[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-open-mmlab--mmgeneration":3,"tool-open-mmlab--mmgeneration":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":76,"owner_website":80,"owner_url":81,"languages":82,"stars":103,"forks":104,"last_commit_at":105,"license":106,"difficulty_score":10,"env_os":107,"env_gpu":108,"env_ram":107,"env_deps":109,"category_tags":116,"github_topics":117,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":156},2995,"open-mmlab\u002Fmmgeneration","mmgeneration","MMGeneration is a powerful toolkit for generative models, based on PyTorch and MMCV. ","MMGeneration 是一款基于 PyTorch 和 MMCV 构建的强大生成式模型开源工具箱，由 OpenMMLab 团队开发。它主要致力于降低生成对抗网络（GANs）及各类生成模型的研究与应用门槛，解决了此类模型在训练动态性强、模块组合复杂以及分布式训练效率低等方面的技术难题。\n\n该工具非常适合 AI 研究人员、算法开发者以及希望深入探索生成式技术的工程师使用。通过 MMGeneration，用户可以轻松复现前沿算法，快速开展从无条件生成、图像翻译到文本生成图像（如 Stable Diffusion、GLIDE）以及 3D 感知生成（如 EG3D）等多种任务。\n\n其核心技术亮点包括：针对生成模型高度动态的训练特性，采用了创新的 `MMDDP` 分布式训练方案，显著提升了训练效率；提出了灵活的模块化设计，允许用户自由组合复杂的损失函数与网络模块；此外，还内置了丰富的应用工具集，支持 GAN 插值、投影及属性编辑等功能，让用户不仅能“训练”模型，更能直观地“玩转”生成效果。目前，MMGeneration 的核心功能已合并至 MMEditing 项目中，持续为用户提供更广泛的支持。","\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_6fc1370055f4.png\" width=\"400\"\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\u003C\u002Fdiv>\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmgen)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmgen)\n[![docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue)](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![badge](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmgeneration\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmgeneration)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fblob\u002Fmaster\u002FLICENSE)\n[![open issues](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n[![issue resolution](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fresolution\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n\n[📘Documentation](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️Installation](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002Fget_started.html#installation) |\n[👀Model Zoo](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002Fmodelzoo_statistics.html) |\n[🆕Update News](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fblob\u002Fmaster\u002Fdocs\u002Fen\u002Fchangelog.md) |\n[🚀Ongoing Projects](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fprojects) |\n[🤔Reporting Issues](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n\nEnglish | [简体中文](README_zh-CN.md)\n\n## What's New\n\nMMGeneration has been merged in [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x). And we have supported new generation tasks and models. We highlight the following new features:\n\n- 🌟 Text2Image\n\n  - ✅ [GLIDE](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fprojects\u002Fglide\u002Fconfigs\u002FREADME.md)\n  - ✅ [Disco-Diffusion](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Fdisco_diffusion\u002FREADME.md)\n  - ✅ [Stable-Diffusion](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Fstable_diffusion\u002FREADME.md)\n\n- 🌟 3D-aware Generation\n\n  - ✅ [EG3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Feg3d\u002FREADME.md)\n\n## Introduction\n\nMMGeneration is a powerful toolkit for generative models, especially for GANs now. It is based on PyTorch and [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv). The master branch works with **PyTorch 1.5+**.\n\n\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_7bd8ea95c12b.png\" width=\"800\"\u002F>\n\u003C\u002Fdiv>\n\n## Major Features\n\n- **High-quality Training Performance:** We currently support training on Unconditional GANs, Internal GANs, and Image Translation Models. Support for conditional models will come soon.\n- **Powerful Application Toolkit:** A plentiful toolkit containing multiple applications in GANs is provided to users. GAN interpolation, GAN projection, and GAN manipulations are integrated into our framework. It's time to play with your GANs! ([Tutorial for applications](docs\u002Fen\u002Ftutorials\u002Fapplications.md))\n- **Efficient Distributed Training for Generative Models:** For the highly dynamic training in generative models, we adopt a new way to train dynamic models with `MMDDP`. ([Tutorial for DDP](docs\u002Fen\u002Ftutorials\u002Fddp_train_gans.md))\n- **New Modular Design for Flexible Combination:** A new design for complex loss modules is proposed for customizing the links between modules, which can achieve flexible combination among different modules. ([Tutorial for new modular design](docs\u002Fen\u002Ftutorials\u002Fcustomize_losses.md))\n\n\u003Ctable>\n\u003Cthead>\n  \u003Ctr>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> Training Visualization\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_703694212f3c.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN Interpolation\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_26288ff9152e.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN Projector\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_85f577eeab3b.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN Manipulation\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_519477f494f6.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003C\u002Ftable>\n\n## Highlight\n\n- **Positional Encoding as Spatial Inductive Bias in GANs (CVPR2021)** has been released in `MMGeneration`.  [\\[Config\\]](configs\u002Fpositional_encoding_in_gans\u002FREADME.md), [\\[Project Page\\]](https:\u002F\u002Fnbei.github.io\u002Fgan-pos-encoding.html)\n- Conditional GANs have been supported in our toolkit. More methods and pre-trained weights will come soon.\n- Mixed-precision training (FP16) for StyleGAN2 has been supported. Please check [the comparison](configs\u002Fstyleganv2\u002FREADME.md) between different implementations.\n\n## Changelog\n\nv0.7.3 was released on 14\u002F04\u002F2023. Please refer to [changelog.md](docs\u002Fen\u002Fchangelog.md) for details and release history.\n\n## Installation\n\nMMGeneration depends on [PyTorch](https:\u002F\u002Fpytorch.org\u002F) and [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv).\nBelow are quick steps for installation.\n\n**Step 1.**\nInstall PyTorch following [official instructions](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F), e.g.\n\n```python\npip3 install torch torchvision\n\n```\n\n**Step 2.**\nInstall MMCV with [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim).\n\n```\npip3 install openmim\nmim install mmcv-full\n```\n\n**Step 3.**\nInstall MMGeneration from source.\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration.git\ncd mmgeneration\npip3 install -e .\n```\n\nPlease refer to [get_started.md](docs\u002Fen\u002Fget_started.md) for more detailed instruction.\n\n## Getting Started\n\nPlease see [get_started.md](docs\u002Fen\u002Fget_started.md) for the basic usage of MMGeneration. [docs\u002Fen\u002Fquick_run.md](docs\u002Fen\u002Fquick_run.md) can offer full guidance for quick run. For other details and tutorials, please go to our [documentation](https:\u002F\u002Fmmgeneration.readthedocs.io\u002F).\n\n## ModelZoo\n\nThese methods have been carefully studied and supported in our frameworks:\n\n\u003Cdetails open>\n\u003Csummary>Unconditional GANs (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [DCGAN](configs\u002Fdcgan\u002FREADME.md) (ICLR'2016)\n- ✅ [WGAN-GP](configs\u002Fwgan-gp\u002FREADME.md) (NIPS'2017)\n- ✅ [LSGAN](configs\u002Flsgan\u002FREADME.md) (ICCV'2017)\n- ✅ [GGAN](configs\u002Fggan\u002FREADME.md) (arXiv'2017)\n- ✅ [PGGAN](configs\u002Fpggan\u002FREADME.md) (ICLR'2018)\n- ✅ [StyleGANV1](configs\u002Fstyleganv1\u002FREADME.md) (CVPR'2019)\n- ✅ [StyleGANV2](configs\u002Fstyleganv2\u002FREADME.md) (CVPR'2020)\n- ✅ [StyleGANV3](configs\u002Fstyleganv3\u002FREADME.md) (NeurIPS'2021)\n- ✅ [Positional Encoding in GANs](configs\u002Fpositional_encoding_in_gans\u002FREADME.md) (CVPR'2021)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Conditional GANs (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [SNGAN](configs\u002Fsngan_proj\u002FREADME.md) (ICLR'2018)\n- ✅ [Projection GAN](configs\u002Fsngan_proj\u002FREADME.md) (ICLR'2018)\n- ✅ [SAGAN](configs\u002Fsagan\u002FREADME.md) (ICML'2019)\n- ✅ [BIGGAN\u002FBIGGAN-DEEP](configs\u002Fbiggan\u002FREADME.md) (ICLR'2019)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Tricks for GANs (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [ADA](configs\u002Fada\u002FREADME.md) (NeurIPS'2020)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Image2Image Translation (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [Pix2Pix](configs\u002Fpix2pix\u002FREADME.md) (CVPR'2017)\n- ✅ [CycleGAN](configs\u002Fcyclegan\u002FREADME.md) (ICCV'2017)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Internal Learning (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [SinGAN](configs\u002Fsingan\u002FREADME.md) (ICCV'2019)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Denoising Diffusion Probabilistic Models (click to collapse)\u003C\u002Fsummary>\n\n- ✅ [Improved DDPM](configs\u002Fimproved_ddpm\u002FREADME.md) (arXiv'2021)\n\n\u003C\u002Fdetails>\n\n## Related-Applications\n\n- ✅ [MMGEN-FaceStylor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FMMGEN-FaceStylor)\n\n## Contributing\n\nWe appreciate all contributions to improve MMGeneration. 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## Citation\n\nIf you find this project useful in your research, please consider cite:\n\n```BibTeX\n@misc{2021mmgeneration,\n    title={{MMGeneration}: OpenMMLab Generative Model Toolbox and Benchmark},\n    author={MMGeneration Contributors},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration}},\n    year={2021}\n}\n```\n\n## License\n\nThis project is released under the [Apache 2.0 license](LICENSE). Some operations in `MMGeneration` are with other licenses instead of Apache2.0. Please refer to [LICENSES.md](LICENSES.md) for the careful check, if you are using our code for commercial matters.\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_mmgeneration_readme_6fc1370055f4.png\" width=\"400\"\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\u003C\u002Fdiv>\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmmgen)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmmgen)\n[![docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-latest-blue)](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002F)\n[![badge](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fworkflows\u002Fbuild\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Factions)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmgeneration\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fopen-mmlab\u002Fmmgeneration)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fblob\u002Fmaster\u002FLICENSE)\n[![open issues](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fopen\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n[![issue resolution](https:\u002F\u002Fisitmaintained.com\u002Fbadge\u002Fresolution\u002Fopen-mmlab\u002Fmmgeneration.svg)](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n\n[📘文档](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002F) |\n[🛠️安装](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002Fget_started.html#installation) |\n[👀模型库](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002Fmodelzoo_statistics.html) |\n[🆕更新消息](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fblob\u002Fmaster\u002Fdocs\u002Fen\u002Fchangelog.md) |\n[🚀正在进行的项目](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fprojects) |\n[🤔提交问题](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues)\n\n英语 | [简体中文](README_zh-CN.md)\n\n## 最新动态\n\nMMGeneration 已合并到 [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x) 中，并新增了多项生成任务和模型。以下是主要的新特性：\n\n- 🌟 文本到图像生成\n\n  - ✅ [GLIDE](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fprojects\u002Fglide\u002Fconfigs\u002FREADME.md)\n  - ✅ [Disco-Diffusion](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Fdisco_diffusion\u002FREADME.md)\n  - ✅ [Stable-Diffusion](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Fstable_diffusion\u002FREADME.md)\n\n- 🌟 3D感知生成\n\n  - ✅ [EG3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting\u002Ftree\u002F1.x\u002Fconfigs\u002Feg3d\u002FREADME.md)\n\n## 简介\n\nMMGeneration 是一个功能强大的生成模型工具箱，尤其适用于当前的 GAN 模型。它基于 PyTorch 和 [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv) 构建。主分支支持 **PyTorch 1.5 及以上版本**。\n\n\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_7bd8ea95c12b.png\" width=\"800\"\u002F>\n\u003C\u002Fdiv>\n\n## 主要特性\n\n- **高质量训练性能：** 目前支持无条件 GAN、内部 GAN 和图像翻译模型的训练。条件模型的支持也将很快推出。\n- **强大的应用工具包：** 为用户提供了丰富的 GAN 应用工具包，包括 GAN 插值、GAN 投影和 GAN 操控等功能。现在正是玩转你的 GAN 的时候！（[应用教程](docs\u002Fen\u002Ftutorials\u002Fapplications.md)）\n- **高效的生成模型分布式训练：** 针对生成模型高度动态的训练特点，我们采用了一种新的方式，通过 `MMDDP` 来训练动态模型。（[DDP 教程](docs\u002Fen\u002Ftutorials\u002Fddp_train_gans.md)）\n- **全新的模块化设计，灵活组合：** 提出了用于自定义模块间连接的复杂损失模块设计，可实现不同模块之间的灵活组合。（[新模块化设计教程](docs\u002Fen\u002Ftutorials\u002Fcustomize_losses.md)）\n\n\u003Ctable>\n\u003Cthead>\n  \u003Ctr>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> 训练可视化\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_703694212f3c.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN 插值\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_26288ff9152e.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN 投影器\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_85f577eeab3b.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cdiv align=\"center\">\n  \u003Cb> GAN 操控\u003C\u002Fb>\n  \u003Cbr\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_readme_519477f494f6.gif\" width=\"200\"\u002F>\n\u003C\u002Fdiv>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003C\u002Ftable>\n\n## 亮点\n\n- **GAN 中的空间归纳偏置——位置编码（CVPR2021）** 已在 `MMGeneration` 中发布。[\\[配置\\]](configs\u002Fpositional_encoding_in_gans\u002FREADME.md)，[\\[项目页面\\]](https:\u002F\u002Fnbei.github.io\u002Fgan-pos-encoding.html)\n- 我们的工具箱现已支持条件 GAN。更多方法和预训练权重将很快推出。\n- StyleGAN2 已支持混合精度训练（FP16）。请查看不同实现之间的 [比较](configs\u002Fstyleganv2\u002FREADME.md)。\n\n## 更改记录\n\nv0.7.3 于 2023年4月14日发布。详细信息及发布历史请参阅 [changelog.md](docs\u002Fen\u002Fchangelog.md)。\n\n## 安装\n\nMMGeneration 依赖于 [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 和 [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv)。\n以下是快速安装步骤。\n\n**步骤 1.**\n按照 [官方说明](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 安装 PyTorch，例如：\n\n```python\npip3 install torch torchvision\n\n```\n\n**步骤 2.**\n使用 [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim) 安装 MMCV。\n\n```\npip3 install openmim\nmim install mmcv-full\n```\n\n**步骤 3.**\n从源码安装 MMGeneration。\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration.git\ncd mmgeneration\npip3 install -e .\n```\n\n更多详细说明请参阅 [get_started.md](docs\u002Fen\u002Fget_started.md)。\n\n## 快速入门\n\n有关 MMGeneration 的基本使用方法，请参阅 [get_started.md](docs\u002Fen\u002Fget_started.md)。[docs\u002Fen\u002Fquick_run.md](docs\u002Fen\u002Fquick_run.md) 提供了快速运行的完整指南。更多详细信息和教程，请访问我们的 [文档](https:\u002F\u002Fmmgeneration.readthedocs.io\u002F)。\n\n## 模型库\n\n这些方法已在我们的框架中得到仔细研究和支持：\n\n\u003Cdetails open>\n\u003Csummary>无条件GANs（点击收起）\u003C\u002Fsummary>\n\n- ✅ [DCGAN](configs\u002Fdcgan\u002FREADME.md) (ICLR'2016)\n- ✅ [WGAN-GP](configs\u002Fwgan-gp\u002FREADME.md) (NIPS'2017)\n- ✅ [LSGAN](configs\u002Flsgan\u002FREADME.md) (ICCV'2017)\n- ✅ [GGAN](configs\u002Fggan\u002FREADME.md) (arXiv'2017)\n- ✅ [PGGAN](configs\u002Fpggan\u002FREADME.md) (ICLR'2018)\n- ✅ [StyleGANV1](configs\u002Fstyleganv1\u002FREADME.md) (CVPR'2019)\n- ✅ [StyleGANV2](configs\u002Fstyleganv2\u002FREADME.md) (CVPR'2020)\n- ✅ [StyleGANV3](configs\u002Fstyleganv3\u002FREADME.md) (NeurIPS'2021)\n- ✅ [GAN中的位置编码](configs\u002Fpositional_encoding_in_gans\u002FREADME.md) (CVPR'2021)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>条件GANs（点击收起）\u003C\u002Fsummary>\n\n- ✅ [SNGAN](configs\u002Fsngan_proj\u002FREADME.md) (ICLR'2018)\n- ✅ [投影GAN](configs\u002Fsngan_proj\u002FREADME.md) (ICLR'2018)\n- ✅ [SAGAN](configs\u002Fsagan\u002FREADME.md) (ICML'2019)\n- ✅ [BIGGAN\u002FBIGGAN-DEEP](configs\u002Fbiggan\u002FREADME.md) (ICLR'2019)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>GAN技巧（点击收起）\u003C\u002Fsummary>\n\n- ✅ [ADA](configs\u002Fada\u002FREADME.md) (NeurIPS'2020)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>图像到图像转换（点击收起）\u003C\u002Fsummary>\n\n- ✅ [Pix2Pix](configs\u002Fpix2pix\u002FREADME.md) (CVPR'2017)\n- ✅ [CycleGAN](configs\u002Fcyclegan\u002FREADME.md) (ICCV'2017)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>内部学习（点击收起）\u003C\u002Fsummary>\n\n- ✅ [SinGAN](configs\u002Fsingan\u002FREADME.md) (ICCV'2019)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>去噪扩散概率模型（点击收起）\u003C\u002Fsummary>\n\n- ✅ [改进的DDPM](configs\u002Fimproved_ddpm\u002FREADME.md) (arXiv'2021)\n\n\u003C\u002Fdetails>\n\n## 相关应用\n\n- ✅ [MMGEN-FaceStylor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FMMGEN-FaceStylor)\n\n## 贡献\n\n我们感谢所有对MMGeneration的改进贡献。有关贡献指南的更多详细信息，请参阅MMCV中的[CONTRIBUTING.md](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md)。\n\n## 引用\n\n如果您在研究中发现本项目有用，请考虑引用：\n\n```BibTeX\n@misc{2021mmgeneration,\n    title={{MMGeneration}: OpenMMLab生成模型工具箱及基准},\n    author={MMGeneration贡献者},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration}},\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。`MMGeneration`中的一些操作使用了除Apache 2.0之外的其他许可证。如果您将我们的代码用于商业用途，请参阅[LICENSES.md](LICENSES.md)以进行仔细检查。\n\n## OpenMMLab中的项目\n\n- [MMCV](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv): OpenMMLab计算机视觉基础库。\n- [MIM](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmim): MIM用于安装OpenMMLab软件包。\n- [MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification): OpenMMLab图像分类工具箱及基准。\n- [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection): OpenMMLab检测工具箱及基准。\n- [MMDetection3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection3d): OpenMMLab下一代通用3D目标检测平台。\n- [MMRotate](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrotate): OpenMMLab旋转目标检测工具箱及基准。\n- [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation): OpenMMLab语义分割工具箱及基准。\n- [MMOCR](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmocr): OpenMMLab文本检测、识别和理解工具箱。\n- [MMPose](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmpose): OpenMMLab姿态估计工具箱及基准。\n- [MMHuman3D](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmhuman3d): OpenMMLab 3D人体参数化模型工具箱及基准。\n- [MMSelfSup](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmselfsup): OpenMMLab自监督学习工具箱及基准。\n- [MMRazor](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmrazor): OpenMMLab模型压缩工具箱及基准。\n- [MMFewShot](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmfewshot): OpenMMLab少样本学习工具箱及基准。\n- [MMAction2](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmaction2): OpenMMLab下一代动作理解工具箱及基准。\n- [MMTracking](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmtracking): OpenMMLab视频感知工具箱及基准。\n- [MMFlow](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmflow): OpenMMLab光流工具箱及基准。\n- [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting): OpenMMLab图像和视频编辑工具箱。\n- [MMGeneration](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration): OpenMMLab图像和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。","# MMGeneration 快速上手指南\n\nMMGeneration 是 OpenMMLab 推出的强大生成式模型工具箱，专注于 GANs（生成对抗网络）及扩散模型等任务。基于 PyTorch 和 MMCV 构建，支持高质量训练、分布式训练及丰富的应用工具（如插值、投影、操控等）。\n\n> **注意**：MMGeneration 的核心功能已合并至 [MMEditing](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmediting) 1.x 版本中，并新增了 Text2Image（如 Stable-Diffusion, GLIDE）和 3D 感知生成（如 EG3D）等前沿任务。本指南基于原版 MMGeneration 仓库提供基础安装与使用流程。\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), Windows, macOS\n*   **Python**: 3.7+\n*   **PyTorch**: 1.5+ (建议根据 CUDA 版本选择对应的 PyTorch)\n*   **CUDA**: 可选，用于 GPU 加速训练\n\n## 安装步骤\n\n推荐使用 `pip` 配合国内镜像源进行安装，以提升下载速度。\n\n### 第一步：安装 PyTorch\n请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取适合您环境的安装命令。以下为通用示例：\n\n```bash\npip3 install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第二步：安装 MMCV\n使用 OpenMMLab 提供的包管理工具 `MIM` 安装 MMCV（自动处理依赖关系）：\n\n```bash\npip3 install openmim -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\nmim install mmcv-full\n```\n\n### 第三步：安装 MMGeneration\n从源码安装以获取最新功能：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration.git\ncd mmgeneration\npip3 install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n安装完成后，您可以参考以下流程快速运行一个预训练模型或开始训练。\n\n### 1. 推理示例 (Inference)\n使用预训练的 StyleGAN2 模型生成图像。您需要先下载对应的配置文件和权重文件（可在 [Model Zoo](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002Flatest\u002Fmodelzoo_statistics.html) 获取）。\n\n假设已准备好 `styleganv2_ffhq_256_b8_g8_1600k.py` (配置文件) 和 `styleganv2_ffhq_256_b8_g8_1600k.pth` (权重文件)：\n\n```python\nfrom mmgen.apis import init_model, sample_unconditional_model\n\n# 初始化模型\nconfig_file = 'configs\u002Fstyleganv2\u002Fstyleganv2_ffhq_256_b8_g8_1600k.py'\ncheckpoint_file = 'path\u002Fto\u002Fstyleganv2_ffhq_256_b8_g8_1600k.pth'\nmodel = init_model(config_file, checkpoint_file, device='cuda:0')\n\n# 生成图像 (生成 8 张 256x256 的图片)\nresults = sample_unconditional_model(model, num_samples=8, save_path='.\u002Fresults.png')\n```\n\n### 2. 训练示例 (Training)\n使用单卡或多卡启动训练。以下命令演示如何使用默认配置训练 DCGAN 模型：\n\n```bash\n# 单卡训练\npython tools\u002Ftrain.py configs\u002Fdcgan\u002Fdcgan_64x64_128_batch1x1_12m_kitti.py\n\n# 多卡训练 (例如使用 8 张 GPU)\n.\u002Ftools\u002Fdist_train.sh configs\u002Fdcgan\u002Fdcgan_64x64_128_batch1x1_12m_kitti.py 8\n```\n\n### 3. 更多资源\n*   **完整文档**: [https:\u002F\u002Fmmgeneration.readthedocs.io\u002F](https:\u002F\u002Fmmgeneration.readthedocs.io\u002F)\n*   **快速运行指南**: [docs\u002Fen\u002Fquick_run.md](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fblob\u002Fmaster\u002Fdocs\u002Fen\u002Fquick_run.md)\n*   **模型库**: 查看支持的无条件 GAN、条件 GAN、图像翻译及扩散模型列表。","某电商设计团队需要为新品快速生成多风格营销海报，并实现商品图的 3D 视角旋转展示，以应对频繁的 A\u002FB 测试需求。\n\n### 没有 mmgeneration 时\n- **模型复现成本极高**：工程师需从零搭建 Stable Diffusion 或 EG3D 架构，花费数周调试代码而非专注于业务逻辑。\n- **功能扩展困难**：想要实现“文本生成图像”后的局部编辑或 3D 视角插值，缺乏现成模块，需手动编写复杂的数学运算逻辑。\n- **训练效率低下**：生成模型训练动态性强，原生 PyTorch 分布式方案难以适配，导致多卡资源利用率低，训练周期漫长。\n- **实验管理混乱**：不同生成任务（如无条件生成、图像翻译）代码库分散，难以统一配置管理和结果对比。\n\n### 使用 mmgeneration 后\n- **开箱即用主流模型**：直接调用内置的 Stable Diffusion 和 EG3D 配置文件，半天内即可完成环境部署并启动文生图任务。\n- **应用工具链丰富**：利用集成的 GAN 插值与操控工具，轻松实现商品图的平滑视角旋转及风格迁移，无需重复造轮子。\n- **高效分布式训练**：依托专为生成模型优化的 MMDDP 策略，显著加速动态训练过程，将原本数天的训练时间缩短至小时级。\n- **模块化灵活组合**：通过新的损失模块设计，自由组合不同网络组件，快速定制符合特定品牌风格的生成算法。\n\nmmgeneration 将生成式 AI 的研发门槛从“算法重构”降低为“配置调用”，让团队能聚焦于创意落地而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fopen-mmlab_mmgeneration_c2dd02d6.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",[83,87,91,95,99],{"name":84,"color":85,"percentage":86},"Python","#3572A5",93.3,{"name":88,"color":89,"percentage":90},"Cuda","#3A4E3A",4.9,{"name":92,"color":93,"percentage":94},"C++","#f34b7d",1.6,{"name":96,"color":97,"percentage":98},"Shell","#89e051",0.2,{"name":100,"color":101,"percentage":102},"Dockerfile","#384d54",0.1,2016,232,"2026-03-31T12:30:56","Apache-2.0","未说明","需要 NVIDIA GPU（基于 PyTorch 和 GAN\u002FDiffusion 模型特性推断），具体显存大小和 CUDA 版本未在文中明确说明，但提及支持混合精度训练 (FP16)。",{"notes":110,"python":111,"dependencies":112},"该工具已合并至 MMEditing 1.x 分支。安装需先安装 PyTorch，然后通过 MIM 工具安装 mmcv-full，最后从源码安装。支持多种生成模型（如 StyleGAN 系列、Diffusion 模型等）。","未说明（仅提及依赖 PyTorch 1.5+）",[113,114,115],"torch>=1.5","mmcv-full","torchvision",[13,14],[118,119,120,121,122,123,124],"generative","gan","pytorch","mmcv","openmmlab","generative-adversarial-network","diffusion-models","2026-03-27T02:49:30.150509","2026-04-06T11:31:10.309703",[128,133,138,143,148,152],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},13811,"运行 CycleGAN 时报错 'MMDataParallel' object has no attribute 'reducer' 如何解决？","建议不要直接使用 `python tools\u002Ftrain.py config_file` 命令，而是使用 `dist_train.sh` 脚本来启动训练。即使是单卡机器，也可以使用以下命令启动单 GPU 训练：\n```bash\nbash dist_train.sh CONFIG 1\n```\n其中 `CONFIG` 替换为你的配置文件路径。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues\u002F26",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},13812,"遇到 RuntimeError: CUDA error: no kernel image is available for execution on the device 错误怎么办？","该错误通常是由于 mmcv 版本与当前 CUDA 环境或 PyTorch 版本不兼容导致的。尝试重新安装 mmcv 往往能解决问题。请确保安装的 mmcv 版本与你当前的 PyTorch 和 CUDA 版本匹配。如果问题依旧，可以尝试卸载后重新安装指定版本的 mmcv。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues\u002F4",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},13813,"微调 StyleGAN2 模型时出现 'No such operator aten::cudnn_convolution_backward_weight' 错误如何解决？","这通常是由于 PyTorch、CUDA 或相关依赖包版本不匹配引起的。解决方案是降级或调整部分包的版本以匹配环境。例如，有用户通过将环境调整为以下版本解决了问题：\n- PyTorch: 1.10.2+cu111\n- TorchVision: 0.11.3+cu111\n- MMCV: 1.5.3\n- MMGen: 0.7.1\n此外，请检查系统 CUDA 版本与 PyTorch 编译时的 CUDA 版本是否一致。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues\u002F322",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},13814,"训练 StyleGAN3 时插件 'bias_act_plugin' 设置失败（Setting up PyTorch plugin ... Failed!）如何处理？","该错误通常发生在编译自定义 CUDA 扩展插件时。首先确保已正确安装 CUDA Toolkit 且版本与 PyTorch 匹配。其次，确认系统中安装了正确的 C++ 编译器（如 gcc\u002Fg++）。如果是权限问题，尝试以管理员权限运行或使用 conda\u002Fvirtualenv 环境。若仍失败，可尝试清理构建缓存（删除 build 目录）后重新运行训练脚本。","https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fissues\u002F308",{"id":149,"question_zh":150,"answer_zh":151,"source_url":142},13815,"如何确认当前开发环境的配置信息以便排查问题？","可以运行 MMGeneration 提供的收集环境信息脚本来获取详细的系统、Python、PyTorch、CUDA 等版本信息。命令如下：\n```bash\npython mmgen\u002Futils\u002Fcollect_env.py\n```\n将输出结果提供给维护者或在提 Issue 时附上，有助于快速定位版本兼容性问题。",{"id":153,"question_zh":154,"answer_zh":155,"source_url":142},13816,"系统 CUDA 版本与 PyTorch 使用的 CUDA 版本不一致会导致什么问题？","版本不一致可能导致算子无法找到、内核执行失败等运行时错误（如 'no kernel image is available' 或 'No such operator'）。解决方法是确保安装的 PyTorch 版本所对应的 CUDA 版本与系统安装的 CUDA Toolkit 版本兼容。可通过 `nvcc --version` 查看系统 CUDA 版本，并通过 `torch.version.cuda` 查看 PyTorch 使用的 CUDA 版本，必要时重装匹配的 PyTorch 或 CUDA。",[157,162,167,172,177,182,187,192,197,202,207],{"id":158,"version":159,"summary_zh":160,"released_at":161},72764,"v1.0.0rc0","MMGeneration 1.0.0rc0 是 MMGeneration 1.x 系列的第一个版本，属于 OpenMMLab 2.0 项目的一部分。\n\nMMGeneration 1.x 基于全新的 [训练引擎](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmengine) 构建，统一了数据集、模型、评估和可视化等模块的接口。\n\n同时，该版本包含一些不兼容的变更。请参阅 [迁移教程](https:\u002F\u002Fmmgeneration.readthedocs.io\u002Fen\u002F1.x\u002Fmigration.html) 以获取更多详细信息。","2022-09-01T03:08:55",{"id":163,"version":164,"summary_zh":165,"released_at":166},72765,"v0.7.1","#### 修复 bug 和改进\n- 支持 train_dataloader、val_dataloader 和 test_dataloader 的配置 (#281)\n- 修复拼写错误 (#283)\n- 添加中文应用教程 (#284)\n- 添加 DDP 训练的中文文档 (#286)\n\n#### 贡献者\n@plyfager @LeoXing1996 ","2022-04-30T14:39:05",{"id":168,"version":169,"summary_zh":170,"released_at":171},72766,"v0.7.0","#### 亮点\n\n- 支持 StyleGANv3 的训练 (#275, #277)\n- 支持自适应判别器增强 (#276)\n\n#### 新特性\n\n- 支持在静态无条件 GAN 中传递训练参数 (#275)\n- 支持动态 EMA，现在可以自定义动量更新策略 (#261)\n- 添加多机分布式训练功能 (#267)\n\n#### Bug 修复与改进\n\n- 在 README 中添加简要的安装步骤 (#270)\n- 支持分布式采样器的随机种子 (#271)\n- 在应用程序中为命令行参数使用连字符 (#273)\n\n#### 贡献者\n@plyfager @LeoXing1996 \n","2022-04-02T01:47:55",{"id":173,"version":174,"summary_zh":175,"released_at":176},72767,"v0.6.0","#### 亮点\n\n- 支持 StyleGANv3 (#247, #253, #258)\n- 支持 StyleCLIP (#236)\n\n#### 新特性\n\n- 支持在 CPU 上训练 (#238)\n- 加快训练速度 (#231)\n\n#### 修复 bug 和改进\n\n- 修复非分布式训练\u002F测试中的 bug (#239)\n- 修复错别字和无效链接 (#221, #226, #228, #244, #249)\n- 补充部分中文文档 (#250, #257)\n\n#### 贡献者\n@plyfager @LeoXing1996 @gvalvano @JimHeo @plutoyuxie \n","2022-03-07T09:25:12",{"id":178,"version":179,"summary_zh":180,"released_at":181},72768,"v0.5.0","#### 亮点\n\n- 支持 BigGAN 风格的谱归一化，并以最佳 FID 和 IS 指标更新 BigGAN (#159)\n- 支持导入投影潜变量及在插值中导出视频 (#167)\n- 支持改进的 DDPM 模型 (#205)\n\n#### 新特性\n\n- 支持分布式模式下的评估 (#151)\n- 在验证数据加载器中支持 `persistent_work` (#179)\n- 支持 Dockerfile (#200)\n- 支持 `mim` (#176)\n\n#### Bug 修复与改进\n\n- 修复 SinGAN 数据集中的 bug (#192)\n- 修复 SAGAN、SNGAN 和 BigGAN 的默认 `sn_style` 设置 (#199, #213, #215, #217)\n\n#### 贡献者\n@plyfager @LeoXing1996 @nbei @TommyZihao @JiangongWang","2022-01-12T04:14:26",{"id":183,"version":184,"summary_zh":185,"released_at":186},72769,"v0.4.0","#### 亮点\n- 增加更多条件生成对抗网络实验：SNGAN、SAGAN 和 BigGAN\n- 重构翻译模型 (#88, #126, #127, #145)\n\n#### 新特性\n\n- 使用 PyTorch Sphinx 主题 #123\n- 支持对无条件模型使用 `torchserve` #131\n\n#### 修复与改进\n\n- 为 Python 3.9 添加 CI 流水线 #110\n- 增加对 PyTorch 1.9 的支持 #115\n- 添加拼写检查的 pre-commit 钩子 #135\n\n### 贡献者\n@plyfager , @LeoXing1996 , @ckkelvinchan , @nbei \n","2021-11-03T09:11:31",{"id":188,"version":189,"summary_zh":190,"released_at":191},72770,"v0.3.0","#### 亮点\n- 支持条件生成对抗网络：投影 GAN、SNGAN、SAGAN 和 BigGAN\n\n#### 新特性\n\n- 在 PyTorch >= 1.7.0 中添加对 `persistent_workers` 的支持 #71\n- 支持 EMA 的预热机制 #55\n\n#### 修复与改进\n\n- 修复文档构建失败的问题 #64\n- 修订基础条件 GAN 中 `num_classes` 的逻辑 #69\n- 在评估钩子中支持动态评估内部操作 #73","2021-08-02T09:50:35",{"id":193,"version":194,"summary_zh":195,"released_at":196},72771,"v0.2.0","#### 亮点\n- 支持新方法：LSGAN、GGAN。\n- 支持混合精度训练（FP16）：官方 PyTorch 实现和 APEX (#11, #20)\n\n#### 新特性\n\n- 在 DCGAN 中添加 MNIST 数据集的实验 (#24)\n- 增加将检查点上传至 `Ceph` 系统（云服务器）的功能 (#27)\n- 在 GenerativeEvalHook 中增加保存最佳检查点的功能 (#21)\n\n#### 修复与改进\n\n- 修复 sample-cfg 参数丢失的问题 (#13)\n- 在离线评估中添加进度条，并修复灰度图像评估\u002F保存中的 bug (#23)\n- 修复当 val_cfg 或 test_cfg 中的 data_root 选项设置为 None 时出现的错误 (#28)\n- 将 quick_run.md 中的 LaTeX 图片替换为 SVG 链接，并修正 modelzoo_statistics.md 中的检查点数量 (#34)","2021-05-30T16:02:24",{"id":198,"version":199,"summary_zh":200,"released_at":201},72772,"v0.1.0","**Highlights**\r\n\r\n- MMGeneration  v0.1.0 is released.\r\n\r\n**Main Features**\r\n\r\n- High-quality Training Performance: We currently support training on Unconditional GANs(`DCGAN`, `WGAN-GP`,`PGGAN`,  `StyleGANV1`, `StyleGANV2`, `Positional Encoding in GANs`), Internal GANs(`SinGAN`), and Image Translation Models(`Pix2Pix`, `CycleGAN`). Support for conditional models will come soon.\r\n- Powerful Application Toolkit: A plentiful toolkit containing multiple applications in GANs is provided to users. GAN interpolation, GAN projection, and GAN manipulations are integrated into our framework. It's time to play with your GANs!\r\n- Efficient Distributed Training for Generative Models: For the highly dynamic training in generative models, we adopt a new way to train dynamic models with `MMDDP`.\r\n- New Modular Design for Flexible Combination: A new design for complex loss modules is proposed for customizing the links between modules, which can achieve flexible combinations among different modules.","2021-04-23T10:02:10",{"id":203,"version":204,"summary_zh":205,"released_at":206},72762,"v0.7.3","## 修复 bug 和改进\n\n- 修复 SiLU 激活函数问题 (#447)\n- 支持感知损失 (#471)\n- 修复张量和索引不在同一设备上的错误 (#476)\n\n## 新贡献者\n* @zeakey 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F446 中完成了首次贡献\n* @Taited 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F471 中完成了首次贡献\n* @zengyh1900 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F467 中完成了首次贡献\n* @vansin 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F487 中完成了首次贡献\n* @LeeTeng2001 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F490 中完成了首次贡献\n* @Z-Fran 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F497 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fcompare\u002Fv0.7.2...v0.7.3","2023-04-14T12:06:52",{"id":208,"version":209,"summary_zh":210,"released_at":211},72763,"v0.7.2","## 改进\n- \\[文档\\] 修复文档中的拼写错误。由 @RangeKing 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F425 中完成。\n- \\[文档\\] 添加 StyleGAN-Ada 的文档说明。由 @plyfager 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F391 中完成。\n- \\[修复\\] 将 MMCV_MAX 更新至 1.7。由 @LeoXing1996 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F436 中完成。\n- \\[CI\\] 更新 GitHub 工作流、CircleCI 和 GitHub 模板。由 @LeoXing1996 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F431 中完成。\n\n## 新贡献者\n* @RangeKing 在 https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmgeneration\u002Fpull\u002F425 中完成了首次贡献。","2022-09-14T08:25:44"]