[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nilboy--tensorflow-yolo":3,"tool-nilboy--tensorflow-yolo":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",150037,2,"2026-04-10T23:33:47",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":76,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":77,"difficulty_score":87,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":136},6563,"nilboy\u002Ftensorflow-yolo","tensorflow-yolo","tensorflow implementation of 'YOLO : Real-Time Object Detection'(train and test)","tensorflow-yolo 是基于 TensorFlow 框架实现的 YOLO（You Only Look Once）实时目标检测算法，完整覆盖了从模型训练到测试的全流程。它主要解决了开发者在将经典的 YOLO 算法迁移至 TensorFlow 生态时面临的复现难题，让用户无需从零编写底层代码，即可快速构建能够识别图像中多个物体及其位置的高效检测系统。\n\n这款工具特别适合人工智能开发者、算法研究人员以及计算机视觉领域的学生使用。对于希望利用自有数据集进行定制化模型训练的用户，tensorflow-yolo 提供了清晰的指引：支持将数据转换为标准格式，并通过配置文件灵活调整训练参数。其技术亮点在于不仅提供了在 Pascal VOC 2007 数据集上的完整训练示例，还集成了预训练模型（如 yolo_tiny），大幅降低了上手门槛和计算资源需求。无论是用于学术研究验证，还是作为实际项目的开发基线，tensorflow-yolo 都能帮助用户在 TensorFlow 1.0 环境下高效地实现实时物体检测功能。","# tensorflow-yolo\n\n### Require\n\ttensorflow-1.0\n### download pretrained model\n\nyolo_tiny: \u003Ca>https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B-yiAeTLLamRekxqVE01Yi1RRlk\u002Fview?usp=sharing\u003C\u002Fa>\n\n```\n\tmv yolo_tiny.ckpt models\u002Fpretrain\u002F \n```\n\n### Train\n\n#### Train on pascal-voc2007 data \n\n##### Download pascal-Voc2007 data\n\n1. Download the training, validation and test data\n\n\t```\n\twget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtrainval_06-Nov-2007.tar\n\twget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtest_06-Nov-2007.tar\n\t```\n\n2. Extract all of these tars into one directory named `VOCdevkit`\n\n\t```\n\ttar xvf VOCtrainval_06-Nov-2007.tar\n\ttar xvf VOCtest_06-Nov-2007.tar\n\t```\n\n3. It should have this basic structure\n\n\t```\n  \t$VOCdevkit\u002F                           # development kit\n  \t$VOCdevkit\u002FVOCcode\u002F                   # VOC utility code\n  \t$VOCdevkit\u002FVOC2007                    # image sets, annotations, etc.\n  \t# ... and several other directories ...\n  \t```\n\n4. Create symlinks for the PASCAL VOC dataset\n\n\t```\n    cd $YOLO_ROOT\u002Fdata\n    ln -s $VOCdevkit VOCdevkit2007\n    ```\n    Using symlinks is a good idea because you will likely want to share the same PASCAL dataset installation between multiple projects.\n\n#### convert the Pascal-voc data to text_record file\n\n```\npython tools\u002Fpreprocess_pascal_voc.py\n```\n#### train\n```\npython tools\u002Ftrain.py -c conf\u002Ftrain.cfg\n```\n#### Train your customer data\n\n1. transform your training data to text_record file(the format reference to pascal_voc)\n\n2. write your own train-configure file\n\n3. train (python tools\u002Ftrain.py -c $your_configure_file)\n\n### test demo\n\n```\npython demo.py\n```\n\n\n","# tensorflow-yolo\n\n### 需求\n\ttensorflow-1.0\n### 下载预训练模型\n\nyolo_tiny: \u003Ca>https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B-yiAeTLLamRekxqVE01Yi1RRlk\u002Fview?usp=sharing\u003C\u002Fa>\n\n```\n\tmv yolo_tiny.ckpt models\u002Fpretrain\u002F \n```\n\n### 训练\n\n#### 在pascal-voc2007数据集上训练 \n\n##### 下载pascal-Voc2007数据\n\n1. 下载训练、验证和测试数据\n\n\t```\n\twget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtrainval_06-Nov-2007.tar\n\twget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtest_06-Nov-2007.tar\n\t```\n\n2. 将所有这些tar包解压到一个名为`VOCdevkit`的目录中\n\n\t```\n\ttar xvf VOCtrainval_06-Nov-2007.tar\n\ttar xvf VOCtest_06-Nov-2007.tar\n\t```\n\n3. 目录结构应如下所示：\n\n\t```\n  \t$VOCdevkit\u002F                           # 开发工具包\n  \t$VOCdevkit\u002FVOCcode\u002F                   # VOC实用工具代码\n  \t$VOCdevkit\u002FVOC2007                    # 图像集、标注等。\n  \t# ... 还有其他几个目录 ...\n  \t```\n\n4. 为PASCAL VOC数据集创建符号链接\n\n\t```\n    cd $YOLO_ROOT\u002Fdata\n    ln -s $VOCdevkit VOCdevkit2007\n    ```\n    使用符号链接是个好主意，因为您很可能希望在多个项目之间共享同一个PASCAL数据集安装。\n\n#### 将Pascal-voc数据转换为text_record文件\n\n```\npython tools\u002Fpreprocess_pascal_voc.py\n```\n#### 训练\n```\npython tools\u002Ftrain.py -c conf\u002Ftrain.cfg\n```\n#### 使用您的自定义数据进行训练\n\n1. 将您的训练数据转换为text_record文件（格式参考pascal_voc）。\n\n2. 编写您自己的训练配置文件。\n\n3. 进行训练（python tools\u002Ftrain.py -c $your_configure_file）。\n\n### 测试演示\n\n```\npython demo.py\n```","# tensorflow-yolo 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS (Windows 需配置相应兼容环境)\n*   **核心依赖**：TensorFlow 1.0\n    *   *注意：该项目基于较旧版本的 TensorFlow 开发，建议使用 Python 3.5 或 3.6 配合 `tensorflow-gpu==1.0` 以避免兼容性问题。*\n*   **其他工具**：`wget`, `tar`, `python`\n\n## 安装步骤\n\n### 1. 获取预训练模型\n\n下载 `yolo_tiny` 预训练权重文件，并将其移动到指定目录。\n\n```bash\n# 下载模型 (如果 Google Drive 访问缓慢，可尝试使用国内镜像或代理)\n# 链接: https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B-yiAeTLLamRekxqVE01Yi1RRlk\u002Fview?usp=sharing\n\n# 移动模型文件到 models\u002Fpretrain\u002F 目录\nmv yolo_tiny.ckpt models\u002Fpretrain\u002F\n```\n\n### 2. 准备数据集 (以 Pascal VOC 2007 为例)\n\n如果您打算使用官方数据集进行训练或微调，请按以下步骤操作：\n\n**下载数据**\n```bash\nwget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtrainval_06-Nov-2007.tar\nwget http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002Fvoc2007\u002FVOCtest_06-Nov-2007.tar\n```\n*> 提示：若上述牛津大学源下载速度慢，可搜索国内开源镜像站（如清华、中科大镜像）获取 VOC 数据集。*\n\n**解压并整理目录**\n```bash\ntar xvf VOCtrainval_06-Nov-2007.tar\ntar xvf VOCtest_06-Nov-2007.tar\n```\n确保目录结构如下：\n```text\n$VOCdevkit\u002F\n├── VOCcode\u002F\n└── VOC2007\u002F\n```\n\n**创建软链接**\n进入项目数据目录并建立映射（便于多项目共享数据）：\n```bash\ncd $YOLO_ROOT\u002Fdata\nln -s $VOCdevkit VOCdevkit2007\n```\n\n### 3. 数据预处理\n\n将 Pascal VOC 格式的数据转换为模型所需的文本记录文件：\n\n```bash\npython tools\u002Fpreprocess_pascal_voc.py\n```\n\n## 基本使用\n\n### 启动训练\n\n使用默认配置文件开始在 Pascal VOC 2007 数据集上训练：\n\n```bash\npython tools\u002Ftrain.py -c conf\u002Ftrain.cfg\n```\n\n> **自定义数据训练简述**：\n> 若需训练自己的数据，请参照 Pascal VOC 格式将数据转换为 `text_record` 文件，编写新的配置文件，然后运行：\n> `python tools\u002Ftrain.py -c $your_configure_file`\n\n### 运行测试演示\n\n训练完成后（或直接使用预训练模型），运行以下命令查看检测效果：\n\n```bash\npython demo.py\n```","某智慧物流团队需要开发一套自动识别传送带上包裹类型的系统，以便实时分拣不同尺寸和形状的货物。\n\n### 没有 tensorflow-yolo 时\n- 团队需从零复现 YOLO 算法的 TensorFlow 版本，耗费数周时间调试网络结构与损失函数，开发周期严重滞后。\n- 缺乏现成的预训练模型（如 yolo_tiny），必须收集海量标注数据从头训练，导致初期识别准确率极低且算力成本高昂。\n- 数据预处理流程繁琐，开发人员需手动编写脚本将 Pascal VOC 等标准数据集转换为特定格式，极易因格式错误导致训练失败。\n- 缺少统一的训练配置文件模板，每次调整超参数或切换自定义数据集时，都要反复修改底层代码，维护难度极大。\n\n### 使用 tensorflow-yolo 后\n- 直接复用官方提供的完整 TensorFlow 实现，团队仅需一天即可完成环境搭建与模型验证，大幅缩短研发上线时间。\n- 一键下载并加载预训练的 yolo_tiny 模型，在少量自有包裹数据上进行微调（Fine-tuning），迅速达到生产级识别精度。\n- 利用内置的 `preprocess_pascal_voc.py` 脚本，自动化完成标准数据集到 text_record 格式的转换，消除了人工处理数据的出错风险。\n- 通过修改简单的 `.cfg` 配置文件即可启动训练或适配自定义数据，无需触碰核心代码，显著降低了迭代优化的技术门槛。\n\ntensorflow-yolo 通过提供开箱即用的训练推理闭环，让开发者能专注于业务数据本身，而非重复造轮子，实现了物体检测项目的快速落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnilboy_tensorflow-yolo_24b28daa.png","nilboy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnilboy_1432f5ff.jpg","sixcluster.jxh@gmail.com","Yiwise.com","China, Zhejiang, HangZhou",null,"https:\u002F\u002Fgithub.com\u002Fnilboy",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,771,307,"2026-03-20T23:48:58",4,"Linux, macOS","未说明（基于 TensorFlow 1.0，通常建议 NVIDIA GPU 以加速训练，但非强制）","未说明",{"notes":92,"python":93,"dependencies":94},"该项目依赖较旧的 TensorFlow 1.0 版本。运行前需手动下载预训练模型文件（yolo_tiny.ckpt）并放置于指定目录。训练数据需使用 Pascal VOC 2007 数据集，并通过提供的脚本转换为 text_record 格式。由于 TensorFlow 1.0 已停止维护，在现代操作系统上安装可能遇到兼容性问题，建议使用 Docker 或虚拟环境隔离运行。","未说明（兼容 TensorFlow 1.0 的 Python 版本，通常为 2.7 或 3.5-3.6）",[95],"tensorflow==1.0",[14],[98,99,64],"yolo","tensorflow","2026-03-27T02:49:30.150509","2026-04-11T17:48:53.763910",[103,108,113,118,123,128,132],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},29638,"如何微调预训练模型以适应只有少数类别的自定义数据集？","您可以按照以下步骤进行微调：\n1. 下载预训练模型。\n2. 编写自己的配置文件（参考 conf\u002Ftrain.cfg），将 num_classes 修改为您数据的类别数量（例如 2）。\n3. 将训练数据转换为 text_record 文件格式（参考 pascal_voc 格式）。\n4. 运行训练命令：python tools\u002Ftrain.py -c $your_configure_file。","https:\u002F\u002Fgithub.com\u002Fnilboy\u002Ftensorflow-yolo\u002Fissues\u002F1",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},29639,"运行 demo.py 时出现 'No module named net' 或 'No module named dataset' 错误怎么办？","这通常是因为 Python 版本不兼容导致的。该项目主要支持 Python 2.7，如果您使用的是 Anaconda3 (Python 3)，请切换到项目的 'python3' 分支，或者确保使用 Python 2.7 环境运行。如果是 Python 3 环境，请确认您正在运行的是针对 Python 3 优化的代码分支。","https:\u002F\u002Fgithub.com\u002Fnilboy\u002Ftensorflow-yolo\u002Fissues\u002F37",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},29640,"在 TensorFlow 1.0+ 版本中运行代码时报错 'module 'tensorflow' has no attribute 'mul'' 如何解决？","这是因为 TensorFlow 1.0 废弃了 tf.mul 函数。您需要将代码中的 tf.mul 替换为 tf.multiply。具体需要修改的文件位于 .\u002Fyolo\u002Fnet 文件夹下（如 net.py）。替换后通常可以解决该兼容性问题。","https:\u002F\u002Fgithub.com\u002Fnilboy\u002Ftensorflow-yolo\u002Fissues\u002F12",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},29641,"为什么训练后的模型性能反而比初始预训练模型差，或者无法识别所有物体？","这种情况可能有几个原因：\n1. 如果您是从头开始训练且步数不足（如仅 20,000 步），模型可能尚未收敛，建议加载初始权重文件继续训练或增加训练步数。\n2. 检查损失值（loss），如果损失值很大且不再下降，可能是优化器配置问题。\n3. 尝试加载较早的检查点（如 500K 步）对比效果。\n4. 对于检测不到物体的情况，可以通过调整 demo.py 中基于置信度 C 的阈值来判断框是否为有效物体。","https:\u002F\u002Fgithub.com\u002Fnilboy\u002Ftensorflow-yolo\u002Fissues\u002F16",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},29642,"运行 demo.py 时推理速度非常慢（单张图片超过 100 秒）是正常的吗？","这不正常，通常是因为计时方式包含了模型加载和图构建的时间。实际上，加载模型和构建计算图耗时较长，而真正的推理（sess.run(...)）时间应该很短。请单独测试 sess.run() 的执行时间来获取准确的推理速度。","https:\u002F\u002Fgithub.com\u002Fnilboy\u002Ftensorflow-yolo\u002Fissues\u002F13",{"id":129,"question_zh":130,"answer_zh":131,"source_url":112},29643,"如何在只训练一个类别的情况下修改代码？","您需要修改配置文件（.cfg），将类别数量（num_classes）设置为 1，并确保您的训练数据标签文件中只包含该类别的信息。同时，建议从预训练模型开始微调，而不是从头训练，以获得更好的效果。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":112},29644,"如何使用 GPU 模式运行此项目？","如果您想使用 GPU 模式运行，需要安装 tensorflow-gpu 包（pip install tensorflow-gpu）。作者确认该演示既可以在 CPU 模式下运行，也可以在 GPU 模式下运行。",[]]