[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mystic123--tensorflow-yolo-v3":3,"tool-mystic123--tensorflow-yolo-v3":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":76,"owner_website":76,"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":101,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":141},9510,"mystic123\u002Ftensorflow-yolo-v3","tensorflow-yolo-v3","Implementation of YOLO v3 object detector in Tensorflow (TF-Slim)","tensorflow-yolo-v3 是一个基于 TensorFlow（TF-Slim）框架实现的 YOLO v3 目标检测开源项目。它成功将原本在 Darknet 框架下运行的高效检测模型迁移至 TensorFlow 生态，解决了开发者希望在 TensorFlow 环境中直接利用 YOLO v3 强大检测能力却缺乏现成实现的问题。\n\n该项目不仅完整复现了 YOLO v3 的网络架构，还提供了实用的权重转换工具，支持将官方预训练的 COCO 数据集权重（包括完整版、Tiny 轻量版及 SPP 版）无缝转换为 TensorFlow 可用的检查点或冻结模型格式。用户只需简单几步命令行操作，即可加载模型并对图片进行快速推理演示。\n\n目前，tensorflow-yolo-v3 特别适合熟悉 Python 和 TensorFlow 的 AI 开发者与研究人员使用，尤其是那些需要在 Ubuntu 环境下构建自定义检测流程、进行模型微调或学习目标检测底层原理的技术人员。虽然训练管道等功能仍在规划中，但其清晰的代码结构和详细的教程文档，使其成为理解 YOLO v3 机制及在 TensorFlow 中部","tensorflow-yolo-v3 是一个基于 TensorFlow（TF-Slim）框架实现的 YOLO v3 目标检测开源项目。它成功将原本在 Darknet 框架下运行的高效检测模型迁移至 TensorFlow 生态，解决了开发者希望在 TensorFlow 环境中直接利用 YOLO v3 强大检测能力却缺乏现成实现的问题。\n\n该项目不仅完整复现了 YOLO v3 的网络架构，还提供了实用的权重转换工具，支持将官方预训练的 COCO 数据集权重（包括完整版、Tiny 轻量版及 SPP 版）无缝转换为 TensorFlow 可用的检查点或冻结模型格式。用户只需简单几步命令行操作，即可加载模型并对图片进行快速推理演示。\n\n目前，tensorflow-yolo-v3 特别适合熟悉 Python 和 TensorFlow 的 AI 开发者与研究人员使用，尤其是那些需要在 Ubuntu 环境下构建自定义检测流程、进行模型微调或学习目标检测底层原理的技术人员。虽然训练管道等功能仍在规划中，但其清晰的代码结构和详细的教程文档，使其成为理解 YOLO v3 机制及在 TensorFlow 中部署经典模型的优质参考范本。","# tensorflow-yolo-v3\n\nImplementation of YOLO v3 object detector in Tensorflow (TF-Slim). Full tutorial can be found [here](https:\u002F\u002Fmedium.com\u002F@pawekapica_31302\u002Fimplementing-yolo-v3-in-tensorflow-tf-slim-c3c55ff59dbe).\n\nTested on Python 3.5, Tensorflow 1.11.0 on Ubuntu 16.04.\n\n## Todo list:\n- [x] YOLO v3 architecture\n- [x] Basic working demo\n- [x] Weights converter (util for exporting loaded COCO weights as TF checkpoint)\n- [ ] Training pipeline\n- [ ] More backends\n\n## How to run the demo:\nTo run demo type this in the command line:\n\n1. Download COCO class names file: `wget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fdata\u002Fcoco.names`\n2. Download and convert model weights:    \n    1. Download binary file with desired weights: \n        1. Full weights: `wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights`\n        1. Tiny weights: `wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-tiny.weights` \n        1. SPP weights: `wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-spp.weights` \n    2. Run `python .\u002Fconvert_weights.py` and `python .\u002Fconvert_weights_pb.py`        \n3. Run `python .\u002Fdemo.py --input_img \u003Cpath-to-image> --output_img \u003Cname-of-output-image> --frozen_model \u003Cpath-to-frozen-model>`\n\n\n####Optional Flags\n1. convert_weights:\n    1. `--class_names`\n        1. Path to the class names file\n    2. `--weights_file`\n        1. Path to the desired weights file\n    3. `--data_format`\n        1.  `NCHW` (gpu only) or `NHWC`\n    4. `--tiny`\n        1. Use yolov3-tiny\n    5. `--spp`\n        1. Use yolov3-spp\n    6. `--ckpt_file`\n        1. Output checkpoint file\n2. convert_weights_pb.py:\n    1. `--class_names`\n            1. Path to the class names file\n    2. `--weights_file`\n        1. Path to the desired weights file    \n    3. `--data_format`\n        1.  `NCHW` (gpu only) or `NHWC`\n    4. `--tiny`\n        1. Use yolov3-tiny\n    5. `--spp`\n        1. Use yolov3-spp\n    6. `--output_graph`\n        1. Location to write the output .pb graph to\n3. demo.py\n    1. `--class_names`\n        1. Path to the class names file\n    2. `--weights_file`\n        1. Path to the desired weights file\n    3. `--data_format`\n        1.  `NCHW` (gpu only) or `NHWC`\n    4. `--ckpt_file`\n        1. Path to the checkpoint file\n    5. `--frozen_model`\n        1. Path to the frozen model\n    6. `--conf_threshold`\n        1. Desired confidence threshold\n    7. `--iou_threshold`\n        1. Desired iou threshold\n    8. `--gpu_memory_fraction`\n        1. Fraction of gpu memory to work with\n","# tensorflow-yolo-v3\n\n在 TensorFlow（TF-Slim）中实现 YOLO v3 目标检测器。完整的教程可以在这里找到：[链接](https:\u002F\u002Fmedium.com\u002F@pawekapica_31302\u002Fimplementing-yolo-v3-in-tensorflow-tf-slim-c3c55ff59dbe)。\n\n已在 Ubuntu 16.04 上的 Python 3.5 和 TensorFlow 1.11.0 环境中测试通过。\n\n## 待办事项：\n- [x] YOLO v3 架构\n- [x] 基本可用的示例程序\n- [x] 权重转换工具（用于将加载的 COCO 权重导出为 TF 检查点）\n- [ ] 训练流水线\n- [ ] 更多后端支持\n\n## 如何运行示例程序：\n要在命令行中运行示例程序，请执行以下步骤：\n\n1. 下载 COCO 类别名称文件：`wget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fdata\u002Fcoco.names`\n2. 下载并转换模型权重：\n    1. 下载包含所需权重的二进制文件：\n        1. 完整权重：`wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights`\n        1. Tiny 权重：`wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-tiny.weights`\n        1. SPP 权重：`wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3-spp.weights`\n    2. 运行 `python .\u002Fconvert_weights.py` 和 `python .\u002Fconvert_weights_pb.py`\n3. 运行 `python .\u002Fdemo.py --input_img \u003C图片路径> --output_img \u003C输出图片名称> --frozen_model \u003C冻结模型路径>`\n\n#### 可选参数\n1. convert_weights：\n    1. `--class_names`\n        1. 类别名称文件的路径\n    2. `--weights_file`\n        1. 所需权重文件的路径\n    3. `--data_format`\n        1. `NCHW`（仅限 GPU）或 `NHWC`\n    4. `--tiny`\n        1. 使用 yolov3-tiny\n    5. `--spp`\n        1. 使用 yolov3-spp\n    6. `--ckpt_file`\n        1. 输出检查点文件的路径\n2. convert_weights_pb.py：\n    1. `--class_names`\n        1. 类别名称文件的路径\n    2. `--weights_file`\n        1. 所需权重文件的路径\n    3. `--data_format`\n        1. `NCHW`（仅限 GPU）或 `NHWC`\n    4. `--tiny`\n        1. 使用 yolov3-tiny\n    5. `--spp`\n        1. 使用 yolov3-spp\n    6. `--output_graph`\n        1. 输出 .pb 图的保存路径\n3. demo.py：\n    1. `--class_names`\n        1. 类别名称文件的路径\n    2. `--weights_file`\n        1. 所需权重文件的路径\n    3. `--data_format`\n        1. `NCHW`（仅限 GPU）或 `NHWC`\n    4. `--ckpt_file`\n        1. 检查点文件的路径\n    5. `--frozen_model`\n        1. 冻结模型的路径\n    6. `--conf_threshold`\n        1. 所需的置信度阈值\n    7. `--iou_threshold`\n        1. 所需的 IoU 阈值\n    8. `--gpu_memory_fraction`\n        1. 使用的 GPU 内存比例","# tensorflow-yolo-v3 快速上手指南\n\n本指南基于 `tensorflow-yolo-v3` 项目，帮助开发者在 TensorFlow (TF-Slim) 环境中快速部署 YOLO v3 目标检测模型。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Ubuntu 16.04 (或其他 Linux 发行版，Windows\u002FmacOS 需自行调整路径)\n*   **Python 版本**: Python 3.5+\n*   **TensorFlow 版本**: TensorFlow 1.11.0 (注意：本项目基于 TF 1.x，不兼容 TF 2.x)\n*   **依赖库**: `tf-slim`, `numpy`, `Pillow` 等常规图像处理库\n\n> **提示**：由于原项目较老，建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖，避免冲突。\n\n## 安装与模型准备\n\n本项目无需传统的 `pip install` 安装包过程，主要是克隆代码并下载转换预训练权重。\n\n### 1. 获取代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fpawekapica\u002Ftensorflow-yolo-v3.git\ncd tensorflow-yolo-v3\n```\n\n### 2. 下载类别名称文件\n获取 COCO 数据集的类别标签文件：\n```bash\nwget https:\u002F\u002Fraw.githubusercontent.com\u002Fpjreddie\u002Fdarknet\u002Fmaster\u002Fdata\u002Fcoco.names\n```\n> **国内加速建议**：如果 `raw.githubusercontent.com` 访问缓慢，可使用国内镜像或代理，例如：\n> `wget https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fdarknet\u002Fraw\u002Fmaster\u002Fdata\u002Fcoco.names -O coco.names` (需确认镜像源同步情况)\n\n### 3. 下载并转换权重\n选择您需要的模型版本（全量、Tiny 或 SPP），以下以**全量模型**为例：\n\n**步骤 A: 下载原始权重文件**\n```bash\nwget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights\n```\n> **国内加速建议**：若下载受阻，可尝试通过百度网盘等国内资源站搜索 \"yolov3.weights\" 下载，或配置梯子。\n\n**步骤 B: 转换权重格式**\n运行脚本将 Darknet 权重转换为 TensorFlow 可用的 Checkpoint 和 Frozen Graph (.pb) 格式：\n```bash\npython .\u002Fconvert_weights.py --weights_file yolov3.weights --class_names coco.names\npython .\u002Fconvert_weights_pb.py --weights_file yolov3.weights --class_names coco.names\n```\n*执行成功后，当前目录下将生成 `.ckpt` 索引文件和 `yolov3.pb` (或类似名称的 frozen model) 文件。*\n\n## 基本使用\n\n完成上述步骤后，即可运行演示脚本对单张图片进行目标检测。\n\n### 运行检测示例\n将 `\u003Cpath-to-image>` 替换为您本地图片的路径，`\u003Cname-of-output-image>` 替换为输出图片的名称：\n\n```bash\npython .\u002Fdemo.py --input_img \u003Cpath-to-image> --output_img \u003Cname-of-output-image> --frozen_model yolov3.pb\n```\n\n### 常用参数说明\n*   `--input_img`: 输入图片路径。\n*   `--output_img`: 检测结果保存路径。\n*   `--frozen_model`: 上一步生成的 `.pb` 模型文件路径。\n*   `--conf_threshold`: 置信度阈值（默认通常为 0.5，低于此值的框将被过滤）。\n*   `--iou_threshold`: IOU 阈值，用于非极大值抑制 (NMS)。\n*   `--data_format`: 数据格式，GPU 环境下推荐设为 `NCHW`，CPU 或显存不足时使用 `NHWC`。\n\n**示例（指定阈值和数据格式）：**\n```bash\npython .\u002Fdemo.py --input_img test.jpg --output_img result.jpg --frozen_model yolov3.pb --conf_threshold 0.6 --data_format NHWC\n```","某智慧交通团队需要在基于 TensorFlow 的旧有监控系统中，快速集成高精度的实时车辆与行人检测功能。\n\n### 没有 tensorflow-yolo-v3 时\n- **框架迁移困难**：官方 YOLOv3 基于 Darknet 框架，团队若想利用现有的 TensorFlow 基础设施，必须从头重写网络架构，耗时数周且极易出错。\n- **权重转换繁琐**：缺乏现成的工具将 Darknet 预训练的 COCO 权重转换为 TensorFlow 可用的检查点格式，导致无法直接复用成熟模型的检测能力。\n- **部署流程割裂**：从模型加载到推理演示缺乏统一的脚本支持，开发人员需手动拼接数据预处理、前向传播和后处理逻辑，调试成本极高。\n- **硬件适配复杂**：在 GPU 环境下调整数据格式（如 NCHW 与 NHWC）和显存占用需要深入底层代码修改，难以快速验证不同配置下的性能表现。\n\n### 使用 tensorflow-yolo-v3 后\n- **架构无缝对接**：直接调用已实现的 YOLOv3 TF-Slim 架构，无需重复造轮子，半天内即可完成模型在 TensorFlow 环境中的搭建。\n- **一键权重转换**：利用内置的 `convert_weights.py` 脚本，几分钟内即可将官方提供的 `.weights` 文件转为 TensorFlow 检查点和冻结图，立即获得高精度检测能力。\n- **开箱即用演示**：通过简单的 `demo.py` 命令并指定输入输出路径，立刻运行端到端的检测流程，快速验证效果并集成到业务流中。\n- **灵活配置优化**：支持通过命令行参数轻松切换 Tiny\u002FSPP 版本、调整置信度阈值及显存占比，迅速找到适合当前监控摄像头的最佳推理配置。\n\ntensorflow-yolo-v3 消除了跨框架移植的壁垒，让开发者能专注于业务逻辑而非底层实现，极大加速了目标检测功能的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmystic123_tensorflow-yolo-v3_c920f40d.png","mystic123","Paweł Kapica","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmystic123_6f4e62a8.jpg",null,"withcoral.com","Zürich, Switzerland","pawel.kapica@gmail.com","https:\u002F\u002Fgithub.com\u002Fmystic123",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,878,347,"2026-04-16T06:31:33","Apache-2.0",4,"Linux (Ubuntu 16.04)","非必需，但支持 GPU 加速。若使用 NCHW 数据格式则必须使用 GPU。未说明具体显卡型号、显存大小及 CUDA 版本（基于 TensorFlow 1.11.0，通常对应 CUDA 9.0 和 cuDNN 7）","未说明",{"notes":95,"python":96,"dependencies":97},"该项目基于较旧的 TensorFlow 1.11.0 和 TF-Slim 架构。运行演示前需手动下载 COCO 类别名称文件及 YOLO v3 权重文件（包括完整版、Tiny 版或 SPP 版），并执行脚本将其转换为 TensorFlow 检查点或冻结模型格式。若使用 GPU 且设置数据格式为 NCHW，则必须使用 NVIDIA GPU；否则可使用 NHWC 格式在 CPU 或非 NVIDIA 环境运行。","3.5",[98,99],"tensorflow==1.11.0","tf-slim",[14,15],[102,103,104,105,106,107,108],"tensorflow","yolo","tensorflow-yolo","detector","object-detection","yolov3","deep-learning","2026-03-27T02:49:30.150509","2026-04-19T15:46:29.170744",[112,117,122,127,132,136],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},42668,"如何修复权重转换时出现的 'cannot reshape array' 错误？","该错误通常由配置文件与类别数量不匹配引起。请检查以下几点：\n1. 确保在运行 convert.py 时设置的类别数量与实际训练类别一致。\n2. 检查 .names 文件，确认末尾没有多余的空行。\n3. 如果只训练了部分类别，请从 .names 文件中移除未使用的类别名称。\n4. 检查 cfg 文件中的 upsample strides 设置是否正确。","https:\u002F\u002Fgithub.com\u002Fmystic123\u002Ftensorflow-yolo-v3\u002Fissues\u002F64",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},42669,"使用 YOLOv3-Tiny 模型转换权重时报错怎么办？","如果在转换 yolov3-tiny.weights 时遇到形状不匹配错误（如 cannot reshape into shape (512,256,3,3)），请务必在转换命令中添加 --tiny 标志。例如：\npython3 convert_weights_pb.py --class_names coco.names --data_format NHWC --weights_file yolov3-tiny.weights --tiny\n此外，在 Windows 系统上，请确保脚本文件末尾没有 Windows 风格的换行符（\\r\\n），这可能导致命令解析错误。","https:\u002F\u002Fgithub.com\u002Fmystic123\u002Ftensorflow-yolo-v3\u002Fissues\u002F79",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},42670,"检测到的边界框位置不准确如何解决？","边界框位置偏移通常是由于缩放比例计算时使用了整数除法导致的。请在代码中将缩放比例的计算强制转换为浮点数。修改如下：\nx_scale = float(original_size[0]) \u002F float(size[0])\ny_scale = float(original_size[1]) \u002F float(size[1])\n确保在 convert_to_original_size 函数中应用此更改，以修正坐标映射误差。","https:\u002F\u002Fgithub.com\u002Fmystic123\u002Ftensorflow-yolo-v3\u002Fissues\u002F24",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},42671,"找不到 'coco.names' 文件导致程序无法运行怎么办？","coco.names 文件包含 COCO 数据集的类别名称，是运行演示所必需的。虽然它可能未直接包含在仓库根目录中，但你可以从 Darknet 官方仓库获取该文件，或者查看项目 README 中提供的下载链接。确保将该文件放置在代码读取路径下，或在运行命令时指定正确的文件路径。","https:\u002F\u002Fgithub.com\u002Fmystic123\u002Ftensorflow-yolo-v3\u002Fissues\u002F32",{"id":133,"question_zh":134,"answer_zh":135,"source_url":116},42672,"如何在自定义类别上训练并避免权重形状错误？","当使用自定义类别训练时，必须修改 .cfg 配置文件中的过滤器数量（filters）。过滤器数量的计算公式为：(classes + 5) * 3。例如，如果有 3 个类别，则 filters = (3 + 5) * 3 = 24。修改 cfg 文件后，还需确保在转换权重时，--class_names 参数对应的文件行数与配置一致，且没有多余空行。",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},42673,"运行 YOLOv3-Tiny 微调后的权重时报错如何处理？","原始的 YOLOv3-Tiny 权重文件通常可以直接运行，但如果是经过微调（finetune）的权重文件，可能会因为网络结构或权重维度不匹配而报错。请确认你使用的 cfg 配置文件与训练时的配置完全一致，并且在加载权重时正确指定了 tiny 模式。如果问题依旧，检查是否在转换过程中遗漏了 --tiny 参数。","https:\u002F\u002Fgithub.com\u002Fmystic123\u002Ftensorflow-yolo-v3\u002Fissues\u002F8",[]]