[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-raspberrypi--pico-tflmicro":3,"tool-raspberrypi--pico-tflmicro":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",152630,2,"2026-04-12T23:33:54",[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":76,"owner_website":77,"owner_url":78,"languages":79,"stars":100,"forks":101,"last_commit_at":102,"license":76,"difficulty_score":103,"env_os":104,"env_gpu":105,"env_ram":106,"env_deps":107,"category_tags":113,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":146},7086,"raspberrypi\u002Fpico-tflmicro","pico-tflmicro","Pico TensorFlow Lite Port","pico-tflmicro 是专为树莓派 Pico（RP2040）微控制器打造的 TensorFlow Lite Micro 移植版本，旨在让开发者轻松在资源受限的嵌入式设备上运行机器学习模型。它解决了小型硬件难以部署复杂 AI 算法的痛点，支持语音识别、图像人员检测、手势分析及各类传感器数据处理等任务。\n\n这款工具特别适合嵌入式系统开发者、物联网工程师以及希望探索微型机器学习（TinyML）的研究人员。通过 pico-tflmicro，用户无需深厚的底层优化经验，即可将训练好的模型部署到 Pico 上，快速验证创意原型。项目内置了丰富的示例，如控制 LED 呈现正弦波规律的\"Hello World\"程序，帮助用户快速上手。\n\n其独特的技术亮点在于充分利用了 RP2040 芯片的双核架构，针对部分运算进行了加速优化，显著提升了推理速度。此外，项目提供了自动化脚本，便于同步谷歌官方代码库的最新更新。虽然该仓库主要由社区维护，但它为低成本、低功耗的边缘智能应用提供了坚实的技术基础，是进入嵌入式 AI 领域的理想起点。","# TensorFlow Lite Micro\n\nAn Open Source Machine Learning Framework for Everyone.\n\n## Introduction\n\nThis is a version of the [TensorFlow Lite Micro library](https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmicrocontrollers)\nfor the Raspberry Pi Pico microcontroller. It allows you to run machine \nlearning models to do things like voice recognition, detect people in images,\nrecognize gestures from an accelerometer, and other sensor analysis tasks.\nThis version has scripts to upstream changes from the Google codebase. It also\ntakes advantage of the RP2040's dual cores for increased speed on some \noperations.\n\n## Getting Started\n\nFirst you'll need to follow the Pico setup instructions to initialize the\ndevelopment environment on your machine. Once that is done, make sure that the\n`PICO_SDK_PATH` environment variable has been set to the location of the Pico\nSDK, either in the shell you're building in, or the CMake configure environment\nvariable setting of the extension if you're using VS Code.\n\nYou should then be able to build the library, tests, and examples. The easiest \nway to build is using VS Code's CMake integration, by loading the project and\nchoosing the build option at the bottom of the window.\n\nAlternatively you can build the entire project, including tests, by running the\nfollowing commands from a terminal once you're in this repo's directory:\n\n```bash\nmkdir build\ncd build\ncmake ..\nmake\n```\n\n## What's Included\n\nThere are several example applications included. The simplest one to begin with\nis the hello_world project. This demonstrates the fundamentals of deploying an \nML model on a device, driving the Pico's LED in a learned sine-wave pattern.\nOnce you have built the project, a UF2 file you can copy to the Pico should be\npresent at `build\u002Fexamples\u002Fhello_world\u002Fhello_world.uf2`.\n\nAnother example is the person detector, but since the Pico doesn't come with\nimage inputs you'll need to write some code to hook up your own sensor. You can\nfind a fork of TFLM for the Arducam Pico4ML that does this at [arducam.com\u002Fpico4ml-an-rp2040-based-platform-for-tiny-machine-learning\u002F](https:\u002F\u002Fwww.arducam.com\u002Fpico4ml-an-rp2040-based-platform-for-tiny-machine-learning\u002F).\n\n## Contributing\n\nThis repository (https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro) is read-only,\nbecause it has been automatically generated from the master TensorFlow \nrepository at https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow. It's maintained by\n@petewarden on a best effort basis, so bugs and PRs may not get addressed. You\ncan generate an updated version of this generated project by running the command:\n\n```\nsync\u002Fsync_with_upstream.sh\n```\n\nThis should create a Pico-compatible project from the latest version of the\nTensorFlow repository.\n\n## Learning More\n\nThe [TensorFlow website](https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmicrocontrollers) has\ninformation on training, tutorials, and other resources.\n\nThe [TinyML Book](https:\u002F\u002Ftinymlbook.com) is a guide to using TensorFlow Lite Micro\nacross a variety of different systems.\n\n[TensorFlowLite Micro: Embedded Machine Learning on TinyML Systems](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2010.08678.pdf)\nhas more details on the design and implementation of the framework.\n\n## Licensing\n\nThe TensorFlow source code is covered by the Apache 2 license described in \nsrc\u002Ftensorflow\u002FLICENSE, components from other libraries have the appropriate\nlicenses included in their third_party folders.","# TensorFlow Lite Micro\n\n一个面向所有人的开源机器学习框架。\n\n## 简介\n\n这是适用于树莓派 Pico 微控制器的 [TensorFlow Lite Micro 库](https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmicrocontrollers) 版本。它使您能够运行机器学习模型，执行诸如语音识别、图像中的人脸检测、从加速度计中识别手势以及其他传感器数据分析任务等操作。此版本包含用于将更改同步到 Google 代码库的脚本，并且还利用了 RP2040 的双核架构，以在某些操作上提升速度。\n\n## 入门\n\n首先，您需要按照 Pico 的设置说明，在您的开发机器上初始化开发环境。完成后，请确保已将 `PICO_SDK_PATH` 环境变量设置为 Pico SDK 的路径，可以在您正在使用的终端中设置，或者如果您使用的是 VS Code，则可以在扩展的 CMake 配置环境变量中进行设置。\n\n之后，您应该能够构建该库、测试用例和示例程序。最简便的构建方式是使用 VS Code 的 CMake 集成功能：加载项目并选择窗口底部的构建选项即可。\n\n另外，您也可以通过在进入本仓库目录后，在终端中运行以下命令来构建整个项目（包括测试）：\n\n```bash\nmkdir build\ncd build\ncmake ..\nmake\n```\n\n## 包含的内容\n\n本项目包含多个示例应用。最简单的入门示例是 hello_world 项目。它演示了在设备上部署机器学习模型的基本流程，并根据训练得到的正弦波模式控制 Pico 的 LED 灯。构建完成后，您可以在 `build\u002Fexamples\u002Fhello_world\u002Fhello_world.uf2` 文件中找到可复制到 Pico 上的 UF2 固件文件。\n\n另一个示例是人体检测器，但由于 Pico 本身不提供图像输入，您需要编写一些代码来连接自己的传感器。您可以参考 Arducam Pico4ML 的 TFLM 分支实现，详情请见 [arducam.com\u002Fpico4ml-an-rp2040-based-platform-for-tiny-machine-learning\u002F](https:\u002F\u002Fwww.arducam.com\u002Fpico4ml-an-rp2040-based-platform-for-tiny-machine-learning\u002F)。\n\n## 贡献\n\n本仓库（https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro）为只读模式，因为它是由 TensorFlow 主仓库（https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow）自动生成的。该项目由 @petewarden 在力所能及的范围内维护，因此可能无法及时处理错误报告或拉取请求。您可以通过运行以下命令生成更新后的版本：\n\n```\nsync\u002Fsync_with_upstream.sh\n```\n\n此命令将基于 TensorFlow 仓库的最新版本创建一个与 Pico 兼容的项目。\n\n## 深入学习\n\n[TensorFlow 官网](https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fmicrocontrollers) 提供了有关模型训练、教程及其他资源的信息。\n\n《TinyML 书籍》（[tinymlbook.com](https:\u002F\u002Ftinymlbook.com)）是一本介绍如何在各种不同系统上使用 TensorFlow Lite Micro 的指南。\n\n论文《TensorFlow Lite Micro：TinyML 系统上的嵌入式机器学习》（[arxiv.org\u002Fpdf\u002F2010.08678.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2010.08678.pdf)）则更详细地介绍了该框架的设计与实现。\n\n## 许可证\n\nTensorFlow 源代码受 Apache 2.0 许可证约束，具体条款参见 src\u002Ftensorflow\u002FLICENSE 文件；来自其他库的组件则在其 third_party 文件夹中包含了相应的许可证。","# pico-tflmicro 快速上手指南\n\npico-tflmicro 是专为 Raspberry Pi Pico (RP2040) 微控制器定制的 TensorFlow Lite Micro 版本。它支持在资源受限的设备上运行机器学习模型（如语音识别、图像检测、手势识别等），并利用 RP2040 的双核架构提升部分运算速度。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境已满足以下要求：\n\n*   **操作系统**：Windows、macOS 或 Linux。\n*   **前置依赖**：\n    *   已完成 **Raspberry Pi Pico SDK** 的安装与环境配置。\n    *   已安装 **CMake** 和 **Make** (或 Ninja) 构建工具。\n    *   推荐使用 **VS Code** 并安装 C\u002FC++ 及 CMake Tools 扩展以获得最佳体验。\n*   **环境变量**：\n    必须设置 `PICO_SDK_PATH` 环境变量，指向您本地 Pico SDK 的安装目录。\n    *   **Linux\u002FmacOS (终端)**:\n        ```bash\n        export PICO_SDK_PATH=\u002Fpath\u002Fto\u002Fyour\u002Fpico-sdk\n        ```\n    *   **Windows (PowerShell)**:\n        ```powershell\n        $env:PICO_SDK_PATH=\"C:\\path\\to\\your\\pico-sdk\"\n        ```\n    *   **VS Code**: 如果在 IDE 中构建，请在 CMake 配置设置中指定该变量。\n\n> **提示**：国内开发者若在下载 Pico SDK 或相关依赖时遇到网络问题，可尝试使用 Gitee 上的镜像仓库或配置代理加速。\n\n## 安装与构建\n\n本项目无需单独“安装”，只需克隆代码并编译即可。\n\n1.  **获取源码**\n    将项目克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro.git\n    cd pico-tflmicro\n    ```\n\n2.  **编译项目**\n    您可以选择使用 VS Code 的 CMake 集成直接点击构建，或在终端执行以下命令进行命令行构建（包含测试和示例）：\n\n    ```bash\n    mkdir build\n    cd build\n    cmake ..\n    make\n    ```\n\n    编译成功后，生成的固件文件将位于 `build` 目录下的相应子文件夹中。\n\n## 基本使用\n\n最简单的入门方式是运行自带的 `hello_world` 示例。该示例演示了如何在设备上部署 ML 模型，并控制 Pico 板载 LED 按照学习到的正弦波模式闪烁。\n\n1.  **定位固件文件**\n    编译完成后，找到生成的 UF2 文件：\n    `build\u002Fexamples\u002Fhello_world\u002Fhello_world.uf2`\n\n2.  **烧录固件**\n    *   按住 Pico 板上的 **BOOTSEL** 按钮，同时通过 USB 连接电脑。\n    *   松开按钮后，电脑上会出现一个名为 `RPI-RP2` 的磁盘驱动器。\n    *   将 `hello_world.uf2` 文件拖入该驱动器。\n    *   Pico 会自动重启并运行程序，观察板载 LED 是否呈现呼吸灯效果。\n\n3.  **进阶示例**\n    项目中还包含人员检测（person detector）等示例。由于 Pico 本身不带摄像头，运行此类示例需要外接传感器（如 Arducam Pico4ML）。相关硬件适配代码可参考 Arducam 官方提供的分支方案。\n\n---\n*注：本仓库为自动生成只读仓库，主要同步自 TensorFlow 主库。如需更新项目以匹配最新的 TensorFlow 版本，可运行 `sync\u002Fsync_with_upstream.sh` 脚本重新生成。*","一家初创团队正在开发一款基于 Raspberry Pi Pico 的低成本智能手势控制器，旨在通过加速度计识别用户手部动作来控制智能家居设备。\n\n### 没有 pico-tflmicro 时\n- **开发门槛极高**：团队需手动移植庞大的 TensorFlow 代码库到 RP2040 架构，耗费数周解决内存管理和编译兼容性问题。\n- **硬件性能浪费**：无法有效利用 RP2040 的双核处理器，导致手势识别延迟高，用户体验卡顿。\n- **缺乏参考范例**：缺少针对 Pico 的现成机器学习示例，开发者需从零编写传感器数据预处理和模型推理逻辑。\n- **迭代周期漫长**：每次调整模型结构后，重新构建和部署流程复杂，严重拖慢产品原型验证速度。\n\n### 使用 pico-tflmicro 后\n- **快速环境搭建**：直接复用官方提供的脚本和 CMake 配置，几分钟内即可完成开发环境初始化并编译通过。\n- **双核加速推理**：自动调用 RP2040 双核并行计算能力，显著降低手势识别延迟，实现毫秒级响应。\n- **开箱即用示例**：基于内置的\"hello_world\"及传感器分析示例，团队迅速掌握了从数据采集到模型部署的全流程。\n- **高效同步更新**：通过 `sync_with_upstream.sh` 脚本轻松同步 Google 上游最新优化，确保持续获得性能提升和新特性。\n\npico-tflmicro 将原本需要数周的嵌入式 AI 移植工作缩短至几天，让开发者能专注于核心算法优化而非底层适配。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fraspberrypi_pico-tflmicro_e4ba721a.png","raspberrypi","Raspberry Pi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fraspberrypi_0579d599.png","",null,"https:\u002F\u002Fwww.raspberrypi.com","https:\u002F\u002Fgithub.com\u002Fraspberrypi",[80,84,88,92,96],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",94.9,{"name":85,"color":86,"percentage":87},"CMake","#DA3434",2.6,{"name":89,"color":90,"percentage":91},"C","#555555",1.9,{"name":93,"color":94,"percentage":95},"Python","#3572A5",0.6,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.1,736,103,"2026-04-03T00:34:19",4,"Linux, macOS, Windows","不需要 GPU，专为微控制器（RP2040）设计","取决于具体微控制器内存（通常 KB 级别），主机编译环境未说明",{"notes":108,"python":109,"dependencies":110},"该工具用于在 Raspberry Pi Pico (RP2040) 微控制器上运行机器学习模型。需要在主机上安装 Pico SDK 并设置 PICO_SDK_PATH 环境变量。利用 RP2040 的双核架构加速运算。构建生成的 UF2 文件需复制到设备运行。仓库为只读，由上游 TensorFlow 代码自动生成。","未说明",[111,85,112],"Pico SDK","Make",[14],"2026-03-27T02:49:30.150509","2026-04-13T17:41:44.611841",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},31859,"pico-tflmicro 是否支持新的 RP2350 芯片（Raspberry Pi Pico 2）？","是的，已支持。维护者已拉取最新的上游更改并确认其可在 RP2350 上运行。具体修复提交见：https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fcommit\u002Fdfea53b977f131dc50d7060568ad4fd355d4d71e。此外，SDK 也已更新（https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fcommit\u002F82ee61dfddc56cc9b6d47785ea6a7975c432e972），生成的二进制文件可在 RP2350 上正常运行。如果遇到其他问题，请重新开启 Issue 或提交新问题。","https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fissues\u002F18",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},31860,"为什么在 Raspberry Pi Pico 上运行模型时，输出结果始终不变？","这通常是因为使用了未量化的 float32 模型。TFLite Micro 主要针对微控制器优化，建议使用 int8 量化模型。用户反馈将训练好的模型转换为 int8 量化模型后问题解决。虽然文档提到微控制器主要使用全量化模型，但并未完全排除浮点模型，不过在 Pico 上实际运行时常需量化才能正常工作。","https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fissues\u002F13",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},31861,"在 Raspberry Pi Pico 上编译或运行简单模型时报错，缺少什么关键配置？","必须在代码中定义 `TF_LITE_STATIC_MEMORY` 宏。这是 Raspberry Pi Pico 运行 TFLite Micro 的必要条件。请在代码顶部添加：\n#define TF_LITE_STATIC_MEMORY\n否则会导致内存分配错误或模型无法运行。","https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fissues\u002F1",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},31862,"这个仓库（pico-tflmicro）现在还是“只读”的吗？我应该在哪里提交问题或 PR？","该仓库现在是 RP2040\u002FRP2 端口的事实上游（\"as upstream as it gets\"）。虽然早期说明称其为自动生成的只读副本，需向 tensorflow\u002Ftensorflow 提交问题，但目前维护者已在此直接处理 RP2 相关问题和更新。因此，针对 RP2040\u002FRP2350 的问题和贡献应优先在此仓库提出。","https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fissues\u002F9",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},31863,"从源码构建项目时遇到'multiple definitions of main'错误怎么办？","该问题已由近期的大规模更新解决，此次更新合并了过去三年的上游更改。请确保拉取最新代码后再尝试构建。如果问题仍然存在，请重新开启 Issue 并提供详细错误信息。","https:\u002F\u002Fgithub.com\u002Fraspberrypi\u002Fpico-tflmicro\u002Fissues\u002F11",{"id":143,"question_zh":144,"answer_zh":145,"source_url":126},31864,"如何在 Raspberry Pi Pico W 上成功运行 hello_world 示例？","需要修改 LED 引脚配置以适配 Pico W 的板载 LED（通常连接到不同 GPIO）。更重要的是，必须使用 `hello_world` 目录中提供的 int8 量化模型，而非原始浮点模型。用户反馈替换为量化模型后，LED 能正常脉动，模型输出也随输入变化。",[]]