[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-lutzroeder--netron":3,"similar-lutzroeder--netron":136},{"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":17,"owner_email":17,"owner_twitter":14,"owner_website":19,"owner_url":20,"languages":21,"stars":42,"forks":43,"last_commit_at":44,"license":45,"difficulty_score":46,"env_os":47,"env_gpu":48,"env_ram":48,"env_deps":49,"category_tags":52,"github_topics":56,"view_count":29,"oss_zip_url":17,"oss_zip_packed_at":17,"status":73,"created_at":74,"updated_at":75,"faqs":76,"releases":107},8793,"lutzroeder\u002Fnetron","netron","Visualizer for neural network, deep learning and machine learning models","Netron 是一款专为神经网络、深度学习及机器学习模型打造的可视化查看器。在 AI 开发过程中，模型文件往往如同“黑盒”，内部复杂的层级结构和数据流向难以直观把握，而 Netron 正是为了解决这一痛点而生。它能将抽象的模型文件转化为清晰、交互式的结构图，让用户轻松审视网络的每一层细节、参数配置以及连接关系。\n\n这款工具非常适合 AI 开发者、算法研究人员以及需要调试或优化模型的技术人员使用。无论是检查模型架构是否正确，还是分析算子连接以排查错误，Netron 都能提供极大的便利。其核心亮点在于拥有极广泛的格式兼容性：不仅完美支持 ONNX、PyTorch、TensorFlow Lite、Core ML、Keras 等主流框架的标准格式，还实验性支持 TorchScript、MLIR、GGUF 等多种新兴或特定平台格式。用户无需安装繁琐的环境，既可以通过浏览器直接打开链接查看，也可以在 Windows、macOS 和 Linux 上作为桌面应用运行，甚至通过 Python 命令行快速启动。Netron 以其轻量、高效和强大的兼容性，成为了理解和分析 AI 模型不可或缺的得力助手。","\u003Cdiv align=\"center\">\n\u003Cimg width=\"400px\" height=\"100px\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flutzroeder_netron_readme_1c1c03d85b24.png\">\n\u003Cimg width=\"400px\" height=\"100px\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flutzroeder_netron_readme_32e967811cbb.png\">\n\u003C\u002Fdiv>\n\nNetron is a viewer for neural network, deep learning and machine learning models.\n\nNetron supports ONNX, TensorFlow Lite, PyTorch, torch.export, ExecuTorch, Core ML, Keras, Caffe, Darknet, TensorFlow.js, Safetensors and NumPy.\n\nNetron has experimental support for TorchScript, MLIR, TensorFlow, OpenVINO, RKNN, ncnn, MNN, PaddlePaddle, GGUF and scikit-learn.\n\n\u003Cp align='center'>\u003Ca href='https:\u002F\u002Fwww.lutzroeder.com\u002Fai'>\u003Cimg src='.github\u002Fscreenshot.png' width='800'>\u003C\u002Fa>\u003C\u002Fp>\n\n## Install\n\n**Browser**: [**Start**](https:\u002F\u002Fnetron.app) the browser version.\n\n**macOS**: [**Download**](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest) the `.dmg` file or run `brew install --cask netron`.\n\n**Linux**: [**Download**](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest) the `.deb` or `.rpm` file.\n\n**Windows**: [**Download**](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest) the `.exe` installer or run `winget install -s winget netron`.\n\n**Python**: `pip install netron`, then run `netron [FILE]` or `netron.start('[FILE]')`.\n\n## Models\n\nSample model files to download or open using the browser version:\n\n * **ONNX**: [squeezenet](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\u002Fraw\u002Fmain\u002Fvalidated\u002Fvision\u002Fclassification\u002Fsqueezenet\u002Fmodel\u002Fsqueezenet1.0-3.onnx) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\u002Fraw\u002Fmain\u002Fvalidated\u002Fvision\u002Fclassification\u002Fsqueezenet\u002Fmodel\u002Fsqueezenet1.0-3.onnx)]\n * **TorchScript**: [traced_online_pred_layer](https:\u002F\u002Fgithub.com\u002FApolloAuto\u002Fapollo\u002Fraw\u002Fmaster\u002Fmodules\u002Fprediction\u002Fdata\u002Ftraced_online_pred_layer.pt) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FApolloAuto\u002Fapollo\u002Fraw\u002Fmaster\u002Fmodules\u002Fprediction\u002Fdata\u002Ftraced_online_pred_layer.pt)]\n * **TensorFlow Lite**: [yamnet](https:\u002F\u002Fhuggingface.co\u002Fthelou1s\u002Fyamnet\u002Fresolve\u002Fmain\u002Flite-model_yamnet_tflite_1.tflite) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fhuggingface.co\u002Fthelou1s\u002Fyamnet\u002Fblob\u002Fmain\u002Flite-model_yamnet_tflite_1.tflite)]\n * **TensorFlow**: [chessbot](https:\u002F\u002Fgithub.com\u002Fsrom\u002Fchessbot\u002Fraw\u002Fmaster\u002Fmodel\u002Fchessbot.pb) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Fsrom\u002Fchessbot\u002Fraw\u002Fmaster\u002Fmodel\u002Fchessbot.pb)]\n * **Keras**: [mobilenet](https:\u002F\u002Fgithub.com\u002Faio-libs\u002Faiohttp-demos\u002Fraw\u002Fmaster\u002Fdemos\u002Fimagetagger\u002Ftests\u002Fdata\u002Fmobilenet.h5) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Faio-libs\u002Faiohttp-demos\u002Fraw\u002Fmaster\u002Fdemos\u002Fimagetagger\u002Ftests\u002Fdata\u002Fmobilenet.h5)]\n\n* **MLIR**: [edge_detection](https:\u002F\u002Fgithub.com\u002Firee-org\u002Firee\u002Fraw\u002Fmain\u002Ftests\u002Fe2e\u002Fstablehlo_models\u002Fedge_detection.mlir) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Firee-org\u002Firee\u002Fblob\u002Fmain\u002Ftests\u002Fe2e\u002Fstablehlo_models\u002Fedge_detection.mlir)]\n\n * **Core ML**: [exermote](https:\u002F\u002Fgithub.com\u002FLausbert\u002FExermote\u002Fraw\u002Fmaster\u002FExermoteInference\u002FExermoteCoreML\u002FExermoteCoreML\u002FModel\u002FExermote.mlmodel) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FLausbert\u002FExermote\u002Fraw\u002Fmaster\u002FExermoteInference\u002FExermoteCoreML\u002FExermoteCoreML\u002FModel\u002FExermote.mlmodel)]\n * **Darknet**: [yolo](https:\u002F\u002Fgithub.com\u002FAlexeyAB\u002Fdarknet\u002Fraw\u002Fmaster\u002Fcfg\u002Fyolo.cfg) [[open](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FAlexeyAB\u002Fdarknet\u002Fraw\u002Fmaster\u002Fcfg\u002Fyolo.cfg)]\n","\u003Cdiv align=\"center\">\n\u003Cimg width=\"400px\" height=\"100px\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flutzroeder_netron_readme_1c1c03d85b24.png\">\n\u003Cimg width=\"400px\" height=\"100px\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flutzroeder_netron_readme_32e967811cbb.png\">\n\u003C\u002Fdiv>\n\nNetron 是一款用于查看神经网络、深度学习和机器学习模型的工具。\n\nNetron 支持 ONNX、TensorFlow Lite、PyTorch、torch.export、ExecuTorch、Core ML、Keras、Caffe、Darknet、TensorFlow.js、Safetensors 以及 NumPy 等格式。\n\nNetron 还对 TorchScript、MLIR、TensorFlow、OpenVINO、RKNN、ncnn、MNN、PaddlePaddle、GGUF 和 scikit-learn 等格式提供了实验性支持。\n\n\u003Cp align='center'>\u003Ca href='https:\u002F\u002Fwww.lutzroeder.com\u002Fai'>\u003Cimg src='.github\u002Fscreenshot.png' width='800'>\u003C\u002Fa>\u003C\u002Fp>\n\n## 安装\n\n**浏览器**: 直接在浏览器中访问 [**开始使用**](https:\u002F\u002Fnetron.app) 浏览器版本。\n\n**macOS**: 下载 [.dmg 文件](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest)，或运行 `brew install --cask netron`。\n\n**Linux**: 下载 [.deb 或 .rpm 文件](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest)。\n\n**Windows**: 下载 [.exe 安装程序](https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Freleases\u002Flatest)，或运行 `winget install -s winget netron`。\n\n**Python**: 使用 `pip install netron` 安装，然后运行 `netron [FILE]` 或 `netron.start('[FILE]')`。\n\n## 模型\n\n以下是一些可供下载或通过浏览器版本打开的示例模型文件：\n\n * **ONNX**: [squeezenet](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\u002Fraw\u002Fmain\u002Fvalidated\u002Fvision\u002Fclassification\u002Fsqueezenet\u002Fmodel\u002Fsqueezenet1.0-3.onnx) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\u002Fraw\u002Fmain\u002Fvalidated\u002Fvision\u002Fclassification\u002Fsqueezenet\u002Fmodel\u002Fsqueezenet1.0-3.onnx)]\n * **TorchScript**: [traced_online_pred_layer](https:\u002F\u002Fgithub.com\u002FApolloAuto\u002Fapollo\u002Fraw\u002Fmaster\u002Fmodules\u002Fprediction\u002Fdata\u002Ftraced_online_pred_layer.pt) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FApolloAuto\u002Fapollo\u002Fraw\u002Fmaster\u002Fmodules\u002Fprediction\u002Fdata\u002Ftraced_online_pred_layer.pt)]\n * **TensorFlow Lite**: [yamnet](https:\u002F\u002Fhuggingface.co\u002Fthelou1s\u002Fyamnet\u002Fresolve\u002Fmain\u002Flite-model_yamnet_tflite_1.tflite) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fhuggingface.co\u002Fthelou1s\u002Fyamnet\u002Fblob\u002Fmain\u002Flite-model_yamnet_tflite_1.tflite)]\n * **TensorFlow**: [chessbot](https:\u002F\u002Fgithub.com\u002Fsrom\u002Fchessbot\u002Fraw\u002Fmaster\u002Fmodel\u002Fchessbot.pb) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Fsrom\u002Fchessbot\u002Fraw\u002Fmaster\u002Fmodel\u002Fchessbot.pb)]\n * **Keras**: [mobilenet](https:\u002F\u002Fgithub.com\u002Faio-libs\u002Faiohttp-demos\u002Fraw\u002Fmaster\u002Fdemos\u002Fimagetagger\u002Ftests\u002Fdata\u002Fmobilenet.h5) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Faio-libs\u002Faiohttp-demos\u002Fraw\u002Fmaster\u002Fdemos\u002Fimagetagger\u002Ftests\u002Fdata\u002Fmobilenet.h5)]\n\n* **MLIR**: [edge_detection](https:\u002F\u002Fgithub.com\u002Firee-org\u002Firee\u002Fraw\u002Fmain\u002Ftests\u002Fe2e\u002Fstablehlo_models\u002Fedge_detection.mlir) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002Firee-org\u002Firee\u002Fblob\u002Fmain\u002Ftests\u002Fe2e\u002Fstablehlo_models\u002Fedge_detection.mlir)]\n\n * **Core ML**: [exermote](https:\u002F\u002Fgithub.com\u002FLausbert\u002FExermote\u002Fraw\u002Fmaster\u002FExermoteInference\u002FExermoteCoreML\u002FExermoteCoreML\u002FModel\u002FExermote.mlmodel) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FLausbert\u002FExermote\u002Fraw\u002Fmaster\u002FExermoteInference\u002FExermoteCoreML\u002FExermoteCoreML\u002FModel\u002FExermote.mlmodel)]\n * **Darknet**: [yolo](https:\u002F\u002Fgithub.com\u002FAlexeyAB\u002Fdarknet\u002Fraw\u002Fmaster\u002Fcfg\u002Fyolo.cfg) [[打开](https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fgithub.com\u002FAlexeyAB\u002Fdarknet\u002Fraw\u002Fmaster\u002Fcfg\u002Fyolo.cfg)]","# Netron 快速上手指南\n\nNetron 是一款专为神经网络、深度学习和机器学习模型设计的可视化工具。它支持 ONNX、PyTorch、TensorFlow Lite、Core ML、Keras 等多种主流格式，帮助开发者直观地查看模型结构、层级连接及参数信息。\n\n## 环境准备\n\n*   **操作系统**：支持 Windows、macOS、Linux。\n*   **前置依赖**：\n    *   **桌面版**：无需额外依赖，直接安装即可运行。\n    *   **Python 版**：需安装 Python 3.x 及 `pip` 包管理工具。\n    *   **浏览器版**：无需安装，仅需现代浏览器（Chrome, Edge, Firefox 等）。\n*   **网络建议**：若访问 GitHub 释放页或 PyPI 源较慢，建议使用国内镜像源或代理加速。\n\n## 安装步骤\n\n根据您的使用习惯，选择以下任一方式安装：\n\n### 1. 桌面客户端（推荐）\n\n*   **macOS**\n    *   使用 Homebrew 安装：\n        ```bash\n        brew install --cask netron\n        ```\n    *   或下载 `.dmg` 文件手动安装。\n\n*   **Windows**\n    *   使用 winget 安装：\n        ```bash\n        winget install -s winget netron\n        ```\n    *   或下载 `.exe` 安装包手动安装。\n\n*   **Linux**\n    *   前往发布页下载对应发行版的 `.deb` (Debian\u002FUbuntu) 或 `.rpm` (Fedora\u002FCentOS) 文件进行安装。\n\n### 2. Python 命令行工具\n\n适用于已配置 Python 环境的开发者：\n\n```bash\npip install netron\n# 国内用户推荐使用清华源加速安装\n# pip install netron -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 浏览器免安装版\n\n无需安装，直接访问官网即可使用：\n*   地址：[https:\u002F\u002Fnetron.app](https:\u002F\u002Fnetron.app)\n\n## 基本使用\n\n### 方式一：启动桌面应用\n安装完成后，直接在系统应用菜单中打开 **Netron**。\n*   将模型文件（如 `.onnx`, `.pt`, `.h5` 等）拖拽到窗口中即可查看。\n*   或通过 `File` -> `Open` 选择本地文件。\n\n### 方式二：使用 Python 命令启动\n在终端中运行以下命令，自动启动本地服务器并在浏览器中打开模型：\n\n```bash\n# 直接指定文件路径启动\nnetron model.onnx\n\n# 或在 Python 脚本\u002F交互模式中调用\npython -c \"import netron; netron.start('model.onnx')\"\n```\n*启动后，终端会显示本地访问地址（通常为 `http:\u002F\u002Flocalhost:8080`），按提示在浏览器打开即可。*\n\n### 方式三：浏览器直接加载\n如果您使用的是浏览器版，或者想分享模型链接：\n1. 打开 [https:\u002F\u002Fnetron.app](https:\u002F\u002Fnetron.app)。\n2. 点击页面上的 **\"Open Model\"** 按钮上传本地文件。\n3. 或者在 URL 后添加 `?url=` 参数直接加载远程模型（需跨域支持），例如：\n   `https:\u002F\u002Fnetron.app?url=https:\u002F\u002Fexample.com\u002Fmodel.onnx`\n\n### 支持的主要格式\n*   **完全支持**：ONNX, TensorFlow Lite, PyTorch (.pt, .pth), Core ML, Keras, Caffe, Darknet, TensorFlow.js, Safetensors, NumPy。\n*   **实验性支持**：TorchScript, MLIR, TensorFlow (.pb), OpenVINO, PaddlePaddle, GGUF, scikit-learn 等。","某计算机视觉团队在将训练好的 YOLO 目标检测模型从 PyTorch 迁移到移动端（ONNX 格式）时，遇到了推理结果异常的问题，急需排查模型结构在转换过程中是否发生了改变。\n\n### 没有 netron 时\n- 开发人员只能依赖打印模型的文本摘要或编写复杂的调试代码来遍历节点，无法直观看到层级连接关系。\n- 面对转换后出现的维度不匹配错误，难以快速定位是哪一层卷积或激活函数的输出形状发生了意外变化。\n- 团队成员间沟通模型架构缺陷时，只能口头描述或手绘草图，缺乏统一、精确的可视化依据，沟通效率极低。\n- 验证算子是否被正确导出（如自定义层是否被替换）需要反复运行测试脚本，试错成本高昂且耗时。\n\n### 使用 netron 后\n- 直接在浏览器或桌面端打开 ONNX 文件，即可呈现完整的交互式流程图，清晰展示从输入到输出的所有节点与数据流向。\n- 点击任意图层即可查看详细的属性面板，瞬间发现某层输出通道数在转换中被错误截断，迅速锁定维度报错根源。\n- 通过截图或分享链接，团队成员能基于同一张精确的结构图进行讨论，快速确认架构修改方案，消除理解歧义。\n- 直观核对每个算子的类型和参数，立即确认自定义层已被正确转换为标准算子，无需再编写额外的验证代码。\n\nnetron 将晦涩的模型二进制文件转化为直观的可视化图表，让开发者从“盲猜”结构变为“眼见为实”，极大提升了模型调试与协作的效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flutzroeder_netron_ded68190.png","lutzroeder","Lutz Roeder","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flutzroeder_412c757c.jpg",null,"@microsoft","lutzroeder.com","https:\u002F\u002Fgithub.com\u002Flutzroeder",[22,26,30,34,38],{"name":23,"color":24,"percentage":25},"JavaScript","#f1e05a",96.6,{"name":27,"color":28,"percentage":29},"Python","#3572A5",2,{"name":31,"color":32,"percentage":33},"Shell","#89e051",0.7,{"name":35,"color":36,"percentage":37},"HTML","#e34c26",0.6,{"name":39,"color":40,"percentage":41},"CSS","#663399",0.1,32766,3102,"2026-04-17T14:19:06","MIT",1,"Linux, macOS, Windows","未说明",{"notes":50,"python":48,"dependencies":51},"该工具主要作为模型查看器使用，提供多种安装方式：1. 浏览器版（无需安装，直接访问 netron.app）；2. 桌面客户端（macOS 支持 dmg 或 Homebrew，Linux 支持 deb 或 rpm，Windows 支持 exe 或 winget）；3. Python 包（通过 pip 安装后命令行运行）。支持 ONNX、PyTorch、TensorFlow Lite 等多种主流深度学习模型格式，无特殊硬件加速需求。",[],[53,54,55],"Agent","图像","开发框架",[57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72],"neural-network","deep-learning","machine-learning","deeplearning","machinelearning","ai","ml","visualizer","onnx","keras","tensorflow","tensorflow-lite","coreml","pytorch","numpy","safetensors","ready","2026-03-27T02:49:30.150509","2026-04-18T09:19:27.572140",[77,82,87,92,97,102],{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},39449,"Netron 提示'Unknown function'（未知函数）错误怎么办？","这通常是因为模型文件中包含 Netron 尚未支持的特定 Python 函数（例如 'torch.rms_norm' 或 'ops.prim.ConstantChunk'）。要解决此问题，请提供具体的模型文件以便复现，并说明该文件是如何创建的。维护者需要根据这些信息来添加对新算子的支持。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F546",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},39450,"打开 PyTorch (.pt\u002F.pth) 模型时提示'File does not contain root module or state dictionary'错误？","此错误表示 Netron 无法在文件中找到预期的根模块或状态字典。这常见于某些特殊格式的模型，如 Stable Diffusion 的 Textual Inversion embeddings (.pt)、随机数生成器状态文件 (rng_state.pth) 或仅包含部分权重的检查点。请确认文件是否为完整的模型结构文件，而非仅仅是权重数据或嵌入向量。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F543",{"id":88,"question_zh":89,"answer_zh":90,"source_url":91},39451,"Windows 版 Netron 关闭后进程仍在后台运行占用资源怎么办？","这是一个已知的多实例处理问题。复现步骤通常是：1. 双击打开一个 .onnx 文件；2. 双击打开另一个不同的 .onnx 文件；3. 切换到其他应用；4. 直接从任务栏关闭 Netron 窗口（未聚焦时）。此时第二个实例可能无法正常退出。临时解决方法是通过任务管理器强制结束残留进程。开发者正在修复构造函数中的立即返回逻辑以解决此问题。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F322",{"id":93,"question_zh":94,"answer_zh":95,"source_url":96},39452,"ONNX 模型报错'File format is not onnx.ModelProto'是什么原因？","如果该文件是使用 Python onnx 模块（如版本 1.15.0）在 Linux 上生成且能正常保存，但在 Netron 中无法读取，这可能与底层的 protobuf 库解析大文件时的兼容性问题有关（参考 protocolbuffers\u002Fprotobuf#11729）。建议检查 ONNX 文件的完整性，或尝试使用不同版本的 onnx 库重新导出模型。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F549",{"id":98,"question_zh":99,"answer_zh":100,"source_url":101},39453,"如何加速加载带有外部权重的大规模 ONNX 模型？","对于包含数 GB 外部权重文件的巨大 Transformer 模型，可以通过设置环境变量来跳过加载外部权重，从而显著加快打开速度。在启动 Netron 前设置环境变量：`NETRON_SKIP_EXTERNAL=1`（或在代码中设置 `process.env.NETRON_SKIP_EXTERNAL`）。这样 Netron 将只加载模型结构而不加载具体的权重数据，加载时间可从几分钟缩短至几秒。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F1387",{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},39454,"Netron 提示'Cannot read property'错误且无法打开模型文件？","这通常是由于模型文件损坏、格式不标准或包含 Netron 无法解析的特定属性导致的。遇到此问题时，最有效的解决方法是提供具体的模型文件（最好压缩为 Zip 格式）给维护者进行分析。如果没有敏感信息，可以将文件上传到 GitHub Issue 附件或通过其他链接分享，以便开发者定位具体的解析错误位置。","https:\u002F\u002Fgithub.com\u002Flutzroeder\u002Fnetron\u002Fissues\u002F647",[108,112,116,120,124,128,132],{"id":109,"version":110,"summary_zh":17,"released_at":111},315389,"v9.0.2","2026-04-17T14:20:51",{"id":113,"version":114,"summary_zh":17,"released_at":115},315390,"v9.0.1","2026-04-10T16:40:39",{"id":117,"version":118,"summary_zh":17,"released_at":119},315391,"v9.0.0","2026-04-03T15:40:10",{"id":121,"version":122,"summary_zh":17,"released_at":123},315392,"v8.9.9","2026-03-28T18:09:00",{"id":125,"version":126,"summary_zh":17,"released_at":127},315393,"v8.9.8","2026-03-29T17:13:29",{"id":129,"version":130,"summary_zh":17,"released_at":131},315394,"v8.9.7","2026-03-27T08:04:06",{"id":133,"version":134,"summary_zh":17,"released_at":135},315395,"v8.8.0","2025-12-26T19:57:17",[137,147,155,164,173,181],{"id":138,"name":139,"github_repo":140,"description_zh":141,"stars":142,"difficulty_score":143,"last_commit_at":144,"category_tags":145,"status":73},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",[53,55,54,146],"数据工具",{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":143,"last_commit_at":153,"category_tags":154,"status":73},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",[55,54,53],{"id":156,"name":157,"github_repo":158,"description_zh":159,"stars":160,"difficulty_score":29,"last_commit_at":161,"category_tags":162,"status":73},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",159636,"2026-04-17T23:33:34",[55,53,163],"语言模型",{"id":165,"name":166,"github_repo":167,"description_zh":168,"stars":169,"difficulty_score":46,"last_commit_at":170,"category_tags":171,"status":73},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,"2026-04-16T14:50:03",[53,172],"插件",{"id":174,"name":175,"github_repo":176,"description_zh":177,"stars":178,"difficulty_score":29,"last_commit_at":179,"category_tags":180,"status":73},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",[55,54,53],{"id":182,"name":183,"github_repo":184,"description_zh":185,"stars":186,"difficulty_score":29,"last_commit_at":187,"category_tags":188,"status":73},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",[172,53,54,55]]