[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-kvfrans--deepcolor":3,"similar-kvfrans--deepcolor":81},{"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":19,"owner_email":18,"owner_twitter":18,"owner_website":20,"owner_url":21,"languages":22,"stars":39,"forks":40,"last_commit_at":41,"license":18,"difficulty_score":42,"env_os":43,"env_gpu":44,"env_ram":45,"env_deps":46,"category_tags":53,"github_topics":18,"view_count":55,"oss_zip_url":18,"oss_zip_packed_at":18,"status":56,"created_at":57,"updated_at":58,"faqs":59,"releases":80},8680,"kvfrans\u002Fdeepcolor","deepcolor","Automatic coloring and shading of manga-style lineart, using Tensorflow + cGANs","deepcolor 是一款专为漫画风格线稿设计的自动上色与阴影生成工具。它主要解决了传统手工填色耗时费力、对非专业画师门槛较高的问题，能够将黑白线条图快速转化为色彩丰富且带有光影层次的成品插画。\n\n该工具特别适合动漫爱好者、独立漫画创作者以及希望探索 AI 绘画技术的开发者和研究人员使用。对于设计师而言，它可以作为高效的原型设计辅助；对于普通用户，通过部署预训练模型或在线演示，也能轻松体验将线稿变彩图的乐趣。\n\ndeepcolor 的核心技术亮点在于结合了 TensorFlow 框架与条件生成对抗网络（cGANs）。不同于简单的颜色填充，它基于 pix2pix 架构进行改进，能够“理解”线稿结构，智能推断不同区域应匹配的颜色，并自动生成自然的阴影和高光，使画面更具立体感。虽然项目早期版本依赖 Python 2.7 和较旧版的 TensorFlow，但其开创性地展示了深度学习在艺术创作领域的潜力，为后续各类自动上色算法的发展奠定了重要基础。","# deepcolor\n\nAutomatic coloring and shading of manga-style lineart, using Tensorflow + cGANs\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkvfrans_deepcolor_readme_e81896e801ce.png)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkvfrans_deepcolor_readme_59f5faf4805e.png)\n\nRead the writeup:\nhttp:\u002F\u002Fkvfrans.com\u002Fcoloring-and-shading-line-art-automatically-through-conditional-gans\u002F\n\nTry the demo:\nhttp:\u002F\u002Fcolor.kvfrans.com\n\n## Setup\n\n### Prereqs\n    - Python 2.7, numpy\n    - Tensorflow 0.12\n    - OpenCV\n\n### Running it\n1. make a folder called \"results\"\n2. make a folder called \"imgs\"\n3. Fill the \"imgs\" folder with your own .jpg images, or run \"download_images.py\" to download from Safebooru.\n4. Run \"python main.py train\". I trained for ~20 epochs, taking about 16 hours on one GPU.\n5. To sample, run \"python main.py sample\"\n6. To start the server, run \"python server.py\". It will host on port 8000.\n\n### Pre-trained\n\nGet the pretrained model:\nhttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0BydPPLNieijIdDlUYWxhelEwRnM\u002Fview?usp=sharing\n\nFolder structure should go:\n```\nmain.py\nserver.py\ncheckpoint\u002F\n    tr\u002F\n        checkpoint\n        model-1101500.index\n        model-1101500.data-00000-of-00001\n        model-1101500.meta\n```\n\n\nCode based off [this pix2pix implementation](https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002Fpix2pix-tensorflow).\n","# 深色\n\n使用 TensorFlow + cGAN 对漫画风格的线稿进行自动上色和阴影处理。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkvfrans_deepcolor_readme_e81896e801ce.png)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkvfrans_deepcolor_readme_59f5faf4805e.png)\n\n阅读文章：\nhttp:\u002F\u002Fkvfrans.com\u002Fcoloring-and-shading-line-art-automatically-through-conditional-gans\u002F\n\n体验演示：\nhttp:\u002F\u002Fcolor.kvfrans.com\n\n## 设置\n\n### 前置条件\n- Python 2.7、numpy\n- Tensorflow 0.12\n- OpenCV\n\n### 运行步骤\n1. 创建一个名为 “results” 的文件夹。\n2. 创建一个名为 “imgs” 的文件夹。\n3. 将你的 .jpg 图片放入 “imgs” 文件夹，或者运行 “download_images.py” 从 Safebooru 下载图片。\n4. 运行 “python main.py train”。我训练了约 20 个 epoch，在单块 GPU 上耗时大约 16 小时。\n5. 要生成样本，运行 “python main.py sample”。\n6. 启动服务器，运行 “python server.py”。服务器将在端口 8000 上运行。\n\n### 预训练模型\n\n获取预训练模型：\nhttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0BydPPLNieijIdDlUYWxhelEwRnM\u002Fview?usp=sharing\n\n文件夹结构应如下：\n```\nmain.py\nserver.py\ncheckpoint\u002F\n    tr\u002F\n        checkpoint\n        model-1101500.index\n        model-1101500.data-00000-of-00001\n        model-1101500.meta\n```\n\n\n代码基于 [这个 pix2pix 实现](https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002Fpix2pix-tensorflow)。","# deepcolor 快速上手指南\n\ndeepcolor 是一个基于 TensorFlow 和条件生成对抗网络（cGANs）的开源工具，能够自动为漫画风格的线稿进行上色和阴影处理。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 2.7\n*   **核心依赖**：\n    *   TensorFlow 0.12\n    *   NumPy\n    *   OpenCV\n\n> **注意**：该项目基于较旧版本的 TensorFlow (0.12) 和 Python 2.7 构建。建议在独立的虚拟环境（如 `virtualenv` 或 `conda`）中运行，以避免与现有开发环境冲突。国内用户可使用清华源或阿里源加速 pip 包安装。\n\n## 安装步骤\n\n1.  **安装基础依赖**\n    使用 pip 安装所需的 Python 库（建议配置国内镜像源）：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==0.12 numpy opencv-python\n    ```\n    *注：若自动安装 OpenCV 失败，请根据系统类型手动安装 `opencv-python` 或系统级 OpenCV 库。*\n\n2.  **获取代码**\n    克隆项目仓库或下载源码到本地目录。\n\n3.  **准备目录结构**\n    在项目根目录下创建必要的文件夹：\n    ```bash\n    mkdir results\n    mkdir imgs\n    ```\n\n4.  **准备数据**\n    将您的线稿图片（.jpg 格式）放入 `imgs` 文件夹，或者运行脚本从 Safebooru 自动下载示例数据：\n    ```bash\n    python download_images.py\n    ```\n\n5.  **下载预训练模型（可选但推荐）**\n    若不想从头训练，可下载预训练模型以快速测试效果。\n    *   下载地址：[Google Drive 链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0BydPPLNieijIdDlUYWxhelEwRnM\u002Fview?usp=sharing)\n    *   解压后，确保文件结构如下：\n        ```text\n        main.py\n        server.py\n        checkpoint\u002F\n            tr\u002F\n                checkpoint\n                model-1101500.index\n                model-1101500.data-00000-of-00001\n                model-1101500.meta\n        ```\n\n## 基本使用\n\n### 1. 训练模型\n使用自己的数据集训练模型（单 GPU 约需 16 小时完成 20 个 epoch）：\n```bash\npython main.py train\n```\n\n### 2. 生成样本（推理）\n使用训练好的模型或预训练模型对 `imgs` 中的图片进行上色和阴影处理，结果将保存在 `results` 文件夹：\n```bash\npython main.py sample\n```\n\n### 3. 启动 Web 服务\n启动本地服务器，通过浏览器交互查看效果（默认端口 8000）：\n```bash\npython server.py\n```\n启动后，在浏览器访问 `http:\u002F\u002Flocalhost:8000` 即可使用。","一位独立漫画创作者正在赶制一部短篇黑白线稿作品，急需在截稿日前完成所有页面的上色与光影渲染。\n\n### 没有 deepcolor 时\n- **耗时极长**：每一页线稿都需要手动填充底色并绘制阴影，单页耗时数小时，难以应对连载压力。\n- **风格统一难**：在不同光线场景下，人工上色容易出现色调偏差，导致整部作品视觉风格不连贯。\n- **成本高昂**：若外包给专业上色师，单页费用昂贵，对于预算有限的个人创作者是沉重负担。\n- **修改繁琐**：一旦需要调整整体色调或光源方向，几乎需要推翻重画，缺乏灵活迭代的空间。\n\n### 使用 deepcolor 后\n- **秒级生成**：只需将线稿放入指定文件夹并运行采样命令，deepcolor 即可利用预训练模型自动输出带阴影的彩色图，效率提升数十倍。\n- **风格一致**：基于 cGANs 算法，deepcolor 能学习数据集的光影逻辑，确保全书色调与光影逻辑高度统一，无需人工校准。\n- **零边际成本**：部署本地服务后，创作者可无限次免费生成草稿或成品，彻底省去外包费用，让个人创作更可持续。\n- **快速迭代**：想尝试不同画风或光照效果？重新运行 sample 命令即可瞬间获得新方案，极大加速了艺术决策过程。\n\ndeepcolor 通过将繁复的上色工作自动化，让漫画家能从机械劳动中解放，专注于故事叙述与分镜设计。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkvfrans_deepcolor_e81896e8.png","kvfrans","Kevin Frans","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkvfrans_f2d2c0de.jpg","PhD @ UC Berkeley. Previously at MIT, CrossLabs, Sizigi, Autodesk, OpenAI. ",null,"United States","http:\u002F\u002Fwww.kvfrans.com","https:\u002F\u002Fgithub.com\u002Fkvfrans",[23,27,31,35],{"name":24,"color":25,"percentage":26},"Python","#3572A5",65,{"name":28,"color":29,"percentage":30},"HTML","#e34c26",18.6,{"name":32,"color":33,"percentage":34},"JavaScript","#f1e05a",15.8,{"name":36,"color":37,"percentage":38},"CSS","#663399",0.7,558,84,"2026-01-20T21:52:45",4,"","训练需要 GPU（作者提及单卡训练约 16 小时），具体型号、显存大小及 CUDA 版本未说明","未说明",{"notes":47,"python":48,"dependencies":49},"该项目基于较旧的 TensorFlow 0.12 和 Python 2.7 构建，现代环境可能需要配置兼容环境或修改代码才能运行。训练耗时较长（作者实测单 GPU 约 16 小时）。需手动创建 'results' 和 'imgs' 文件夹，并可下载预训练模型使用。","2.7",[50,51,52],"tensorflow==0.12","numpy","opencv",[54],"图像",2,"ready","2026-03-27T02:49:30.150509","2026-04-18T09:19:27.142923",[60,65,70,75],{"id":61,"question_zh":62,"answer_zh":63,"source_url":64},38878,"升级到 TensorFlow 1.0 后运行代码报错，如何解决？","该问题通常是由于变量作用域（scope）未正确定义导致的。解决方法是在定义判别器（d）和生成器（g）时添加相应的变量作用域。参考修复后的代码实现：https:\u002F\u002Fgithub.com\u002Fburness\u002Ftensorflow-101\u002Fblob\u002Fmaster\u002Fdeepcolor","https:\u002F\u002Fgithub.com\u002Fkvfrans\u002Fdeepcolor\u002Fissues\u002F1",{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},38879,"代码中的 merge() 和 merge_color() 函数有什么作用？","这两个函数用于将包含 64 张图片的数组合并成一张大图，以便更直观地可视化训练结果。","https:\u002F\u002Fgithub.com\u002Fkvfrans\u002Fdeepcolor\u002Fissues\u002F3",{"id":71,"question_zh":72,"answer_zh":73,"source_url":74},38880,"预训练模型的下载链接失效了怎么办？","目前官方提供的预训练模型链接已不可用。该问题已被标记为重复问题（参见 Issue #13），建议关注项目后续更新或尝试自行训练模型。","https:\u002F\u002Fgithub.com\u002Fkvfrans\u002Fdeepcolor\u002Fissues\u002F14",{"id":76,"question_zh":77,"answer_zh":78,"source_url":79},38881,"utils.py 中的 tf.leakyrelu 函数实现是否有误？","有用户指出 utils.py 第 54-55 行的 LeakyReLU 实现可能存在问题，建议将返回值修改为 `tf.maximum(x, -leak*x)` 以符合标准定义。请根据实际运行情况验证此修改。","https:\u002F\u002Fgithub.com\u002Fkvfrans\u002Fdeepcolor\u002Fissues\u002F15",[],[82,94,102,110,119,128],{"id":83,"name":84,"github_repo":85,"description_zh":86,"stars":87,"difficulty_score":88,"last_commit_at":89,"category_tags":90,"status":56},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",[91,92,54,93],"Agent","开发框架","数据工具",{"id":95,"name":96,"github_repo":97,"description_zh":98,"stars":99,"difficulty_score":88,"last_commit_at":100,"category_tags":101,"status":56},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",[92,54,91],{"id":103,"name":104,"github_repo":105,"description_zh":106,"stars":107,"difficulty_score":55,"last_commit_at":108,"category_tags":109,"status":56},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",[92,54,91],{"id":111,"name":112,"github_repo":113,"description_zh":114,"stars":115,"difficulty_score":55,"last_commit_at":116,"category_tags":117,"status":56},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",[118,91,54,92],"插件",{"id":120,"name":121,"github_repo":122,"description_zh":123,"stars":124,"difficulty_score":88,"last_commit_at":125,"category_tags":126,"status":56},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",[127,54,91,92],"语言模型",{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":88,"last_commit_at":134,"category_tags":135,"status":56},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",[92,54,91,136],"视频"]