[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ryouchinsa--Rectlabel-support":3,"tool-ryouchinsa--Rectlabel-support":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",158594,2,"2026-04-16T23:34:05",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":79,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":128},8239,"ryouchinsa\u002FRectlabel-support","Rectlabel-support","RectLabel is an offline image annotation tool for object detection and segmentation.","RectLabel 是一款专为物体检测与图像分割设计的离线标注工具，旨在帮助开发者、研究人员及数据科学家高效构建高质量的训练数据集。它解决了传统人工标注耗时费力、精度难以统一的痛点，通过集成前沿 AI 模型大幅提升了标注自动化水平。\n\n该工具的核心亮点在于深度集成了 Segment Anything Model (SAM) 2 和 3，用户仅需提供简单的文本描述或框选提示，即可一次性完成多个物体的多边形或像素级标注。此外，RectLabel 还支持利用 Cellpose 进行细胞分割、通过追踪模型自动标记边界框，以及借助 Core ML 运行的 RF-DETR 和 YOLO 等模型实现全自动标注。对于特殊场景，它还具备自动文字识别（OCR）、航拍图像中的旋转框标注、骨骼关键点标记等功能。\n\n在数据处理方面，RectLabel 支持将成果一键导出为 YOLO、COCO、CreateML 和 DOTA 等多种主流格式，并能生成索引色或灰度掩码图像，无缝对接后续模型训练流程。无论是需要处理复杂医学影像的研究人员，还是致力于开发自动驾驶算法的工程师，RectLabel 都能凭借其丰富的快捷键设","RectLabel 是一款专为物体检测与图像分割设计的离线标注工具，旨在帮助开发者、研究人员及数据科学家高效构建高质量的训练数据集。它解决了传统人工标注耗时费力、精度难以统一的痛点，通过集成前沿 AI 模型大幅提升了标注自动化水平。\n\n该工具的核心亮点在于深度集成了 Segment Anything Model (SAM) 2 和 3，用户仅需提供简单的文本描述或框选提示，即可一次性完成多个物体的多边形或像素级标注。此外，RectLabel 还支持利用 Cellpose 进行细胞分割、通过追踪模型自动标记边界框，以及借助 Core ML 运行的 RF-DETR 和 YOLO 等模型实现全自动标注。对于特殊场景，它还具备自动文字识别（OCR）、航拍图像中的旋转框标注、骨骼关键点标记等功能。\n\n在数据处理方面，RectLabel 支持将成果一键导出为 YOLO、COCO、CreateML 和 DOTA 等多种主流格式，并能生成索引色或灰度掩码图像，无缝对接后续模型训练流程。无论是需要处理复杂医学影像的研究人员，还是致力于开发自动驾驶算法的工程师，RectLabel 都能凭借其丰富的快捷键设置、画廊搜索功能及视频帧提取能力，成为得力的数据准备助手。","# Rectlabel-support\nThis is the support page for RectLabel.\n\nTo download RectLabel apps.\n- [RectLabel](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1210181730)\n- [RectLabel Pro](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1490990105)\n\nHow to use? Read our [Help page](https:\u002F\u002Frectlabel.com\u002Fhelp\u002F).\n\nPost feature requests to [Issues page](https:\u002F\u002Fgithub.com\u002Fryouchinsa\u002FRectlabel-support\u002Fissues).\n\nHave questions? Send an email to support@rectlabel.com.\n\n# Key features\n- Using text and box prompts of Segment Anything Model 3, multiple objects are labeled at once\n- Label polygons and pixels using Segment Anything Model 2\n- Label polygons and pixels using Cellpose model\n- Label bounding boxes using Tracking model\n- Automatic labeling using Core ML models including RF-DETR and YOLO26\n- Automatic text recognition for lines and words\n- Label cubic bezier curves, line segments, and points\n- Label oriented bounding boxes in aerial images\n- Label keypoints with a skeleton\n- Label pixels with brushes and superpixels\n- Settings for objects, attributes, hotkeys, and labeling fast\n- Search object, attribute, image names, and memo in a gallery view\n- Export to YOLO, COCO, CreateML, and DOTA formats\n- Export indexed color mask image and grayscale mask images\n- Video to image frames, augment images, etc.\n\n![sam3_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_0e38da77e052.png)\n![sam3_pixels](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_75a0e810f31c.png)\n![sam2_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_fa35a8616cd3.png)\n![sam2_pixels](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_ac1ab6185600.png)\n![cellpose_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_906f6ff1b832.png)\n![coreml_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_6550118ab0d2.png)\n![ocr](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_2b18887c6ea5.png)\n![draw_obb](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_48450aa04245.png)\n![search5](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_0d238d66e7cf.png)\n\n\n","# Rectlabel 支持\n这是 RectLabel 的支持页面。\n\n下载 RectLabel 应用：\n- [RectLabel](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1210181730)\n- [RectLabel Pro](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1490990105)\n\n如何使用？请阅读我们的[帮助页面](https:\u002F\u002Frectlabel.com\u002Fhelp\u002F)。\n\n功能请求请提交至[问题页面](https:\u002F\u002Fgithub.com\u002Fryouchinsa\u002FRectlabel-support\u002Fissues)。\n\n如有疑问，请发送邮件至 support@rectlabel.com。\n\n# 核心功能\n- 使用 Segment Anything Model 3 的文本和框提示，一次性标注多个对象\n- 使用 Segment Anything Model 2 标注多边形和像素\n- 使用 Cellpose 模型标注多边形和像素\n- 使用跟踪模型标注边界框\n- 使用包括 RF-DETR 和 YOLO26 在内的 Core ML 模型进行自动标注\n- 自动识别文本行和单词\n- 标注三次贝塞尔曲线、线段和点\n- 标注航拍图像中的定向边界框\n- 使用骨骼标注关键点\n- 使用画笔和超像素标注像素\n- 提供对象、属性、快捷键等设置，实现快速标注\n- 在图库视图中搜索对象、属性、图像名称和备注\n- 导出为 YOLO、COCO、CreateML 和 DOTA 格式\n- 导出索引颜色掩膜图像和灰度掩膜图像\n- 视频转图像帧、图像增强等功能\n\n![sam3_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_0e38da77e052.png)\n![sam3_pixels](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_75a0e810f31c.png)\n![sam2_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_fa35a8616cd3.png)\n![sam2_pixels](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_ac1ab6185600.png)\n![cellpose_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_906f6ff1b832.png)\n![coreml_polygon](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_6550118ab0d2.png)\n![ocr](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_2b18887c6ea5.png)\n![draw_obb](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_48450aa04245.png)\n![search5](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_readme_0d238d66e7cf.png)","# RectLabel 快速上手指南\n\nRectLabel 是一款专为 macOS 设计的高效图像标注工具，集成了 Segment Anything Model (SAM)、Cellpose、YOLO 等先进 AI 模型，支持自动标注、多对象识别及多种格式导出。\n\n## 环境准备\n\n- **操作系统**：macOS（需较新版本以支持 Core ML 及最新 AI 模型）\n- **硬件要求**：推荐配备 Apple Silicon (M1\u002FM2\u002FM3) 芯片的 Mac，以发挥 Core ML 模型的最佳性能；Intel Mac 亦可运行部分功能。\n- **前置依赖**：无需手动安装 Python 环境或深度学习框架，核心 AI 模型已集成在应用内或通过应用内下载管理。\n- **账号要求**：需要 Apple ID 用于从 App Store 下载应用。\n\n## 安装步骤\n\nRectLabel 通过 Mac App Store 分发，请按照以下步骤安装：\n\n1. 打开 Mac 上的 **App Store**。\n2. 搜索 `RectLabel` 或 `RectLabel Pro`。\n3. 点击获取并安装：\n   - **标准版**：[RectLabel](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1210181730)\n   - **专业版**：[RectLabel Pro](https:\u002F\u002Fapps.apple.com\u002Fapp\u002Fid1490990105)（包含更多高级 AI 功能和无限制导出）\n\n*注：由于是原生 macOS 应用，无需使用终端命令进行安装。*\n\n## 基本使用\n\n以下是利用 AI 模型进行快速标注的最简流程：\n\n### 1. 导入图像\n启动 RectLabel，将图像文件或文件夹拖入主窗口，或通过 `File` > `Open` 加载数据。\n\n### 2. 配置 AI 模型\n在顶部菜单栏选择 `Model`，根据任务需求加载预置模型：\n- **通用物体检测\u002F分割**：选择 `Segment Anything Model 3` (SAM 3) 或 `RF-DETR` \u002F `YOLO`。\n- **细胞\u002F微观结构**：选择 `Cellpose`。\n- **文字识别**：启用 `OCR` 功能。\n\n### 3. 执行自动标注\n- **框选提示**：使用鼠标绘制一个粗略的包围盒（Box Prompt），AI 将自动识别盒内所有对象并生成多边形或像素掩码。\n- **文本提示**：在提示框输入物体名称（如 \"car\", \"person\"），配合框选可实现更精准的语义分割。\n- **一键标注**：对于已训练好的 Core ML 模型（如 YOLO），可直接点击 `Auto Label` 批量处理当前图像或整个文件夹。\n\n### 4. 微调与属性设置\n- 使用画笔工具修补像素级掩码。\n- 选中对象后，在右侧面板设置类别标签（Object）、属性（Attributes）及备注（Memo）。\n- 支持快捷键操作以提升标注速度。\n\n### 5. 导出数据\n完成标注后，通过 `File` > `Export` 选择目标格式：\n- 支持导出为 **YOLO**, **COCO**, **CreateML**, **DOTA** 等主流格式。\n- 可额外导出索引颜色掩码图（Indexed color mask）或灰度掩码图（Grayscale mask）。\n\n---\n*更多详细功能说明请访问官方帮助页面：https:\u002F\u002Frectlabel.com\u002Fhelp\u002F*","某自动驾驶初创公司的数据团队正急需为数千张城市道路监控图像标注车辆、行人及交通标志，以训练下一代感知模型。\n\n### 没有 Rectlabel-support 时\n- 标注员必须手动逐点绘制多边形轮廓，面对复杂背景下的行人和车辆，单张图片耗时超过 10 分钟，效率极低。\n- 缺乏智能辅助，难以精确分割重叠物体或细微的交通标志边缘，导致标注数据噪声大，模型训练收敛困难。\n- 团队需编写额外脚本将标注结果转换为 YOLO 或 COCO 格式，流程繁琐且容易在转换过程中丢失属性信息。\n- 无法快速检索特定场景（如“雨天夜间”）的已标注图片，复查和迭代数据集时如同大海捞针。\n\n### 使用 Rectlabel-support 后\n- 利用 Segment Anything Model 3 的文本和框提示功能，标注员只需输入“汽车”并轻点一下，即可瞬间完成多个物体的精准多边形标注，效率提升数十倍。\n- 借助 Cellpose 和 SAM 2 模型，即使是密集人群或模糊的交通标志也能实现像素级精确分割，显著提升了数据集质量。\n- 内置一键导出功能，直接生成适配训练管道的 YOLO、COCO 或 DOTA 格式文件，彻底消除了格式转换的中间环节。\n- 通过画廊视图的搜索功能，团队成员能立即定位包含特定属性或备注的图像，大幅缩短了数据验收与纠错周期。\n\nRectlabel-support 通过将前沿 AI 模型融入离线标注流程，将原本耗时数周的数据准备工作压缩至几天，同时确保了标注的高精度与标准化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fryouchinsa_Rectlabel-support_0e38da77.jpg","ryouchinsa","Ryo Kawamura","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fryouchinsa_d0c9f679.jpg","RectLabel is an image annotation tool for object detection and segmentation.","RectLabel","Tokyo",null,"rectlabel","https:\u002F\u002Frectlabel.com","https:\u002F\u002Fgithub.com\u002Fryouchinsa",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",86.3,{"name":89,"color":90,"percentage":91},"Python","#3572A5",13.7,553,72,"2026-04-15T07:34:56",5,"macOS","未说明（应用基于 Core ML 运行，依赖 Apple Silicon 或 AMD GPU，无需 NVIDIA CUDA）","未说明",{"notes":100,"python":98,"dependencies":101},"RectLabel 是专为 macOS 设计的原生应用程序（可通过 Mac App Store 下载），并非开源的 Python 库或命令行工具。其核心功能（如 SAM3、SAM2、Cellpose、YOLO 等模型推理）已集成在应用内部并通过 Core ML 加速，因此用户无需自行配置 Python 环境、安装依赖库或管理 GPU 驱动。主要依赖硬件为支持 Metal 加速的 Mac 设备（推荐使用搭载 M 系列芯片的 Mac）。",[],[15,14,103,16],"视频",[105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123,124],"object-detection","image-classification","labelling","annotation-tool","annotations","imagenet","label-images","detection","tensorflow","faster-rcnn","ssd","yolo","segmentation","mask-rcnn","polygon","tools","image-annotation","detectron","turicreate","video-annotation","2026-03-27T02:49:30.150509","2026-04-17T09:53:30.476454",[],[]]