[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-oarriaga--face_classification":3,"tool-oarriaga--face_classification":62},[4,18,26,35,44,53],{"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},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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"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",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},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",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},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",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"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":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":110,"github_topics":80,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":154},7253,"oarriaga\u002Fface_classification","face_classification","Real-time face detection and emotion\u002Fgender classification using fer2013\u002Fimdb datasets with a keras CNN model and openCV.","face_classification 是一款基于深度学习的人脸分析工具，能够实时检测画面中的人脸，并精准识别其情绪状态与性别。它有效解决了传统方法在复杂光照或动态场景下难以快速、准确捕捉人脸特征及情感变化的难题，为交互系统提供了关键的感知能力。\n\n该工具非常适合计算机视觉开发者、AI 研究人员以及需要集成情感计算功能的机器人团队使用。无论是构建智能监控、人机交互界面，还是进行学术实验，face_classification 都能提供坚实的基础。其技术亮点在于结合了 Keras 构建的卷积神经网络（CNN）与 OpenCV 图像处理库，在 IMDB 数据集上的性别分类准确率高达 96%，在 FER2013 情绪数据集上也达到了 66% 的测试精度。此外，项目还集成了 Guided Back-prop 和 Grad-CAM 等可视化技术，帮助使用者直观理解模型的决策依据。虽然原仓库已标记为旧版（建议关注其 TF-2.0 重构版本 paz），但它提供的完整训练脚本、Docker 部署方案及丰富的演示代码，依然是学习人脸分类任务极具价值的参考资源。","# This repository is deprecated for at TF-2.0 rewrite visit:\n# https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fpaz\n------------------------------------------------\n# Face classification and detection.\nReal-time face detection and emotion\u002Fgender classification using fer2013\u002FIMDB datasets with a keras CNN model and openCV.\n* IMDB gender classification test accuracy: 96%.\n* fer2013 emotion classification test accuracy: 66%.\n\nFor more information please consult the [publication](https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fblob\u002Fmaster\u002Freport.pdf)\n\n# Emotion\u002Fgender examples:\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_20095e98d60f.png)\n\nGuided back-prop\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_ea70ac5d4fff.png)\n\nReal-time demo:\n\u003Cdiv align='center'>\n  \u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_575d3c97fd4f.gif' width='400px'>\n\u003C\u002Fdiv>\n\n[B-IT-BOTS](https:\u002F\u002Fmas-group.inf.h-brs.de\u002F?page_id=622) robotics team :)\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_a515b67c6823.png)\n\n## Instructions\n\n### Run real-time emotion demo:\n> python3 video_emotion_color_demo.py\n\n### Run real-time guided back-prop demo:\n> python3 image_gradcam_demo.py\n\n### Make inference on single images:\n> python3 image_emotion_gender_demo.py \u003Cimage_path>\n\ne.g.\n\n> python3 image_emotion_gender_demo.py ..\u002Fimages\u002Ftest_image.jpg\n\n### Running with Docker\n\nWith a few steps one can get its own face classification and detection running. Follow the commands below:\n\n* ```docker pull ekholabs\u002Fface-classifier```\n* ```docker run -d -p 8084:8084 --name=face-classifier ekholabs\u002Fface-classifier```\n* ```curl -v -F image=@[path_to_image]  http:\u002F\u002Flocalhost:8084\u002FclassifyImage > image.png```\n\n### To train previous\u002Fnew models for emotion classification:\n\n\n* Download the fer2013.tar.gz file from [here](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata)\n\n* Move the downloaded file to the datasets directory inside this repository.\n\n* Untar the file:\n> tar -xzf fer2013.tar\n\n* Run the train_emotion_classification.py file\n> python3 train_emotion_classifier.py\n\n### To train previous\u002Fnew models for gender classification:\n\n* Download the imdb_crop.tar file from [here](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Frrothe\u002Fimdb-wiki\u002F) (It's the 7GB button with the tittle Download faces only).\n\n* Move the downloaded file to the datasets directory inside this repository.\n\n* Untar the file:\n> tar -xfv imdb_crop.tar\n\n* Run the train_gender_classification.py file\n> python3 train_gender_classifier.py\n\n","# 此仓库已弃用，TF 2.0 重写版本请访问：\n# https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fpaz\n------------------------------------------------\n# 人脸分类与检测。\n使用 fer2013\u002FIMDB 数据集，结合 Keras CNN 模型和 OpenCV，实现实时人脸检测及情绪\u002F性别分类。\n* IMDB 性别分类测试准确率：96%。\n* fer2013 情绪分类测试准确率：66%。\n\n更多信息请参阅 [论文](https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fblob\u002Fmaster\u002Freport.pdf)\n\n# 情绪\u002F性别的示例：\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_20095e98d60f.png)\n\n引导反向传播\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_ea70ac5d4fff.png)\n\n实时演示：\n\u003Cdiv align='center'>\n  \u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_575d3c97fd4f.gif' width='400px'>\n\u003C\u002Fdiv>\n\n[B-IT-BOTS](https:\u002F\u002Fmas-group.inf.h-brs.de\u002F?page_id=622) 机器人团队 :)\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_readme_a515b67c6823.png)\n\n## 使用说明\n\n### 运行实时情绪演示：\n> python3 video_emotion_color_demo.py\n\n### 运行实时引导反向传播演示：\n> python3 image_gradcam_demo.py\n\n### 对单张图片进行推理：\n> python3 image_emotion_gender_demo.py \u003Cimage_path>\n\n例如：\n\n> python3 image_emotion_gender_demo.py ..\u002Fimages\u002Ftest_image.jpg\n\n### 使用 Docker 运行\n\n只需几个步骤，即可运行自己的人脸分类与检测系统。请按照以下命令操作：\n\n* ```docker pull ekholabs\u002Fface-classifier```\n* ```docker run -d -p 8084:8084 --name=face-classifier ekholabs\u002Fface-classifier```\n* ```curl -v -F image=@[path_to_image]  http:\u002F\u002Flocalhost:8084\u002FclassifyImage > image.png```\n\n### 训练用于情绪分类的现有或新模型：\n\n\n* 从 [这里](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata) 下载 fer2013.tar.gz 文件。\n\n* 将下载的文件移动到本仓库内的 datasets 目录中。\n\n* 解压文件：\n> tar -xzf fer2013.tar\n\n* 运行 train_emotion_classification.py 文件\n> python3 train_emotion_classifier.py\n\n### 训练用于性别分类的现有或新模型：\n\n* 从 [这里](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Frrothe\u002Fimdb-wiki\u002F) 下载 imdb_crop.tar 文件（点击标题为“Download faces only”的 7GB 按钮）。\n\n* 将下载的文件移动到本仓库内的 datasets 目录中。\n\n* 解压文件：\n> tar -xfv imdb_crop.tar\n\n* 运行 train_gender_classification.py 文件\n> python3 train_gender_classifier.py","# face_classification 快速上手指南\n\n> **注意**：本仓库已停止维护（Deprecated）。如需基于 TensorFlow 2.0 的最新版本，请访问 [paz](https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fpaz)。以下指南仅适用于当前遗留版本。\n\n`face_classification` 是一个基于 Keras CNN 和 OpenCV 的实时人脸检测、情绪识别及性别分类工具。\n- **性别分类准确率** (IMDB 数据集): 96%\n- **情绪分类准确率** (fer2013 数据集): 66%\n\n## 环境准备\n\n- **操作系统**: Linux \u002F macOS (Windows 需配置相应 Python 环境)\n- **Python 版本**: Python 3.x\n- **核心依赖**:\n  - TensorFlow (Keras)\n  - OpenCV (`opencv-python`)\n  - NumPy\n  - SciPy\n  - PIL\u002FPillow\n\n确保已安装 `pip` 和 `git`。\n\n## 安装步骤\n\n### 方法一：源码安装（推荐）\n\n1. 克隆仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification.git\n   cd face_classification\n   ```\n\n2. 安装 Python 依赖：\n   ```bash\n   pip3 install -r requirements.txt\n   ```\n   *(注：若根目录无 requirements.txt，请手动安装核心库：`pip3 install tensorflow opencv-python numpy scipy pillow`)*\n\n3. **下载预训练模型与数据集**（可选，用于重新训练）：\n   - 本项目通常需在首次运行时自动下载预训练权重，或从 release 页面获取。\n   - 若需重新训练情绪模型，请下载 [fer2013.tar.gz](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fchallenges-in-representation-learning-facial-expression-recognition-challenge\u002Fdata) 并放入 `datasets` 目录解压。\n   - 若需重新训练性别模型，请下载 [imdb_crop.tar](https:\u002F\u002Fdata.vision.ee.ethz.ch\u002Fcvl\u002Frrothe\u002Fimdb-wiki\u002F) 并放入 `datasets` 目录解压。\n\n### 方法二：Docker 运行（最简便）\n\n无需配置本地环境，直接拉取镜像运行服务：\n\n```bash\n# 拉取镜像\ndocker pull ekholabs\u002Fface-classifier\n\n# 启动容器\ndocker run -d -p 8084:8084 --name=face-classifier ekholabs\u002Fface-classifier\n```\n\n## 基本使用\n\n### 1. 单张图片推理（情绪与性别）\n\n对指定图片进行情绪和性别分析：\n\n```bash\npython3 image_emotion_gender_demo.py \u003Cimage_path>\n```\n\n**示例**：\n```bash\npython3 image_emotion_gender_demo.py ..\u002Fimages\u002Ftest_image.jpg\n```\n\n### 2. 实时摄像头演示（情绪识别）\n\n调用摄像头进行实时人脸情绪检测：\n\n```bash\npython3 video_emotion_color_demo.py\n```\n\n### 3. 可视化引导反向传播（Grad-CAM）\n\n生成带有热力图的分析结果，展示模型关注区域：\n\n```bash\npython3 image_gradcam_demo.py\n```\n\n### 4. Docker API 调用\n\n如果使用 Docker 部署，可通过 HTTP 请求上传图片进行分类：\n\n```bash\ncurl -v -F image=@[path_to_image] http:\u002F\u002Flocalhost:8084\u002FclassifyImage > image.png\n```\n*将 `[path_to_image]` 替换为实际图片路径。*\n\n---\n*更多技术细节请参考原仓库中的 [报告文档](https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fblob\u002Fmaster\u002Freport.pdf)。*","某智能零售实验室正在开发一套线下顾客行为分析系统，旨在通过摄像头实时捕捉进店顾客的情绪反应与性别分布，以优化商品陈列和营销策略。\n\n### 没有 face_classification 时\n- 开发团队需从零搭建人脸检测与分类模型，耗费数周时间收集并清洗 FER2013 和 IMDB 数据集，研发周期严重滞后。\n- 现有方案无法在普通摄像头下实现实时处理，视频流分析延迟高达数秒，导致无法捕捉顾客转瞬即逝的微表情。\n- 缺乏可视化的决策依据（如梯度反向传播热力图），难以向管理层解释算法为何将某位顾客判定为“愤怒”或“开心”。\n- 部署环境配置复杂，不同开发者的本地环境差异导致模型推理结果不一致，测试准确率波动大。\n\n### 使用 face_classification 后\n- 直接调用基于 Keras CNN 和 OpenCV 的成熟模型，无需重复造轮子，性别分类准确率即刻达到 96%，情绪识别达 66%，项目启动时间缩短至天级。\n- 运行 `video_emotion_color_demo.py` 脚本即可开启实时分析，低延迟地用不同颜色框标记顾客情绪，即时反馈现场营销效果。\n- 利用内置的 Guided Back-prop 功能生成热力图，直观展示模型关注的面部特征区域，让数据分析报告更具说服力和可解释性。\n- 支持 Docker 一键部署，通过简单的 API 请求即可完成图像推理，确保了从开发到生产环境的一致性与稳定性。\n\nface_classification 通过将复杂的深度学习模型封装为易用的实时工具，极大地降低了情感计算技术的落地门槛，让零售商能快速将摄像头数据转化为可执行的商业洞察。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foarriaga_face_classification_20095e98.png","oarriaga","Octavio Arriaga","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Foarriaga_c99a2648.jpg","B.Sc. Physics,\r\nM.Sc. Robotics (Computer Vision, Deep Learning, NLP)","University of Bremen, DFKI","Bremen, Germany","octavio.arriaga@dfki.de",null,"https:\u002F\u002Ftwitter.com\u002FOctavio_Arriaga","https:\u002F\u002Fgithub.com\u002Foarriaga",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",99.3,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0.7,5727,1610,"2026-04-13T13:15:37","MIT","Linux, macOS, Windows","未说明 (基于 Keras\u002FCNN 和 OpenCV，通常支持 CPU 运行，GPU 为可选项以加速训练\u002F推理)","未说明",{"notes":100,"python":101,"dependencies":102},"该仓库已弃用，作者建议前往新的 TF-2.0 重写版本 (paz) 获取更新支持。提供 Docker 镜像 (ekholabs\u002Fface-classifier) 以便快速部署。训练情绪分类需下载 fer2013 数据集，训练性别分类需下载 IMDB-WIKI (imdb_crop) 数据集。主要功能包括实时人脸检测、情绪及性别分类。","3.x (README 示例中使用 python3，具体小版本未说明)",[103,104,105,106,107,108,109],"TensorFlow (TF-2.0 重写版参考 paz 仓库，原版可能基于 TF-1.x)","Keras","OpenCV (opencv-python)","NumPy","SciPy","Matplotlib","Pillow",[15],"2026-03-27T02:49:30.150509","2026-04-14T04:35:27.915749",[114,119,124,129,134,139,144,149],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},32574,"加载模型时出现 'Optimizer weight shape not compatible' 错误怎么办？","这通常是因为模型文件与代码版本不匹配，或者优化器权重形状不一致。如果是由于人脸检测框大小导致的预测问题，可以尝试调整代码中的 `gender_offsets` 变量。将该变量设置为 0，可以使裁剪区域仅包含人脸而不添加额外边框，从而缓解因距离远近导致的识别偏差。如果问题依旧，建议重新训练模型或确保使用的模型文件与当前代码提交版本一致。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F18",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},32575,"为什么性别识别不准确或存在偏差？","性别识别的高度偏差主要源于训练数据集（IMDB 数据集）本身的特性。此外，代码中有一个名为 `gender_offsets` 的变量，它会使图像裁剪区域比检测模型提供的区域更大或更小。你可以尝试将此变量修改为 0，这样裁剪框将只包含人脸部分，不加任何额外边距，这通常能改善识别准确率。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F17",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},32576,"重新训练模型时，为什么训练会在 100-150 个 epoch 后自动停止，而不是跑完设定的 1000 个 epoch？","这是正常现象。训练脚本中包含了 Keras 的 `EarlyStop` 回调函数。当验证损失（loss）在连续几个 epoch 内不再下降时，该回调会自动终止训练以防止过拟合。因此，不需要强制运行完所有设定的 epoch，提前停止意味着模型已经收敛。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F60",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},32577,"在 Raspberry Pi 或其他平台上运行代码报错如何解决？","如果在 Raspberry Pi (Raspbian\u002FUbuntu Mate) 等非标准 Ubuntu 环境下遇到错误，通常是因为依赖环境问题。建议重新安装 TensorFlow，并确保在虚拟环境中正确安装了 `h5py` 库。检查所有依赖项是否与当前平台架构兼容是关键步骤。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F46",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},32578,"使用 Python 2.7 运行时没有输出或报错 'ascii codec can't decode byte' 怎么办？","该项目主要基于 Python 3 开发。虽然在 Python 2.7 上可能不会直接报错，但经常会出现无输出或编码错误（如 'ascii' codec can't decode byte...）。这是因为代码中可能打印了 Unicode 字符串而 Python 2 默认编码无法处理。强烈建议使用 Python 3 环境运行此项目以避免此类兼容性问题。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F40",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},32579,"替换新训练的模型后出现输入形状不匹配错误 (Expected shape vs Got shape) 如何解决？","错误提示如 'expected input_1 to have shape (None, 64, 64, 1) but got array with shape (1, 64, 64, 3)' 表明模型期望的输入通道数与实际提供的不符。形状末尾的 1 代表灰度图，3 代表彩色图 (RGB)。如果你使用的是自己训练的新模型，请确保在推理（预测）阶段对输入图像进行的预处理（如转换为灰度或保持彩色）与训练该模型时的预处理方式完全一致。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F85",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},32580,"如何开始运行代码或将此项目接入图像流？","项目已更新了文档，说明了如何运行新的演示脚本以及如何训练新的 CNN。安装主要依赖 `pip3` 和编译 `opencv3`。为了简化依赖管理，社区还提供了 Docker 支持（见 PR #16），使用 Docker 镜像可以避免繁琐的环境配置，直接运行容器即可体验功能。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F9",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},32581,"实时预测准确率低且有人脸偏移，使用 dlib 检测会提高准确率吗？","实时预测准确率低往往是因为人脸检测框的偏移量设置不当。虽然可以尝试验证 dlib 的效果，但更直接的解决方案是调整代码中的超参数 `gender_offsets`。当前的偏移量值是针对视频演示优化的，当人脸距离较远时可能不适用。理想情况下该变量应动态依赖于边界框的大小，目前可以通过手动将其设为 0 来测试是否能改善远距离人脸的识别效果。","https:\u002F\u002Fgithub.com\u002Foarriaga\u002Fface_classification\u002Fissues\u002F22",[]]