[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lucasjinreal--DCNv2_latest":3,"tool-lucasjinreal--DCNv2_latest":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",138956,2,"2026-04-05T11:33:21",[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":80,"owner_email":81,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":84,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":109,"env_os":110,"env_gpu":111,"env_ram":112,"env_deps":113,"category_tags":118,"github_topics":119,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":123,"updated_at":124,"faqs":125,"releases":155},761,"lucasjinreal\u002FDCNv2_latest","DCNv2_latest","DCNv2 supports decent pytorch such as torch 1.5+ (now 1.8+)","DCNv2_latest 是一个专为 PyTorch 框架优化的变形卷积网络扩展库。在计算机视觉任务中，传统卷积核的感受野是固定的，难以应对形状多变的目标。DCNv2_latest 通过引入可学习的偏移量，让卷积核能够自适应地调整采样位置，从而显著提升目标检测和分割等任务的精度。\n\n许多开发者在尝试将旧版 DCN 集成到现代深度学习项目时，常因 PyTorch 版本迭代导致编译错误或 API 不兼容。DCNv2_latest 重点解决了这一痛点，目前主分支已确认支持 PyTorch 1.11，并适配了 CUDA 11.4 环境。针对早期版本需求，也保留了相应的分支选项，确保用户能顺利在 Ubuntu 20.04 等最新系统上部署。\n\nDCNv2_latest 非常适合计算机视觉领域的算法工程师和研究人员使用。如果你正在构建基于 CNN 的检测模型，且希望获得更好的性能与兼容性，直接采用 DCNv2_latest 会是个明智的选择。安装过程十分便捷，只需执行简单的构建命令即可完成配置。","# DCNv2 latest\n\n- Add support for pytorch1.11 (may be not backward-compatible). \n- Test on ubuntu20.04, python3.8(conda), cuda_11.4\n\nIt was confirmed that pytorch1.11 worked, but not compatible with previous pytorch version. If you want pytorch1.10 or earlier, please using pytorch1.6 branch, or using last git commit.\n\nIt's suggested using latest stable pytorch 1.11 to start your project.\n\n\n## Install\n\n```bash\n$ python3 setup.py build develop\n```\n\n## Updates\n\n- **2021.03.24**: It was confirmed PyTorch 1.8 is OK with master branch, feel free to use it.\n- **2021.02.18**: Happy new year! PyTorch 1.7 finally supported on master branch! **for lower version theoretically also works, if not, pls fire an issue to me!**.\n- **2020.09.23**: Now master branch works for pytorch 1.6 by default, for older version you gonna need separated one.\n- **2020.08.25**: Check out pytorch1.6 branch for pytorch 1.6 support, you will meet an error like `THCudaBlas_Sgemv undefined` if you using pytorch 1.6 build master branch. master branch now work for pytorch 1.5;\n\n## Contact\n\nIf you have any question, please using this platform post questions: http:\u002F\u002Ft.manaai.cn\n","# DCNv2 最新版本\n\n- 添加对 PyTorch 1.11 的支持（可能不向后兼容）。\n- 已在 Ubuntu 20.04、Python 3.8 (Conda)、CUDA 11.4 上测试通过。\n\n已确认 PyTorch 1.11 可用，但不兼容之前的 PyTorch 版本。如果您需要 PyTorch 1.10 或更早版本，请使用 pytorch1.6 分支，或使用最新的 Git 提交。\n\n建议开始项目时使用最新的稳定版 PyTorch 1.11。\n\n## 安装\n\n```bash\n$ python3 setup.py build develop\n```\n\n## 更新日志\n\n- **2021.03.24**: 已确认 master 分支与 PyTorch 1.8 兼容，请放心使用。\n- **2021.02.18**: 新年快乐！master 分支终于支持 PyTorch 1.7！**理论上较低版本也适用，如果不适用，请向我提交问题！**\n- **2020.09.23**: 现在 master 分支默认支持 PyTorch 1.6，对于旧版本您需要单独的分支。\n- **2020.08.25**: 如需支持 PyTorch 1.6，请检出 pytorch1.6 分支。如果使用 PyTorch 1.6 构建 master 分支，您可能会遇到类似 `THCudaBlas_Sgemv undefined` 的错误。master 分支现在支持 PyTorch 1.5；\n\n## 联系方式\n\n如有任何问题，请使用此平台提问：http:\u002F\u002Ft.manaai.cn","# DCNv2_latest 快速上手指南\n\n## 1. 环境准备\n\n本工具基于 PyTorch 构建，建议按照以下配置准备开发环境：\n\n- **操作系统**: Ubuntu 20.04 (测试环境)\n- **Python**: 3.8+ (推荐使用 conda 创建虚拟环境)\n- **CUDA**: 11.4+\n- **PyTorch**: 推荐 1.11+ (最新稳定版)\n\n> ⚠️ **版本兼容性提示**\n> PyTorch 1.11 已确认支持，但可能与旧版本不兼容。\n> - 如需使用 **PyTorch 1.10 或更早版本**，请切换至 `pytorch1.6` 分支或使用最新的 git commit。\n> - 建议新项目直接使用 PyTorch 1.11 开始。\n\n## 2. 安装步骤\n\n在配置好上述环境后，进入项目目录并执行以下命令进行编译和安装：\n\n```bash\n$ python3 setup.py build develop\n```\n\n## 3. 基本使用\n\n安装完成后，该模块将集成到当前的 Python 环境中。您可以直接在深度学习项目的代码中导入并使用 DCNv2 层。\n\n```python\n# 示例：导入 DCNv2 模块\nfrom dcn_v2 import DCNv2\n\n# 后续在模型定义中按标准 PyTorch 方式调用\n```","某视觉算法工程师负责升级工业缺陷检测系统，需要将基础框架从 PyTorch 1.5 平滑迁移至最新的 1.11 版本以利用新硬件特性。\n\n### 没有 DCNv2_latest 时\n- 原有的自定义卷积层在新版 PyTorch 中无法编译，频繁出现链接错误。\n- 为了兼容旧代码，团队被迫锁定在低版本框架，无法享受新版本的性能优化。\n- 每次尝试更新依赖都需要手动修复 C++ 扩展接口，维护成本极高。\n- 开发环境配置复杂，不同成员因版本不一致导致“在我机器上能跑”的问题。\n\n### 使用 DCNv2_latest 后\n- DCNv2_latest 直接支持 PyTorch 1.11，通过 setup.py 一键构建，省去了大量适配工作。\n- 完美兼容 Ubuntu 20.04 和 CUDA 11.4 环境，消除了编译报错带来的阻塞。\n- 模型在迁移过程中保持精度一致，且推理效率因新版框架优化而显著提升。\n- 团队成员统一了开发环境标准，减少了因版本差异导致的沟通成本。\n\nDCNv2_latest 打通了新旧框架的壁垒，确保核心算法模块在现代计算环境中稳定高效运行。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flucasjinreal_DCNv2_latest_9125211b.png","lucasjinreal","MagicSource","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flucasjinreal_e9536669.png","Play with Neural Magic, AIGC, 3D Computer Vision, Virtual Human, 3D Artist. work at @tencent","Google","Sanfancisco","nicholasjela@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Flucasjinreal",[85,89,93,97,101],{"name":86,"color":87,"percentage":88},"C++","#f34b7d",38.4,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",28.4,{"name":94,"color":95,"percentage":96},"Python","#3572A5",26.9,{"name":98,"color":99,"percentage":100},"C","#555555",6.3,{"name":102,"color":103,"percentage":104},"Shell","#89e051",0.1,676,130,"2026-03-30T08:09:22","BSD-3-Clause",4,"Linux","需要 NVIDIA GPU，CUDA 11.4，显存大小未说明","未说明",{"notes":114,"python":115,"dependencies":116},"建议使用 conda 管理环境；Master 分支推荐 PyTorch 1.11；PyTorch 1.10 及以下版本需切换至对应分支（如 pytorch1.6）；安装方式为 python3 setup.py build develop；测试环境为 Ubuntu 20.04","3.8",[117],"torch",[13],[120,121,122],"dcnv2","pytorch","centernet","2026-03-27T02:49:30.150509","2026-04-06T07:14:49.130561",[126,131,136,141,146,150],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3263,"项目是否支持 PyTorch 1.7 版本？","支持。维护者确认 Master 分支已支持 PyTorch 1.7，理论上兼容更低或更高版本。如果遇到不兼容情况，建议提交新 Issue。","https:\u002F\u002Fgithub.com\u002Flucasjinreal\u002FDCNv2_latest\u002Fissues\u002F9",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3264,"PyTorch 1.8+ 编译时报错 `THCudaBlas_Sgemm is undefined` 如何解决？","这是因为新版 PyTorch 移除了 THCudaBlas 库。解决方案是更新代码移除对 `THCudaBlas_SgemmBatched` 等函数的引用，或者使用针对新版 PyTorch 修复过的其他仓库（例如 tteepe\u002FDCNv2）。","https:\u002F\u002Fgithub.com\u002Flucasjinreal\u002FDCNv2_latest\u002Fissues\u002F25",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3265,"在虚拟环境中运行 `make.sh` 报错 `ModuleNotFoundError` 怎么办？","如果使用的是 Anaconda 或虚拟环境，不需要也不应该使用 `sudo` 执行脚本。建议手动编辑 `make.sh`，移除 `sudo rm` 和 `sudo python3` 中的 `sudo` 前缀。","https:\u002F\u002Fgithub.com\u002Flucasjinreal\u002FDCNv2_latest\u002Fissues\u002F44",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},3266,"编译时 GCC 和 NVCC 版本有什么限制？","需要注意版本匹配。如果 GCC 版本 >= 7，则 NVCC 版本应 >= 10，否则可能导致构建失败。","https:\u002F\u002Fgithub.com\u002Flucasjinreal\u002FDCNv2_latest\u002Fissues\u002F4",{"id":147,"question_zh":148,"answer_zh":149,"source_url":130},3267,"如何设置环境变量以支持新显卡架构（如 RTX 30 系）？","建议在编译前添加导出命令：`export TORCH_CUDA_ARCH_LIST=\"8.0 + PTX\"`，这有助于解决部分新显卡的编译问题。",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},3268,"RTX 30 系列显卡（如 3080\u002F3090）编译失败常见原因及处理？","这是一个常见问题。维护者在 PyTorch 1.8+CUDA 11 下测试无问题。若遇到 `ninja` 构建停止，可能是 PyTorch 内部编译行配置问题，可参考相关 Issue 排查，或尝试其他修复过的 DCNv2 版本。","https:\u002F\u002Fgithub.com\u002Flucasjinreal\u002FDCNv2_latest\u002Fissues\u002F24",[]]