩短至几天。\n\ntwo-stream-action-recognition 通过融合外观与运动双重特征，解决了传统视频分析“只看图不懂动”的难题，让异常行为检测真正具备实战价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjeffreyyihuang_two-stream-action-recognition_e7614e0f.png","jeffreyyihuang","Jeffrey Yi Huang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjeffreyyihuang_d3671d44.png","\r\n","Qualcomm","San Diego, CA","jeffreyyihuang@vt.edu",null,"https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,876,248,"2026-01-16T08:45:44","MIT",4,"未说明","需要 NVIDIA GPU（用于运行 ResNet101 及光流处理），具体型号和显存大小未说明，但处理 56GB 光流数据及训练双路网络建议大显存显卡","未说明（建议 32GB+ 以应对 56GB 的光流数据加载和处理）",{"notes":95,"python":91,"dependencies":96},"1. 数据需求巨大：若自行生成光流数据需约 56GB 磁盘空间，RGB 帧需约 5.9GB；也可直接下载预处理好的数据集。2. 模型架构：包含空间流（RGB 输入）和运动流（堆叠光流输入，通道数 20），使用 ResNet101 骨干网络。3. 特殊配置：运动流模型需修改第一层卷积权重以适应 20 通道输入（使用跨模态预训练方法）。4. 数据集：基于 UCF101 数据集。",[97,98,99],"PyTorch (隐含，用于 ResNet101)","OpenCV (隐含，用于光流提取)","flownet2.0 (可选，用于生成光流)",[101,14],"视频",[103,104,105,106,107,108],"action-recognition","two-stream","pytorch","ucf101","video","action-detection","2026-03-27T02:49:30.150509","2026-04-18T00:45:42.040629",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},38358,"如何生成缺失的 'frame_count.pickle' 文件？","该文件用于存储每个视频剪辑的帧数。如果缺失，可以运行以下脚本生成：\n```python\nimport os, pickle\ndata_dir = 'ucf_data\u002Fjpegs_256\u002F' # 请修改为你的数据路径\nall_videos_dir = os.listdir(data_dir)\ndic = {}\nfor curr_video in all_videos_dir:\n    num_frames = len(os.listdir(os.path.join(data_dir, curr_video)))\n    dic[curr_video] = num_frames - 1\npickle.dump(dic, open('frame_count.pickle', 'wb'))\n```\n或者在 `spatial_loader.py` 中添加 `generate_frame_count` 方法自动遍历目录生成字典并保存。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F30",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},38359,"运行 spatial_cnn 时遇到 'No such file or directory' 错误怎么办？","这通常是因为数据路径配置不正确。代码默认期望输入数据来自 feichtenhofer\u002Ftwostreamfusion 项目的目录结构。你需要检查 `spatial_dataloader.py` 中的 `load_ucf_image` 函数，确保 `path` 变量指向正确的图像文件夹（例如 `\u002Fhome\u002Ftangjun\u002Fdataset1\u002Fjpegs_256\u002F...`），并且文件名格式与代码中拼接的逻辑（`str(index)+'.jpg'`）一致。可能需要根据实际数据集结构调整路径或文件名索引逻辑。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F22",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},38360,"预训练模型文件 (model_best.pth.tar) 下载后损坏无法加载如何解决？","首先确认是否使用了正确的加载方式，应使用 PyTorch 的 `torch.load()` 函数加载。如果确认文件确实损坏，可能是下载过程中断导致，建议重新下载。维护者表示如果问题持续，可以联系他重新上传文件。大多数情况下，用户反馈是由于加载方法不当造成的误解，文件本身是正常的。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F37",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},38361,"如何将 ImageNet 预训练模型适配到光流（Optical Flow）分支？","由于 RGB 图像是 3 通道而光流通常是 2 通道（或堆叠后更多），不能直接加载。作者实现了跨模态预训练方法（cross-modality pretraining）。具体实现细节可以参考仓库中的 `network.py` 文件第 216 行附近的代码，那里展示了如何处理通道不匹配的问题并将 ImageNet 权重迁移到光流网络中。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F15",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},38362,"推荐的 PyTorch 版本和虚拟环境配置是什么？","该项目主要基于 Python 2.7 开发。对于 PyTorch 版本，社区用户验证 `torch==0.4.1` 可以正常工作。如果使用较新版本遇到问题，可以尝试降级到此版本。此外，可能需要安装旧版本的 `tqdm` (如 4.19) 以避免兼容性错误。建议使用虚拟环境隔离依赖，并确保 CUDA 版本与 PyTorch 版本匹配。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F51",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},38363,"代码中的 'validation stage' 指的是测试集还是验证集？精度文件 opf_test.csv 代表什么？","UCF101 数据集通常只包含训练集和测试集，没有独立的验证集。代码中命名的 'validation stage' 实际上是指测试阶段。存储在 `opf_test.csv` 中的精度是测试集（test set）的性能结果，加载的数据对应 `testlist01`。这是一个命名习惯问题，实际评估的是测试准确率。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F24",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},38364,"训练时的优化器、批次大小和学习率是如何设置的？","基本设置遵循原论文，使用 SGD 作为优化器。关于批次大小（batch size）和学习率（learning rate），作者会根据实际使用的批次大小与论文提供的批次大小之间的差异，按比例调整学习率。建议用户可以根据自己的硬件条件调整这些参数以提升模型性能。","https:\u002F\u002Fgithub.com\u002Fjeffreyyihuang\u002Ftwo-stream-action-recognition\u002Fissues\u002F4",[]]