[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-open-mmlab--mmflow":3,"tool-open-mmlab--mmflow":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",149489,2,"2026-04-10T11:32:46",[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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":73,"owner_website":77,"owner_url":78,"languages":79,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":139},6350,"open-mmlab\u002Fmmflow","mmflow","OpenMMLab optical flow toolbox and benchmark","mmflow 是 OpenMMLab 推出的开源光流算法工具箱与基准测试平台，基于 PyTorch 构建。它致力于解决光流领域算法实现分散、评估标准不统一的问题，为研究人员和开发者提供了一个标准化的统一框架。无论是经典的 FlowNet、PWC-Net，还是先进的 RAFT 等主流模型，mmflow 都能直接支持，并内置了 FlyingChairs、Sintel、KITTI 等常用数据集的预处理流程，让用户能够“开箱即用”。\n\n该工具特别适合计算机视觉领域的科研人员、算法工程师以及高校学生使用。如果你需要复现论文结果、对比不同算法性能，或者想要快速搭建新的光流估计模型，mmflow 都是理想选择。其核心亮点在于高度模块化设计：将复杂的光流估算框架拆解为独立组件，用户可以像搭积木一样灵活组合不同模块来构建新模型，极大地降低了创新门槛。此外，mmflow 还提供了从配置修改、模型推理、微调训练到自定义运行时的完整教程，帮助用户轻松上手。作为首个专注于光流任务的统一框架，mmflow 不仅提升了研发效率，也促进了社区内的技术交流与成果复用。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmflow_readme_a091dd8f475f.png\" width=\"600\"\u002F>\n    \u003Cdiv> \u003C\u002Fdiv>\n  \u003Cdiv align=\"center\">\n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab website\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fopenmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">HOT\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n        \n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab platform\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fplatform.openmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">TRY IT OUT\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n  \u003C\u002Fdiv>\n  \u003Cdiv> \u003C\u002Fdiv>\n\n[![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fmmflow)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmflow\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmflow)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmflow)\n[![docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue)](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![badge](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmflow\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmflow)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmflow.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fblob\u002Fmaster\u002FLICENSE)\n[![open issues](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmflow.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues)\n\n[📘Documentation](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️Installation](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html) |\n[👀Model Zoo](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002Fmodel_zoo.html) |\n[🤔Reporting Issues](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002Fnew\u002Fchoose)\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\nEnglish | [简体中文](README_zh-CN.md)\n\n\u003C\u002Fdiv>\n\n## Introduction\n\nMMFlow is an open source optical flow toolbox based on PyTorch. It is a part of the [OpenMMLab](https:\u002F\u002Fopenmmlab.com\u002F) project.\n\nThe master branch works with **PyTorch 1.5+**.\n\n\u003Chttps:\u002F\u002Fuser-images.githubusercontent.com\u002F76149310\u002F141947796-af4f1e67-60c9-48ed-9dd6-fcd809a7d991.mp4>\n\n### Major features\n\n- **The First Unified Framework for Optical Flow**\n\n  MMFlow is the first toolbox that provides a framework for unified implementation and evaluation of optical flow algorithms.\n\n- **Flexible and Modular Design**\n\n  We decompose the flow estimation framework into different components,\n  which makes it much easy and flexible to build a new model by combining different modules.\n\n- **Plenty of Algorithms and Datasets Out of the Box**\n\n  The toolbox directly supports popular and contemporary optical flow models, *e.g.* FlowNet, PWC-Net, RAFT, etc,\n  and representative datasets, FlyingChairs, FlyingThings3D, Sintel, KITTI, etc.\n\n## What's New\n\n**v0.5.2** was released in 01\u002F10\u002F2023:\n\n- Add flow1d attention\n\nPlease refer to [changelog.md](docs\u002Fen\u002Fchangelog.md) for details and release history.\n\n## Installation\n\nPlease refer to [install.md](docs\u002Fen\u002Finstall.md) for installation and\nguidance in [dataset_prepare](docs\u002Fen\u002Fdataset_prepare.md) for dataset preparation.\n\n## Get Started\n\nIf you're new of optical flow, you can start with [learn the basics](docs\u002Fen\u002Fintro.md). If you’re familiar with it, check out [getting_started](docs\u002Fen\u002Fgetting_started.md) to try out MMFlow.\n\nRefer to the below tutorials to dive deeper:\n\n- [config](docs\u002Fen\u002Ftutorials\u002F0_config.md)\n\n- [model inference](docs\u002Fen\u002Ftutorials\u002F1_inference.md)\n\n- [fine tuning](docs\u002Fen\u002Ftutorials\u002F2_finetune.md)\n\n- [data pipeline](docs\u002Fen\u002Ftutorials\u002F3_data_pipeline.md)\n\n- [add new modules](docs\u002Fen\u002Ftutorials\u002F4_new_modules.md)\n\n- [customized runtime](docs\u002Fen\u002Ftutorials\u002F5_customize_runtime.md)\n\n## Benchmark and model zoo\n\nResults and models are available in the [model zoo](docs\u002Fen\u002Fmodel_zoo.md).\n\nSupported methods:\n\n- [x] [FlowNet (ICCV'2015)](configs\u002Fflownet\u002FREADME.md)\n- [x] [FlowNet2 (CVPR'2017)](configs\u002Fflownet2\u002FREADME.md)\n- [x] [PWC-Net (CVPR'2018)](configs\u002Fpwcnet\u002FREADME.md)\n- [x] [LiteFlowNet (CVPR'2018)](configs\u002Fliteflownet\u002FREADME.md)\n- [x] [LiteFlowNet2 (TPAMI'2020)](configs\u002Fliteflownet2\u002FREADME.md)\n- [x] [IRR (CVPR'2019)](configs\u002Firr\u002FREADME.md)\n- [x] [MaskFlownet (CVPR'2020)](configs\u002Fmaskflownet\u002FREADME.md)\n- [x] [RAFT (ECCV'2020)](configs\u002Fraft\u002FREADME.md)\n- [x] [GMA (ICCV' 2021)](configs\u002Fgma\u002FREADME.md)\n\n## Contributing\n\nWe appreciate all contributions improving MMFlow. Please refer to [CONTRIBUTING.md](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md) in MMCV for more details about the contributing guideline.\n\n## Acknowledgement\n\nMMFlow is an open source project that is contributed by researchers and engineers from various colleges and companies. We appreciate all the contributors who implement their methods or add new features, as well as users who give valuable feedbacks.\nWe wish that the toolbox and benchmark could serve the growing research community by providing a flexible toolkit to reimplement existing methods and develop their own new flow algorithm.\n\n## Citation\n\nIf you use this toolbox or benchmark in your research, please cite this project.\n\n```BibTeX\n@misc{2021mmflow,\n    title={{MMFlow}: OpenMMLab Optical Flow Toolbox and Benchmark},\n    author={MMFlow Contributors},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow}},\n    year={2021}\n}\n```\n\n## License\n\nThis project is released under the [Apache 2.0 license](LICENSE).\n\n## Projects in OpenMMLab\n\n- [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv): OpenMMLab foundational library for computer vision.\n- [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim): MIM installs OpenMMLab packages.\n- [MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification): OpenMMLab image classification toolbox and benchmark.\n- [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection): OpenMMLab detection toolbox and benchmark.\n- [MMDetection3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection3d): OpenMMLab's next-generation platform for general 3D object detection.\n- [MMRotate](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate): OpenMMLab rotated object detection toolbox and benchmark.\n- [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation): OpenMMLab semantic segmentation toolbox and benchmark.\n- [MMOCR](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmocr): OpenMMLab text detection, recognition, and understanding toolbox.\n- [MMPose](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmpose): OpenMMLab pose estimation toolbox and benchmark.\n- [MMHuman3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmhuman3d): OpenMMLab 3D human parametric model toolbox and benchmark.\n- [MMSelfSup](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmselfsup): OpenMMLab self-supervised learning toolbox and benchmark.\n- [MMRazor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrazor): OpenMMLab model compression toolbox and benchmark.\n- [MMFewShot](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmfewshot): OpenMMLab fewshot learning toolbox and benchmark.\n- [MMAction2](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmaction2): OpenMMLab's next-generation action understanding toolbox and benchmark.\n- [MMTracking](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmtracking): OpenMMLab video perception toolbox and benchmark.\n- [MMFlow](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow): OpenMMLab optical flow toolbox and benchmark.\n- [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting): OpenMMLab image and video editing toolbox.\n- [MMGeneration](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration): OpenMMLab image and video generative models toolbox.\n- [MMDeploy](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdeploy): OpenMMLab Model Deployment Framework.\n","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmflow_readme_a091dd8f475f.png\" width=\"600\"\u002F>\n    \u003Cdiv> \u003C\u002Fdiv>\n  \u003Cdiv align=\"center\">\n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab 官网\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fopenmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">热门\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n        \n    \u003Cb>\u003Cfont size=\"5\">OpenMMLab 平台\u003C\u002Ffont>\u003C\u002Fb>\n    \u003Csup>\n      \u003Ca href=\"https:\u002F\u002Fplatform.openmmlab.com\">\n        \u003Ci>\u003Cfont size=\"4\">立即体验\u003C\u002Ffont>\u003C\u002Fi>\n      \u003C\u002Fa>\n    \u003C\u002Fsup>\n  \u003C\u002Fdiv>\n  \u003Cdiv> \u003C\u002Fdiv>\n\n[![PyPI - Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fmmflow)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmflow\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmflow)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmflow)\n[![文档](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-最新-blue)](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![GitHub 工作流](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Factions)\n[![代码覆盖率](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmflow\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmflow)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmflow.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fblob\u002Fmaster\u002FLICENSE)\n[![开放问题](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmflow.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues)\n\n[📘文档](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️安装](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002Finstall.html) |\n[👀模型库](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002Fmodel_zoo.html) |\n[🤔提交问题](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002Fnew\u002Fchoose)\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\nEnglish | [简体中文](README_zh-CN.md)\n\n\u003C\u002Fdiv>\n\n## 简介\n\nMMFlow 是一个基于 PyTorch 的开源光流工具箱，它是 [OpenMMLab](https:\u002F\u002Fopenmmlab.com\u002F) 项目的一部分。\n\n主分支支持 **PyTorch 1.5+**。\n\n\u003Chttps:\u002F\u002Fuser-images.githubusercontent.com\u002F76149310\u002F141947796-af4f1e67-60c9-48ed-9dd6-fcd809a7d991.mp4>\n\n### 主要特性\n\n- **首个统一的光流框架**\n\n  MMFlow 是第一个提供统一实现和评估光流算法框架的工具箱。\n\n- **灵活且模块化的设计**\n\n  我们将光流估计框架分解为不同的组件，这使得通过组合不同模块来构建新模型变得更加容易和灵活。\n\n- **开箱即用的丰富算法和数据集**\n\n  该工具箱直接支持流行且现代的光流模型，例如 FlowNet、PWC-Net、RAFT 等，以及代表性数据集 FlyingChairs、FlyingThings3D、Sintel、KITTI 等。\n\n## 最新动态\n\n**v0.5.2** 于 2023 年 10 月 1 日发布：\n\n- 添加了 flow1d 注意力机制\n\n详细信息和发布历史请参阅 [changelog.md](docs\u002Fen\u002Fchangelog.md)。\n\n## 安装\n\n请参阅 [install.md](docs\u002Fen\u002Finstall.md) 获取安装指南，并参考 [dataset_prepare.md](docs\u002Fen\u002Fdataset_prepare.md) 进行数据集准备。\n\n## 开始使用\n\n如果你是光流领域的初学者，可以从 [基础知识](docs\u002Fen\u002Fintro.md) 开始学习。如果你已经熟悉光流，可以查看 [getting_started.md](docs\u002Fen\u002Fgetting_started.md)，尝试使用 MMFlow。\n\n欲深入了解，请参考以下教程：\n\n- [配置](docs\u002Fen\u002Ftutorials\u002F0_config.md)\n\n- [模型推理](docs\u002Fen\u002Ftutorials\u002F1_inference.md)\n\n- [微调](docs\u002Fen\u002Ftutorials\u002F2_finetune.md)\n\n- [数据流水线](docs\u002Fen\u002Ftutorials\u002F3_data_pipeline.md)\n\n- [添加新模块](docs\u002Fen\u002Ftutorials\u002F4_new_modules.md)\n\n- [自定义运行时](docs\u002Fen\u002Ftutorials\u002F5_customize_runtime.md)\n\n## 基准测试与模型库\n\n结果和模型可在 [模型库](docs\u002Fen\u002Fmodel_zoo.md) 中找到。\n\n支持的方法：\n\n- [x] [FlowNet (ICCV'2015)](configs\u002Fflownet\u002FREADME.md)\n- [x] [FlowNet2 (CVPR'2017)](configs\u002Fflownet2\u002FREADME.md)\n- [x] [PWC-Net (CVPR'2018)](configs\u002Fpwcnet\u002FREADME.md)\n- [x] [LiteFlowNet (CVPR'2018)](configs\u002Fliteflownet\u002FREADME.md)\n- [x] [LiteFlowNet2 (TPAMI'2020)](configs\u002Fliteflownet2\u002FREADME.md)\n- [x] [IRR (CVPR'2019)](configs\u002Firr\u002FREADME.md)\n- [x] [MaskFlownet (CVPR'2020)](configs\u002Fmaskflownet\u002FREADME.md)\n- [x] [RAFT (ECCV'2020)](configs\u002Fraft\u002FREADME.md)\n- [x] [GMA (ICCV'2021)](configs\u002Fgma\u002FREADME.md)\n\n## 贡献\n\n我们非常欢迎所有有助于改进 MMFlow 的贡献。更多关于贡献指南的信息，请参阅 MMCV 中的 [CONTRIBUTING.md](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md)。\n\n## 致谢\n\nMMFlow 是一个开源项目，由来自不同院校和公司的研究人员及工程师共同贡献而成。我们感谢所有实现其方法或添加新功能的贡献者，也感谢那些提供宝贵反馈的用户。我们希望这个工具箱和基准测试能够为不断壮大的研究社区服务，提供一个灵活的工具包，用于重现现有方法并开发新的光流算法。\n\n## 引用\n\n如果你在研究中使用了本工具箱或基准测试，请引用该项目。\n\n```BibTeX\n@misc{2021mmflow,\n    title={{MMFlow}: OpenMMLab 光流工具箱与基准测试},\n    author={MMFlow Contributors},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow}},\n    year={2021}\n}\n```\n\n## 许可证\n\n本项目采用 [Apache 2.0 许可证](LICENSE) 发布。\n\n## OpenMMLab 中的项目\n\n- [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv)：OpenMMLab 用于计算机视觉的基础库。\n- [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim)：MIM 用于安装 OpenMMLab 的相关软件包。\n- [MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification)：OpenMMLab 图像分类工具箱及基准测试平台。\n- [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)：OpenMMLab 目标检测工具箱及基准测试平台。\n- [MMDetection3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection3d)：OpenMMLab 面向通用 3D 物体检测的新一代平台。\n- [MMRotate](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate)：OpenMMLab 旋转目标检测工具箱及基准测试平台。\n- [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation)：OpenMMLab 语义分割工具箱及基准测试平台。\n- [MMOCR](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmocr)：OpenMMLab 文本检测、识别与理解工具箱。\n- [MMPose](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmpose)：OpenMMLab 人体姿态估计工具箱及基准测试平台。\n- [MMHuman3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmhuman3d)：OpenMMLab 3D 人体参数化模型工具箱及基准测试平台。\n- [MMSelfSup](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmselfsup)：OpenMMLab 自监督学习工具箱及基准测试平台。\n- [MMRazor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrazor)：OpenMMLab 模型压缩工具箱及基准测试平台。\n- [MMFewShot](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmfewshot)：OpenMMLab 少样本学习工具箱及基准测试平台。\n- [MMAction2](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmaction2)：OpenMMLab 新一代动作理解工具箱及基准测试平台。\n- [MMTracking](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmtracking)：OpenMMLab 视频感知工具箱及基准测试平台。\n- [MMFlow](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow)：OpenMMLab 光流估计工具箱及基准测试平台。\n- [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting)：OpenMMLab 图像与视频编辑工具箱。\n- [MMGeneration](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration)：OpenMMLab 图像与视频生成模型工具箱。\n- [MMDeploy](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdeploy)：OpenMMLab 模型部署框架。","# MMFlow 快速上手指南\n\nMMFlow 是 OpenMMLab 推出的基于 PyTorch 的开源光流（Optical Flow）算法工具箱。它提供了统一的光流算法实现与评估框架，支持 FlowNet、PWC-Net、RAFT 等主流模型。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+)\n*   **Python**: 3.7+\n*   **PyTorch**: 1.5+\n*   **CUDA**: 建议安装 CUDA 10.2 或更高版本以启用 GPU 加速\n\n**前置依赖安装：**\n建议先安装基础依赖库 `mmcv`。国内用户推荐使用 OpenMMLab 提供的镜像源加速安装：\n\n```bash\npip install mmcv-full -f https:\u002F\u002Fdownload.openmmlab.com\u002Fmmcv\u002Fdist\u002Fcu111\u002Ftorch1.9.0\u002Findex.html\n# 注意：请根据实际安装的 CUDA 和 PyTorch 版本替换上述 URL 中的 cu111 和 torch1.9.0\n```\n\n## 安装步骤\n\n您可以选择通过 pip 直接安装稳定版，或从源码安装以获取最新功能。\n\n### 方式一：使用 pip 安装（推荐）\n\n```bash\npip install mmflow\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow.git\ncd mmflow\npip install -e .\n```\n\n> **提示**：安装完成后，请参考官方文档准备数据集（如 FlyingChairs, Sintel, KITTI 等），具体步骤见 `docs\u002Fen\u002Fdataset_prepare.md`。\n\n## 基本使用\n\n安装完成后，您可以使用提供的脚本进行模型推理。以下是最简单的单张图片光流估计示例。\n\n### 1. 下载预训练模型\n首先从 Model Zoo 下载一个预训练模型（例如 RAFT），假设保存为 `raft_8x8_100k_flyingchairs_512x384.pth`。\n\n### 2. 运行推理\n使用 `demo\u002Fflow_inference.py` 脚本对两张连续图片进行光流计算并可视化结果：\n\n```bash\npython demo\u002Fflow_inference.py \\\n    configs\u002Fraft\u002Fraft_8x8_100k_flyingchairs_512x384.py \\\n    raft_8x8_100k_flyingchairs_512x384.pth \\\n    demo\u002Fimg1.png \\\n    demo\u002Fimg2.png \\\n    --out-dir demo\u002Foutput\n```\n\n**参数说明：**\n*   第一个参数：模型的配置文件路径。\n*   第二个参数：模型权重文件路径。\n*   第三、四个参数：输入的两张连续帧图片。\n*   `--out-dir`：输出结果目录，包含可视化的光流图和向量场。\n\n### 3. 查看结果\n运行结束后，可在 `demo\u002Foutput` 目录下查看生成的光流可视化图像。\n\n如需更深入的教程（如微调模型、自定义数据管道或添加新模块），请参阅官方文档中的 [Tutorials](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002Flatest\u002F) 部分。","某自动驾驶初创公司的感知算法团队，正致力于通过视频序列分析来精准估算前方车辆的运动速度与轨迹，以提升自动紧急制动系统的可靠性。\n\n### 没有 mmflow 时\n- **算法复现困难**：团队成员需各自从 GitHub 寻找 FlowNet、PWC-Net 等不同模型的零散代码，环境依赖冲突频发，配置一个模型往往耗时数天。\n- **评估标准不一**：由于缺乏统一的测试框架，不同模型在 Sintel 或 KITTI 数据集上的评测脚本各异，导致横向对比结果存在偏差，难以客观选型。\n- **定制开发成本高**：当需要针对雨天场景微调网络结构时，因各源码架构差异巨大，修改核心模块如同“重新造轮子”，极易引入未知 Bug。\n- **数据预处理繁琐**：面对 FlyingChairs 等不同格式的数据集，需手动编写大量转换脚本，数据加载效率低下且容易出错。\n\n### 使用 mmflow 后\n- **一站式模型支持**：mmflow 内置了 FlowNet、RAFT 等主流算法的统一接口，团队只需修改配置文件即可在几小时内完成多种模型的部署与验证。\n- **标准化基准评测**：利用其自带的 Benchmark 功能，直接在 KITTI 等标准数据集上运行统一评测脚本，瞬间生成可信赖的精度对比报告。\n- **模块化灵活创新**：借助其灵活的模块设计，开发人员像搭积木一样替换特定组件，快速构建出适应雨天场景的自定义光流模型，研发周期缩短 70%。\n- **开箱即用的数据管道**：mmflow 原生支持多种经典数据集格式，自动处理数据加载与增强，让团队能立即专注于核心算法优化而非数据清洗。\n\nmmflow 通过统一框架与模块化设计，将光流算法的研发从繁琐的工程泥潭中解放出来，让团队能专注于提升自动驾驶感知的核心精度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmflow_a091dd8f.png","open-mmlab","OpenMMLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fopen-mmlab_7c171dd7.png","",null,"https:\u002F\u002Fopenmmlab.com","https:\u002F\u002Fgithub.com\u002Fopen-mmlab",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.6,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.2,{"name":89,"color":90,"percentage":87},"Dockerfile","#384d54",1054,118,"2026-04-05T14:54:39","Apache-2.0","未说明","需要 NVIDIA GPU（基于 PyTorch），具体型号、显存大小及 CUDA 版本未在 README 中明确说明",{"notes":98,"python":99,"dependencies":100},"MMFlow 是 OpenMMLab 项目的一部分，主要依赖 MMCV 基础库。README 中未详细列出具体的操作系统、GPU 型号、显存及内存需求，建议参考官方安装文档 (install.md) 获取详细的依赖版本矩阵和环境配置指南。","支持 Python 3.x (PyPI badge 显示支持多种版本)，核心框架需 PyTorch 1.5+",[101,102],"torch>=1.5","mmcv",[14],[105,106,107],"optical-flow","openmmlab","pytorch","2026-03-27T02:49:30.150509","2026-04-11T03:24:23.448521",[111,116,120,124,129,134],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},28751,"如何在多 GPU（例如 2 张显卡）上训练 PWC-Net？","只需将配置文件中的 `samples_per_gpu` 设置为 4（或其他合适数值），保持其他设置不变。然后使用分布式训练脚本运行，例如：`.\u002Ftools\u002Fdist_train.sh configs\u002Fpwcnet\u002Fpwcnet_8x1_slong_flyingchairs_384x448.py 2`（其中 2 代表 GPU 数量）。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002F88",{"id":117,"question_zh":118,"answer_zh":119,"source_url":115},28752,"在训练 KITTI 数据集时，'upsample' 参数有什么作用？","'upsample' 对于训练 KITTI 数据集是必要的。如果不设置该参数，KITTI 数据集的 EPE（端点误差）性能将会下降。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":115},28753,"FlyingThings3D 和 FlyingChairs 数据集的损失函数配置是否相同？","是的，FlyingThings3D 和 FlyingChairs 数据集使用的损失函数是相同的。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},28754,"在使用 PyTorch 1.12+ 版本训练 RAFT 模型时遇到梯度计算运行时错误（Runtime error gradient computation）怎么办？","这是一个已知的兼容性问题。建议降级 PyTorch 版本至 1.8.0 以解决该问题。可以使用以下命令安装：`conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=10.2 -c pytorch`。维护者表示后续会修改代码以适配新版本。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002F248",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},28755,"为什么在使用 GaussianNoise 数据增强时会报错，而 RAFT 原论文似乎没有使用它？","这通常是因为图像归一化范围与噪声钳制范围不匹配导致的。如果在添加 GaussianNoise 之前将图像归一化到了 [-1, 1]，但噪声的 `clamp_range` 设置为 (0.0, 1.0)，就会出错。应确保在设置 `clamp_range` 为 (0.0, 1.0) 之前，先将图像归一化到 [0, 1] 范围。此外，较大的 `grad_norm` 也会影响梯度反向传播，RAFT 原论文使用的是 `grad_clip` 而非 `GaussianNoise`，不同模型策略可能不同。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002F261",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},28756,"运行 video_demo.py 处理特定视频文件时报错 \"Assertion failed) !dsize.empty() in function 'resize'\" 是什么原因？","该错误通常发生在视频解码或图像缩放阶段，可能是由于视频编码格式不被支持或分辨率异常导致 `mmcv.imresize` 无法获取有效的尺寸。虽然官方 Demo 和部分视频运行正常，但特定视频文件（尤其是包含非标准编码或损坏帧的视频）可能触发此断言失败。建议检查视频文件完整性，或尝试将视频转换为标准格式（如 MP4 H.264）后再运行。如果问题依旧，可能需要检查 `mmcv` 版本兼容性。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fissues\u002F57",[140,145,150,155,160,165,170,175,180,185],{"id":141,"version":142,"summary_zh":143,"released_at":144},197638,"v0.5.2","## 变更内容\n\n### 新特性\n\n- 添加 flow1d 注意力机制 ([#195](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F195))\n\n### 修复 bug\n\n- 修复 RAFT 的部分 URL ([#206](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F206))\n- 修复 RAFT 中的就地操作符问题 ([#252](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F252))\n- 修复 `np.int` 已弃用的问题 ([#270](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F270))\n- 修复 `sklearn` PyPI 包已弃用的问题 ([#272](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F272))\n\n### 文档更新\n\n- 更新 intro.md 文件 ([#238](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F238))\n- 更新 1_inference.md 文件 ([#267](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F267))\n\n### 优化改进\n\n- 更新 mmcv 的最大版本号 ([#256](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F256))\n- 更新 pre-commit 钩子 ([#258](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F258))\n\n## 新贡献者\n* @Fc-idris 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F195 中完成了首次贡献\n* @Salvatore-tech 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F238 中完成了首次贡献\n* @forkbabu 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F267 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fcompare\u002Fv0.5.1...v0.5.2","2023-01-10T16:30:27",{"id":146,"version":147,"summary_zh":148,"released_at":149},197639,"v1.0.0rc0","我们很高兴地宣布 MMFlow 1.0.0rc0 的发布。MMFlow 1.0.0rc0 是 OpenMMLab 2.0 项目的一部分。基于全新的 [训练引擎](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine)，MMFlow 1.x 统一了数据集、模型、评估和可视化接口，并显著提升了训练和推理速度。\n\n### 亮点\n\n1. **全新引擎** MMFlow 1.x 基于 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine) 构建，该引擎提供了一个通用且强大的运行器，支持更灵活的自定义配置，并大幅简化了高层接口的入口点。\n\n2. **统一接口** 作为 OpenMMLab 2.0 项目的一部分，MMFlow 1.x 对训练、测试、数据集、模型、评估和可视化等模块的接口及内部逻辑进行了统一重构。所有 OpenMMLab 2.0 项目在这些接口和逻辑上采用相同的设计，从而支持多任务\u002F多模态算法的开发。\n\n3. **更快的速度** 我们针对常见模型优化了训练和推理速度。\n\n4. **更多文档与教程** 我们新增了大量文档和教程，帮助用户更顺利地入门。请参阅 [这里](https:\u002F\u002Fmmflow.readthedocs.io\u002Fen\u002F1.x\u002F)。\n\n### 破坏性变更\n\n以下简要列出主要的破坏性变更。我们将更新 [迁移指南](..\u002Fmigration.md)，以提供完整的细节和迁移说明。\n\n#### 训练与测试\n\n- MMFlow 1.x 需要在 PyTorch>=1.6 上运行。为了支持混合精度训练及其他自 PyTorch 1.6 起引入的新特性，我们已弃用对 PyTorch 1.5 的支持。部分模型仍可在 PyTorch 1.5 上运行，但无法保证 MMFlow 1.x 的全部功能。\n\n- MMFlow 1.x 使用的是 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine) 中的 Runner，而非 MMCV 中的 Runner。新的 Runner 实现并统一了数据集、模型、评估和可视化组件的构建逻辑。因此，MMFlow 1.x 不再维护 `mmflow.train.apis` 和 `tools\u002Ftrain.py` 中的相关构建逻辑。这些代码已被迁移到 [MMEngine](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine\u002Fblob\u002Fmain\u002Fmmengine\u002Frunner\u002Frunner.py) 中。更多详情请参阅 [MMEngine Runner 迁移指南](https:\u002F\u002Fmmengine.readthedocs.io\u002Fen\u002Flatest\u002Fmigration\u002Frunner.html)。\n\n- MMEngine 中的 Runner 同样支持测试和验证。测试脚本也得到了简化，其逻辑与训练脚本类似，用于构建 Runner。\n\n- 新 Runner 中的钩子执行点更加丰富，以支持更灵活的自定义配置。更多详情请参阅 [MMEngine Hook 迁移指南](https:\u002F\u002Fmmengine.readthedocs.io\u002Fen\u002Flatest\u002Fmigration\u002Fhook.html)。\n\n- 学习率和动量调度已从 MMEngine 中的 `Hook` 迁移到 `参数调度器`。更多详情请参阅 [MMEngine 参数调度器迁移指南](https:\u002F\u002Fmmengine.readthedocs.io\u002Fen\u002Flatest\u002Fmigration\u002Fparam_scheduler.html)。","2022-08-31T18:05:15",{"id":151,"version":152,"summary_zh":153,"released_at":154},197640,"v0.5.1","## 变更内容\n\n### 改进\n- 将 MMCV 的最大版本设置为 1.7.0 ([167](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F167))\n- 更新 resources 中的 qq_group_qrcode 图片 ([166](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F166))\n\n### 新贡献者\n- @Weepingchestnut 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F166 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fcompare\u002Fv0.5.0...v0.5.1","2022-07-29T02:42:05",{"id":156,"version":157,"summary_zh":158,"released_at":159},197641,"v0.5.0","## 变更内容\n\n### 亮点\n\n- 添加了 FlyingChairs 数据集上 FlowNet2 的配置文件和预训练模型 ([163](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F163))\n\n### 文档\n\n- 添加了 Pull Request 模板 ([160](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F160))\n- 修复元文件中的配置文件错误 ([151](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F151))\n- 修复元文件中的失效链接 ([157](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F157))\n- 修复 README 中问题反馈的失效链接 ([147](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F147))\n\n### 改进\n\n- 在 setup.py 的 extras_require 中添加 mim 依赖 ([154](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F154))\n- 锁定 mdformat 版本以支持 Python 3.6，并移除 Ruby 安装步骤 ([153](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F153))\n- 添加 test_mim.yml，用于在 CI 中测试 mim 命令 ([158](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F158))\n\n\n## 新贡献者\n* @lyq10085 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F151 中完成了首次贡献\n* @Zachary-66 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F157 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fcompare\u002Fv0.4.2...v0.5.0","2022-07-01T13:52:30",{"id":161,"version":162,"summary_zh":163,"released_at":164},197642,"v0.4.2","## 变更内容\n\n### Bug 修复\n\n- 稀疏光流图的推理错误 ([133](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F133))\n- 输入图像的高和宽必须能被 2⁶ 整除 ([136](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F136))\n\n### 文档\n\n- 配置 Myst-parser 以解析锚点标签 ([129](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F129))\n- 使用 mdformat 替代 markdownlint，避免安装 Ruby 依赖 ([130](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F130))\n- 重写安装说明和 README 文件 ([139](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F139), [140](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F140), [141](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F141), [144](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F144), [145](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F145))\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fcompare\u002Fv0.4.1...v0.4.2","2022-05-31T15:53:50",{"id":166,"version":167,"summary_zh":168,"released_at":169},197643,"v0.4.1","## 变更内容\n\n### 功能\n\n- 从文件客户端加载流场注释（[#116](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F116)）\n- 支持整体数据加载器设置（[#117](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F117)）\n- 为FlyingChairs数据集生成注释文件（[121](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F121)）\n\n### 改进\n\n- 在CI中添加GPG密钥（[127](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F127)）\n\n### Bug修复\n\n- metafile.yml中配置与权重不对应（[#118](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F118)）\n- 将recommonmark替换为myst_parser（[#120](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F120)）\n\n### 文档\n\n- 添加中文文档0_config_.md（[#126](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F126)）\n\n## 新贡献者\n* @HiiiXinyiii 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F118 中做出了首次贡献\n* @SheffieldCao 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F126 中做出了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fcompare\u002Fv0.4.0...v0.4.1","2022-04-29T13:05:40",{"id":171,"version":172,"summary_zh":173,"released_at":174},197644,"v0.4.0","### 亮点\n\n- 支持多种遮挡估计方法，包括光流前后向一致性、反向光流的深度图以及光流前后向抽象差异\n\n### 特性\n\n- 支持三种遮挡估计方法 (#106)\n- 在分布式训练中支持不同进程使用不同的随机种子 (#104)\n\n### 改进\n\n- 修订适用于 Windows 平台的 collect_env 工具 (#112)\n- 添加多机分布式训练的脚本和文档 (#107)\n- 同步分布式采样器的随机种子 (#110)","2022-04-01T07:28:53",{"id":176,"version":177,"summary_zh":178,"released_at":179},197645,"v0.3.0","**亮点**\n- 正式支持 CPU 训练\u002F推理\n- 正式支持在 Windows 平台上进行模型推理\n- 新增 Census 损失、SSIM 损失和平滑度损失\n- 更新 Flyingthings3d_subset 数据集中包含 `nan` 值的文件列表\n\n**功能**\n- 添加 Census 损失 (#100)\n- 添加平滑度损失函数 (#97)\n- 添加 SSIM 损失函数 (#96)\n\n**Bug 修复**\n- 更新 Flyingthings3d_subset 数据集中包含 `nan` 的文件 (#94)\n- 在训练 PWCNet+ 时添加预训练的 PWCNet 模型 (#99)\n- 修复非分布式多 GPU 训练\u002F测试中的 bug (#85)\n- 修复测试中流场图写入的 bug (#83)\n\n**改进**\n- 添加 Win-CI (#92)\n- 更新 MMCV 的安装方式 (#89)\n- 升级 pre-commit 钩子中的 isort (#87)\n- 支持 CPU 训练\u002F推理 (#86)\n- 添加多进程脚本 (#79)\n- 废弃对 `python setup.py test` 的支持 (#73)\n\n**文档**\n- 修复 GMA README 中的失效链接 (#93)\n- 修正 README 中的日期格式 (#90)\n- 重新整理 README 中的 OpenMMLab 项目 (#98)\n- 修复各算法的 README 文件 (#84)\n- 在 README 中添加 OpenMMLab 及平台的网址 (#76)\n\n**新贡献者**\n* @gxiaotian 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F90 中做出了首次贡献\n* @lhao0301 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fpull\u002F94 中做出了首次贡献\n\n[完整变更日志](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow\u002Fblob\u002Fmaster\u002Fdocs\u002Fen\u002Fchangelog.md)","2022-03-04T13:13:36",{"id":181,"version":182,"summary_zh":183,"released_at":184},197646,"v0.2.0","## 亮点\n\n- 支持 [GMA](..\u002F..\u002Fconfigs\u002Fgma\u002FREADME.md)：通过全局运动聚合学习估计隐藏运动（ICCV 2021）(#32)\n- 修复 RAFT 中 refine iter 错误的 bug，并在修复后更新 [RAFT](..\u002F..\u002Fconfigs\u002Fraft\u002FREADME.md) 模型检查点 (#62, #68)\n- 支持自动从最新检查点恢复 (#71)\n\n## 功能\n\n- 为多尺度光流损失添加 `scale_as_level` (#58)\n- 为相关性模块添加 `scale_mode` (#56)\n- 在 IRR-PWC 解码器中添加 `upsample_cfg` (#53)\n\n## Bug 修复\n\n- 调整后的输入图像尺寸必须能被 2^6 整除 (#65)\n- 修复 RAFT 在评估后 refine iter 错误的问题 (#62)\n\n## 改进\n\n- 在 `val_dataloader` 中添加 `persistent_workers=True` (#63)\n- 修订 `env_info` 键 (#46)\n- 添加数字版本 (#43)\n- 尝试在 Windows 上创建符号链接 (#37)\n- 当用户未设置随机种子时，设置一个随机种子 (#27)\n\n## 重构\n\n- 重构模型中的工具函数 (#50)\n\n## 文档\n\n- 重构文档 (#14)\n- 修复 FlyingChairs 数据集准备脚本中的 bug (#21)\n- 修复 model_zoo 中的 broken links (#60)\n- 更新元文件 (#39, #41, #49)\n- 更新文档 (#28, #35, #36, #47, #48, #70)","2022-01-07T06:33:33",{"id":186,"version":187,"summary_zh":188,"released_at":189},197647,"v0.1.0","# 亮点\n\n- MMFlow v0.1.0 正式发布。\n\n# 主要特性\n\n- 首个统一的光流框架：MMFlow 是首个提供统一实现与评估光流算法的工具箱。\n\n- 灵活且模块化的设计：我们将光流估计框架拆分为多个组件，使得通过组合不同模块来构建新模型变得更加简单和灵活。\n\n- 开箱即用的丰富算法与数据集：该工具箱直接支持多种流行且前沿的光流模型，如 `FlowNet`、`PWC-Net`、`RAFT` 等，以及代表性数据集，如 `FlyingChairs`、`FlyingThings3D`、`Sintel`、`KITTI` 等。","2021-11-16T11:52:31"]