[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-sadeepj--crfasrnn_keras":3,"tool-sadeepj--crfasrnn_keras":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",138956,2,"2026-04-05T11:33:21",[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":80,"owner_email":78,"owner_twitter":78,"owner_website":81,"owner_url":82,"languages":83,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":104,"env_os":105,"env_gpu":106,"env_ram":107,"env_deps":108,"category_tags":115,"github_topics":116,"view_count":104,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":156},586,"sadeepj\u002Fcrfasrnn_keras","crfasrnn_keras","CRF-RNN Keras\u002FTensorflow version","crfasrnn_keras 是基于 Keras 和 TensorFlow 实现的语义图像分割模型，核心算法源自 ICCV 2015 年的经典论文《Conditional Random Fields as Recurrent Neural Networks》。它将条件随机场（CRF）转化为可训练的循环神经网络层，有效解决了传统深度学习方法在图像分割中边界不清晰、细节丢失的问题。\n\ncrfasrnn_keras 特别适合计算机视觉领域的开发者和研究人员，尤其是那些希望利用 TensorFlow 生态进行模型实验的团队。相比其他框架版本，它保持了与 Caffe 及 PyTorch 实现完全一致的精度，同时提供了便捷的部署环境。其独特之处在于实现了端到端的可微分 CRF 层，无需后处理即可直接输出精细化的分割结果。此外，项目还附带了在线演示链接，方便快速验证效果。需要注意的是，当前版本主要支持单批次输入，且构建自定义算子时需在 Linux 或 macOS 环境下操作。对于从事图像理解任务的技术人员来说，这是一个非常实用的参考实现。","# CRF-RNN for Semantic Image Segmentation - Keras\u002FTensorflow version\n![sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsadeepj_crfasrnn_keras_readme_a30f29b9a166.png)\n\n\u003Cb>Live demo:\u003C\u002Fb>              [http:\u002F\u002Fcrfasrnn.torr.vision](http:\u002F\u002Fcrfasrnn.torr.vision) \u003Cbr\u002F>\n\u003Cb>PyTorch version:\u003C\u002Fb>    [http:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_pytorch](http:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_pytorch)\u003Cbr\u002F>\n\u003Cb>Caffe version:\u003C\u002Fb>         [http:\u002F\u002Fgithub.com\u002Ftorrvision\u002Fcrfasrnn](http:\u002F\u002Fgithub.com\u002Ftorrvision\u002Fcrfasrnn)\u003Cbr\u002F>\n\nThis repository contains Keras\u002FTensorflow code for the \"CRF-RNN\" semantic image segmentation method, published in the ICCV 2015 paper [Conditional Random Fields as Recurrent Neural Networks](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~szheng\u002Fpapers\u002FCRFasRNN.pdf). The [online demo](http:\u002F\u002Fcrfasrnn.torr.vision) of this project won the Best Demo Prize at ICCV 2015. Results of this Keras\u002FTensorflow code are identical to that of the Caffe and PyTorch based versions above.\n\nIf you use this code\u002Fmodel for your research, please cite the following paper:\n```\n@inproceedings{crfasrnn_ICCV2015,\n    author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and\n    Zhizhong Su and Dalong Du and Chang Huang and Philip H. S. Torr},\n    title  = {Conditional Random Fields as Recurrent Neural Networks},\n    booktitle = {International Conference on Computer Vision (ICCV)},\n    year   = {2015}\n}\n```\n\n## Installation Guide\n\n### Step 1: Clone the repository\n```\n$ git clone https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras.git\n```\nThe root directory of the clone will be referred to as `crfasrnn_keras` hereafter.\n\n### Step 2: Install dependencies\n\n**Note**: If you are using a Python virtualenv, make sure it is activated before running each command in this guide.\n\nUse the `requirements.txt` file (or `requirements_gpu.txt`, if you have a GPU device) in this repository to install all the dependencies via `pip`:\n```\n$ cd crfasrnn_keras\n$ pip install -r requirements.txt  # If you have a GPU device, use requirements_gpu.txt instead\n```\nAs you can notice from the contents of `requirements.txt`, we only depend on `tensorflow`, `keras`, and `h5py`. Additionally, `Pillow` is required for running the demo.\nAfter installing the dependencies, run the following commands to make sure they are properly installed:\n```\n$ python\n>>> import tensorflow\n>>> import keras\n```\nYou should not see any errors while importing `tensorflow` and `keras` above.\n\n### Step 3: Build CRF-RNN custom op C++ code\n\nRun `make` inside the `crfasrnn_keras\u002Fsrc\u002Fcpp` directory:\n```\n$ cd crfasrnn_keras\u002Fsrc\u002Fcpp\n$ make\n``` \nNote that the `python` command in the console should refer to the Python interpreter associated with your Tensorflow installation before running the `make` command above.\n\nYou will get a new file named `high_dim_filter.so` from this build. If it fails, refer to the official Tensorflow guide for [building a custom op](https:\u002F\u002Fwww.tensorflow.org\u002Fextend\u002Fadding_an_op#build_the_op_library) for help.\n\n**Note**: This make script works on Linux and macOS, but not on Windows OS. If you are on Windows, please check [this issue](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fissues\u002F1103) and the comments therein for build instructions. The official Tensorflow guide for building a custom op does not yet include build instructions for Windows.\n\n### Step 4: Download the pre-trained model weights\n\nDownload the model weights from [here](https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Freleases\u002Fdownload\u002Fv1.0\u002Fcrfrnn_keras_model.h5) and place it in the `crfasrnn_keras` directory with the file name `crfrnn_keras_model.h5`.\n\n### Step 5: Run the demo\n```\n$ cd crfasrnn_keras\n$ python run_demo.py\n```\nIf all goes well, you will see the segmentation results in a file named \"labels.png\".\n\n\n## Notes\n1. Current implementation of the CrfRnnLayer only supports batch_size == 1\n2. An experimental GPU version of the CrfRnnLayer that has been tested on CUDA 9 and Tensorflow 1.7 only, is available under the `gpu_support` branch. This code was contributed by [thwjoy](https:\u002F\u002Fgithub.com\u002Fthwjoy).\n","# CRF-RNN 用于语义图像分割 - Keras\u002FTensorflow 版本\n![sample](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsadeepj_crfasrnn_keras_readme_a30f29b9a166.png)\n\n\u003Cb>在线演示：\u003C\u002Fb>              [http:\u002F\u002Fcrfasrnn.torr.vision](http:\u002F\u002Fcrfasrnn.torr.vision) \u003Cbr\u002F>\n\u003Cb>PyTorch 版本：\u003C\u002Fb>    [http:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_pytorch](http:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_pytorch)\u003Cbr\u002F>\n\u003Cb>Caffe 版本：\u003C\u002Fb>         [http:\u002F\u002Fgithub.com\u002Ftorrvision\u002Fcrfasrnn](http:\u002F\u002Fgithub.com\u002Ftorrvision\u002Fcrfasrnn)\u003Cbr\u002F>\n\n本仓库包含用于\"CRF-RNN（条件随机场作为循环神经网络）”语义图像分割方法的 Keras\u002FTensorflow 代码，该方法发表于 ICCV 2015 论文 [Conditional Random Fields as Recurrent Neural Networks](http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~szheng\u002Fpapers\u002FCRFasRNN.pdf)。本项目的 [在线演示](http:\u002F\u002Fcrfasrnn.torr.vision) 获得了 ICCV 2015 的最佳演示奖。此 Keras\u002FTensorflow 代码的结果与上述基于 Caffe 和 PyTorch 的版本完全一致。\n\n如果您在研究中使用此代码\u002F模型，请引用以下论文：\n```\n@inproceedings{crfasrnn_ICCV2015,\n    author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and\n    Zhizhong Su and Dalong Du and Chang Huang and Philip H. S. Torr},\n    title  = {Conditional Random Fields as Recurrent Neural Networks},\n    booktitle = {International Conference on Computer Vision (ICCV)},\n    year   = {2015}\n}\n```\n\n## 安装指南\n\n### 步骤 1：克隆仓库\n```\n$ git clone https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras.git\n```\n此后，克隆后的根目录将被称为 `crfasrnn_keras`。\n\n### 步骤 2：安装依赖项\n\n**注意**：如果您使用的是 Python virtualenv（虚拟环境），请在运行本指南中的每个命令之前确保已激活它。\n\n使用本仓库中的 `requirements.txt` 文件（如果您有 GPU 设备，则使用 `requirements_gpu.txt`）通过 `pip` 安装所有依赖项：\n```\n$ cd crfasrnn_keras\n$ pip install -r requirements.txt  # If you have a GPU device, use requirements_gpu.txt instead\n```\n从 `requirements.txt` 的内容可以看出，我们仅依赖 `tensorflow`、`keras` 和 `h5py`。此外，运行演示还需要 `Pillow`。\n安装完依赖项后，运行以下命令以确保它们已正确安装：\n```\n$ python\n>>> import tensorflow\n>>> import keras\n```\n导入上述 `tensorflow` 和 `keras` 时不应看到任何错误。\n\n### 步骤 3：构建 CRF-RNN 自定义操作 C++ 代码\n\n在 `crfasrnn_keras\u002Fsrc\u002Fcpp` 目录内运行 `make`：\n```\n$ cd crfasrnn_keras\u002Fsrc\u002Fcpp\n$ make\n``` \n注意，在运行上述 `make` 命令之前，控制台中的 `python` 命令应指向与您 Tensorflow 安装关联的 Python 解释器。\n\n您将从这个构建中获得一个名为 `high_dim_filter.so` 的新文件。如果失败，请参考官方 Tensorflow 指南关于 [构建自定义操作](https:\u002F\u002Fwww.tensorflow.org\u002Fextend\u002Fadding_an_op#build_the_op_library) 的帮助。\n\n**注意**：此 make 脚本适用于 Linux 和 macOS，但不适用于 Windows 操作系统。如果您使用的是 Windows，请查看 [此问题](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Fissues\u002F1103) 及其中的评论以获取构建说明。官方 Tensorflow 构建自定义操作的指南尚未包含 Windows 的构建说明。\n\n### 步骤 4：下载预训练模型权重\n\n下载模型权重从 [此处](https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Freleases\u002Fdownload\u002Fv1.0\u002Fcrfrnn_keras_model.h5) 并放置到 `crfasrnn_keras` 目录中，文件名为 `crfrnn_keras_model.h5`。\n\n### 步骤 5：运行演示\n```\n$ cd crfasrnn_keras\n$ python run_demo.py\n```\n如果一切顺利，您将在名为 \"labels.png\" 的文件中看到分割结果。\n\n\n## 注意事项\n1. 当前实现的 CrfRnnLayer 层仅支持 batch_size == 1\n2. 一个实验性的 GPU 版本的 CrfRnnLayer 层仅在 CUDA 9 和 Tensorflow 1.7 上测试过，可在 `gpu_support` 分支下找到。此代码由 [thwjoy](https:\u002F\u002Fgithub.com\u002Fthwjoy) 贡献。","# CRF-RNN Keras 快速上手指南\n\n本工具是 ICCV 2015 论文《Conditional Random Fields as Recurrent Neural Networks》的 Keras\u002FTensorflow 实现版本，主要用于语义图像分割（Semantic Image Segmentation）。\n\n## 环境准备\n\n*   **操作系统**: 推荐 Linux 或 macOS（Windows 下编译自定义算子较复杂，需参考特定 Issue）。\n*   **Python 环境**: 建议使用虚拟环境（virtualenv），并确保在运行命令前已激活。\n*   **核心依赖**: TensorFlow, Keras, h5py。\n*   **硬件支持**: 支持 CPU 和 GPU。若使用 GPU，请确保 CUDA 与 TensorFlow 版本兼容。\n\n## 安装步骤\n\n### 1. 克隆代码仓库\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras.git\n```\n后续操作目录均以 `crfasrnn_keras` 为根目录。\n\n### 2. 安装依赖库\n进入项目目录，根据是否使用 GPU 选择对应的依赖文件：\n```bash\n$ cd crfasrnn_keras\n$ pip install -r requirements.txt  # CPU 版本\n# 或使用 $ pip install -r requirements_gpu.txt  # GPU 版本\n```\n安装完成后，建议验证导入是否正常：\n```bash\n$ python\n>>> import tensorflow\n>>> import keras\n```\n\n### 3. 编译自定义算子 (C++ Code)\n进入 `src\u002Fcpp` 目录执行编译：\n```bash\n$ cd crfasrnn_keras\u002Fsrc\u002Fcpp\n$ make\n```\n*注意*: 此脚本适用于 Linux 和 macOS。Windows 用户请参考官方 TensorFlow 扩展算子构建指南或相关 Issue。编译成功后应生成 `high_dim_filter.so` 文件。\n\n### 4. 下载预训练模型\n从发布页面下载权重文件，并重命名为 `crfrnn_keras_model.h5`，放置于 `crfasrnn_keras` 根目录下：\n[下载地址](https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Freleases\u002Fdownload\u002Fv1.0\u002Fcrfrnn_keras_model.h5)\n\n## 基本使用\n\n完成上述步骤后，即可运行演示程序查看分割结果：\n\n```bash\n$ cd crfasrnn_keras\n$ python run_demo.py\n```\n\n运行成功后，将在当前目录生成名为 `labels.png` 的文件，其中包含图像分割结果。\n\n> **提示**: 当前实现的 `CrfRnnLayer` 仅支持 `batch_size == 1`。","一家自动驾驶公司的感知算法工程师正在优化车道线分割模型，急需解决复杂光照下边缘锯齿严重的问题。\n\n### 没有 crfasrnn_keras 时\n- 原始 CNN 模型输出的分割图边界模糊，导致车辆在弯道处的定位出现明显偏差。\n- 传统做法需先跑完 CNN 再用独立的 CRF 算法进行后处理，增加了约 50ms 的推理延迟。\n- 后处理模块与主网络分离，无法通过反向传播优化特征提取器以适应精修需求。\n- 维护两套代码逻辑增加了工程复杂度，且难以统一调试分割效果。\n\n### 使用 crfasrnn_keras 后\n- crfasrnn_keras 将条件随机场作为可微层嵌入网络，直接输出边缘清晰的分割结果。\n- 推理过程一体化，消除了独立后处理步骤，有效降低了系统整体延迟。\n- 支持端到端训练，让特征提取层能根据精修后的损失函数自动调整参数。\n- 基于 Keras 和 TensorFlow 构建，无缝对接团队现有的深度学习框架，部署成本极低。\n\n通过引入 crfasrnn_keras，团队成功将分割边界误差降低 30%，显著提升了自动驾驶系统在复杂路况下的感知精度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsadeepj_crfasrnn_keras_a30f29b9.png","sadeepj","Sadeep Jayasumana","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsadeepj_a890dc0e.jpg",null,"Google","New York City","http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~sadeep\u002F","https:\u002F\u002Fgithub.com\u002Fsadeepj",[84,88,92,96],{"name":85,"color":86,"percentage":87},"Python","#3572A5",76.9,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",17.2,{"name":93,"color":94,"percentage":95},"Makefile","#427819",4.7,{"name":97,"color":98,"percentage":99},"Dockerfile","#384d54",1.2,603,167,"2025-09-01T19:54:14","MIT",4,"Linux, macOS","非必需，若使用 GPU 需 NVIDIA 显卡，实验性 GPU 版本测试于 CUDA 9 和 Tensorflow 1.7","未说明",{"notes":109,"python":107,"dependencies":110},"必须在 src\u002Fcpp 目录下运行 make 编译 C++ 自定义算子 (high_dim_filter.so)；当前 CrfRnnLayer 实现仅支持 batch_size=1；Windows 系统不支持直接 make 构建；需手动下载预训练模型权重文件 crfrnn_keras_model.h5",[111,112,113,114],"tensorflow","keras","h5py","Pillow",[14,55,13],[117,118,119,111,112,120,121,122,123,124],"image-segmentation","semantic-segmentation","crf-as-rnn","crfasrnn","crfasrnn-keras","crfasrnn-tensorflow","crf-rnn-tensorflow","crf-rnn-keras","2026-03-27T02:49:30.150509","2026-04-06T05:37:28.775962",[128,133,138,143,148,152],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},2387,"运行 demo 时出现 `undefined symbol: _ZTIN10tensorflow8OpKernelE` 错误怎么办？","这是自定义算子加载失败导致的链接错误。请在终端使用 TensorFlow 的动态编译和链接标志重新编译 `.so` 文件。具体命令如下：\n```\nTF_CFLAGS=( $(python -c 'import tensorflow as tf; print(\" \".join(tf.sysconfig.get_compile_flags()))') )\nTF_LFLAGS=( $(python -c 'import tensorflow as tf; print(\" \".join(tf.sysconfig.get_link_flags()))') )\ng++ -std=c++11 -shared high_dim_filter.cc modified_permutohedral.cc -o high_dim_filter.so -fPIC ${TF_CFLAGS[@]} ${TF_LFLAGS[@]} -O2\n```\n此方法在 TensorFlow 1.10 环境下已被验证有效。","https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Fissues\u002F53",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},2388,"运行时报错 `Symbol not found: __ZN10tensorflow12OpDefBuilder4AttrESs` 如何解决？","此错误通常由 C++ 编译器路径冲突引起。请检查系统默认编译器路径（如 `\u002Fusr\u002Fbin`）是否优先于本地安装路径（如 `\u002Fusr\u002Flocal\u002Fbin`）。有用户反馈仅在特定版本（如 Apple LLVM 7.0.0）下工作正常，且该版本位于 `\u002Fusr\u002Fbin` 而非 `\u002Fusr\u002Flocal\u002Fbin`。请确保导入时调用的是正确的系统默认编译器，避免路径混淆。","https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Fissues\u002F58",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},2389,"使用 TensorFlow 源码安装时运行 demo 报 `undefined symbol` 错误如何处理？","当使用 TensorFlow 源码安装时，需要修改 `compile.sh` 脚本以包含 `nsync` 头文件路径。首先将第一行改为使用 Python3，然后添加 `nsync` 的包含路径。示例修改如下：\n```\nTF_INC=$(python3 -c 'import tensorflow as tf; print(tf.sysconfig.get_include())')\nNSYNC_INC=$TF_INC\u002Fexternal\u002Fnsync\u002Fpublic\ng++ -std=c++11 -D_GLIBCXX_USE_CXX11_ABI=0 -shared ... -I $TF_INC -I $NSYNC_INC ...\n```","https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Fissues\u002F11",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},2390,"运行 `run_demo.py` 时出现 `AttributeError: 'module' object has no attribute 'convolution'` 错误怎么办？","这是 Keras 后端与 TensorFlow 版本不兼容导致的属性缺失问题。项目维护者指出该问题已通过引入 `Makefile` 脚本修复。请尝试使用项目提供的 `Makefile` 进行编译和运行，而不是旧的 `compile.sh` 脚本，以解决卷积层调用失败的问题。","https:\u002F\u002Fgithub.com\u002Fsadeepj\u002Fcrfasrnn_keras\u002Fissues\u002F16",{"id":149,"question_zh":150,"answer_zh":151,"source_url":132},2391,"编译自定义算子 `.so` 文件时如何正确设置环境变量？","为了避免链接错误，建议动态获取 TensorFlow 的编译标志。不要硬编码路径，而是通过 Python 脚本获取配置。使用 `tf.sysconfig.get_compile_flags()` 生成 `TF_CFLAGS`，使用 `get_link_flags()` 生成 `TF_LFLAGS`，并在 `g++` 命令中引用这些变量，确保生成的 `.so` 文件与当前环境的 TensorFlow 版本完全匹配。",{"id":153,"question_zh":154,"answer_zh":155,"source_url":137},2392,"遇到 C++ 编译器版本不兼容导致导入失败该如何排查？","如果编译成功但运行时报错，请重点排查 C++ 编译器版本。不同版本的 TensorFlow 对 C++ ABI 的要求可能不同。有案例显示必须使用特定的编译器版本（如 Apple LLVM 7.0.0）才能正常工作。请检查 `\u002Fusr\u002Fbin` 和 `\u002Fusr\u002Flocal\u002Fbin` 下的编译器优先级，确保使用的是与 TensorFlow 构建时一致的编译器版本。",[157],{"id":158,"version":159,"summary_zh":160,"released_at":161},101931,"v1.0","First release of the CRF-RNN Keras\u002FTensorflow version.","2018-03-03T18:36:19"]