[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shanren7--real_time_face_recognition":3,"tool-shanren7--real_time_face_recognition":64},[4,18,26,35,44,53],{"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},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。",107888,2,"2026-04-06T11:32:50",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[43,15,13,14],"语言模型",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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。",85013,"2026-04-06T11:09:19",[15,16,52,61,13,62,43,14,63],"插件","其他","音频",{"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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":77,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":102,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":136},4720,"shanren7\u002Freal_time_face_recognition","real_time_face_recognition","(WARNING: This repository is NO LONGER maintained ) Real time face detection and recognition base  on opencv\u002Ftensorflow\u002Fmtcnn\u002Ffacenet","real_time_face_recognition 是一个基于 OpenCV、TensorFlow、MTCNN 和 FaceNet 构建的开源项目，旨在实现实时的面部检测与识别。它主要解决了在视频流或摄像头画面中，如何快速、准确地定位人脸并判断其身份的技术难题。通过整合 MTCNN 算法进行高精度的人脸检测与对齐，并利用 FaceNet 模型提取深层人脸特征向量，该项目能够在动态场景中完成高效的身份匹配。\n\n该项目特别适合计算机视觉领域的开发者、研究人员以及希望学习人脸识别全流程的学生使用。对于想要深入理解从人脸检测到特征嵌入再到识别比对这一完整链路的用户来说，real_time_face_recognition 提供了清晰的代码实现和基于 Jupyter Notebook 的示例，极具参考价值。其独特的技术亮点在于巧妙融合了当时业界领先的检测与识别模型，并用 Python 和 TensorFlow 重构了相关工作流，降低了复现经典算法的门槛。需要注意的是，该仓库目前已停止维护，但其架构思路和历史代码仍对理解早期深度学习人脸识别方案具有重要意义。","# real_time_face_detection and recognition\nThis is a real time face detection and recognition project base  on opencv\u002Ftensorflow\u002Fmtcnn\u002Ffacenet. Chinese version of description is [here](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25025596) .Face detection is based on [MTCNN](https:\u002F\u002Fkpzhang93.github.io\u002FMTCNN_face_detection_alignment\u002Findex.html).Face embedding is based on [Facenet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1503.03832).\n##Workflow\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_ad65c4a7e1ff.jpg)\n\n##Inspiration\nThe code was inspired by several projects as follows:\n\n1.[OpenFace](https:\u002F\u002Fgithub.com\u002Fcmusatyalab\u002Fopenface). The main idea was inspired by openface. However, I prefer python and tensorflow,so there comes this project.\n\n2.[davidsandberg\u002Ffacenet](https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet).\n\n   facenet.py was taken from https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Ffacenet\u002Fsrc\u002Ffacenet.py\n    \n   nn4.py was taken from https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Fsrc\u002Fmodels\u002Fnn4.py\n    \n   detect_face.py was taken from https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Fsrc\u002Falign\u002Fdetect_face.py\n    \n3.[yobibyte\u002Fyobiface](https:\u002F\u002Fgithub.com\u002Fyobibyte\u002Fyobiface).\n\n##Dependencies\n1.tensorflow\n2.opencv with python bindings (cv2)\n3.jupyter notebook for running .ipynb examples\n\n##Running\n1.Downloading pre-trained facenet from https:\u002F\u002Fgithub.com\u002Fyobibyte\u002Fyobiface\u002Fblob\u002Fmaster\u002Fmodel\u002Fmodel-20160506.ckpt-500000 and putting in model_check_point folder.\n\n2.Running [real time face detection and recognition.ipynb](https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fblob\u002Fmaster\u002Freal%20time%20face%20detection%20and%20%20recognition.ipynb) with jupyter notebook\n\n##Results\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_40131d0d8114.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_c62c8c4ed2ea.jpg)\n","# 实时人脸检测与识别\n这是一个基于 OpenCV、TensorFlow、MTCNN 和 FaceNet 的实时人脸检测与识别项目。中文版说明请见[这里](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F25025596)。人脸检测采用 [MTCNN](https:\u002F\u002Fkpzhang93.github.io\u002FMTCNN_face_detection_alignment\u002Findex.html)，人脸嵌入则基于 [FaceNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1503.03832)。\n## 工作流程\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_ad65c4a7e1ff.jpg)\n\n## 灵感来源\n该代码受到以下几个项目的启发：\n\n1. [OpenFace](https:\u002F\u002Fgithub.com\u002Fcmusatyalab\u002Fopenface)。主要思路来源于 OpenFace，但由于我更倾向于使用 Python 和 TensorFlow，因此有了这个项目。\n\n2. [davidsandberg\u002Ffacenet](https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet)。\n\n   facenet.py 取自 https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Ffacenet\u002Fsrc\u002Ffacenet.py\n    \n   nn4.py 取自 https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Fsrc\u002Fmodels\u002Fnn4.py\n    \n   detect_face.py 取自 https:\u002F\u002Fgithub.com\u002Fdavidsandberg\u002Ffacenet\u002Fblob\u002Fmaster\u002Fsrc\u002Falign\u002Fdetect_face.py\n    \n3. [yobibyte\u002Fyobiface](https:\u002F\u002Fgithub.com\u002Fyobibyte\u002Fyobiface)。\n\n## 依赖项\n1. TensorFlow\n2. 带有 Python 绑定的 OpenCV（cv2）\n3. Jupyter Notebook，用于运行 .ipynb 示例\n\n## 运行步骤\n1. 从 https:\u002F\u002Fgithub.com\u002Fyobibyte\u002Fyobiface\u002Fblob\u002Fmaster\u002Fmodel\u002Fmodel-20160506.ckpt-500000 下载预训练的 FaceNet 模型，并将其放入 model_check_point 文件夹中。\n\n2. 使用 Jupyter Notebook 运行 [real time face detection and recognition.ipynb](https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fblob\u002Fmaster\u002Freal%20time%20face%20detection%20and%20%20recognition.ipynb)。\n\n## 结果\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_40131d0d8114.jpg)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_readme_c62c8c4ed2ea.jpg)","# real_time_face_recognition 快速上手指南\n\n本项目基于 OpenCV、TensorFlow、MTCNN 和 FaceNet，实现实时人脸检测与识别功能。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows\n- Python 版本：建议 Python 3.6+\n- 硬件：建议使用支持 CUDA 的 GPU 以获得更佳性能（可选）\n\n### 前置依赖\n请确保已安装以下核心库：\n1. **TensorFlow**\n2. **OpenCV** (需包含 python bindings, 即 `cv2`)\n3. **Jupyter Notebook** (用于运行示例代码)\n\n> **国内加速建议**：\n> 安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow opencv-python jupyter\n> ```\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition.git\ncd real_time_face_recognition\n```\n\n### 2. 下载预训练模型\n本项目依赖 FaceNet 预训练模型。请从以下地址下载模型文件：\n- **源地址**: [model-20160506.ckpt-500000](https:\u002F\u002Fgithub.com\u002Fyobibyte\u002Fyobiface\u002Fblob\u002Fmaster\u002Fmodel\u002Fmodel-20160506.ckpt-500000)\n- **操作**: 将下载好的模型文件放入项目根目录下的 `model_check_point` 文件夹中。\n  *(若该文件夹不存在，请手动创建)*\n\n```bash\nmkdir -p model_check_point\n# 请将下载好的模型文件移动至此目录\n```\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 进行演示和运行。\n\n### 启动服务\n在项目根目录下运行以下命令启动 Jupyter：\n```bash\njupyter notebook\n```\n\n### 运行示例\n1. 在浏览器打开的 Jupyter 界面中，找到并点击文件：\n   `real time face detection and recognition.ipynb`\n2. 按顺序执行单元格（Cell），即可调用摄像头进行实时人脸检测与识别。\n\n> **注意**：运行前请确保摄像头权限已开启，且 `model_check_point` 目录下已正确放置模型文件。","某社区安防团队正在开发一套基于普通摄像头的实时访客识别系统，旨在快速甄别已登记的志愿者与陌生访客。\n\n### 没有 real_time_face_recognition 时\n- **开发门槛高且周期长**：团队需手动整合 MTCNN 检测算法与 FaceNet 嵌入模型，自行编写复杂的 TensorFlow 数据流代码，耗时数周才能跑通原型。\n- **识别延迟严重**：由于缺乏优化的实时推理流水线，视频流处理帧率极低，导致人脸抓拍与身份比对存在明显滞后，无法做到“秒级”响应。\n- **环境适应性差**：自研脚本难以稳定处理光照变化或侧脸角度，漏检率高，在门口光线不均时经常无法触发识别逻辑。\n- **维护成本高昂**：缺乏统一的工程化封装，不同成员编写的检测与识别模块耦合度高，后续调试和升级模型极其困难。\n\n### 使用 real_time_face_recognition 后\n- **快速落地原型**：直接复用基于 OpenCV 和 TensorFlow 集成的成熟工作流，团队仅用半天即可完成从人脸检测到特征比对的完整链路部署。\n- **实现流畅实时交互**：利用其优化的视频流处理机制，系统在普通 CPU 上也能保持较高帧率运行，访客靠近摄像头瞬间即可完成身份确认。\n- **鲁棒性显著提升**：内置的 MTCNN 算法有效应对了复杂光照和多角度人脸，大幅降低了漏检率，确保进出人员均被准确捕捉。\n- **架构清晰易扩展**：模块化设计让检测、对齐与识别步骤解耦，开发人员可轻松替换预训练模型或调整阈值，便于后续功能迭代。\n\nreal_time_face_recognition 通过集成业界领先的检测与识别算法，将原本繁琐的深度学习工程转化为开箱即用的实时解决方案，极大缩短了智能安防应用的落地周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshanren7_real_time_face_recognition_2181850c.png","shanren7","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshanren7_8ab5ab1f.jpg",null,"https:\u002F\u002Fgithub.com\u002Fshanren7",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",59.2,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",40.8,893,413,"2026-04-02T08:34:54","未说明","基于 TensorFlow 和 Facenet，通常建议使用 NVIDIA GPU 以加速推理，但 README 未明确具体型号、显存大小或 CUDA 版本要求",{"notes":94,"python":95,"dependencies":96},"项目依赖预训练的 Facenet 模型，需手动从指定链接下载并放入 model_check_point 文件夹。代码主要通过 Jupyter Notebook (.ipynb) 运行。核心算法基于 MTCNN 进行人脸检测，基于 Facenet 进行特征嵌入。","未说明 (需支持 TensorFlow 和 OpenCV Python 绑定)",[97,98,99,100,101],"tensorflow","opencv-python (cv2)","jupyter notebook","MTCNN (集成于代码中)","Facenet (集成于代码中)",[15],"2026-03-27T02:49:30.150509","2026-04-07T09:51:10.056872",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},21464,"MTCNN 人脸检测出现误检（将非人脸物体识别为人脸）如何解决？","可以通过增大检测阈值来解决这个问题。调整阈值可以减少误报，提高检测的准确性。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},21465,"运行时报错 TypeError: Expected int32, got list containing Tensors... 如何处理？","这是 TensorFlow 版本兼容性问题。请打开 `facenet.py` 文件，找到第 196 行，将代码从 `incept = array_ops.concat(3, net, name=name)` 修改为 `incept = array_ops.concat(net, 3, name=name)` 即可解决参数顺序错误。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F2",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},21466,"sklearn 报错 \"No module named 'sklearn.cross_validation'\" 怎么办？","这是因为使用的 scikit-learn 版本大于 0.19，该模块已被移除或移动。解决方法是编辑 `facenet.py` 文件，将 `from sklearn.cross_validation import KFold` 替换为 `from sklearn.model_selection import KFold`。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F20",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},21467,"运行时报错 ValueError: shape mismatch ... could not be broadcast 如何解决？","这是 `detect_face.py` 文件中 `pad` 函数的逻辑问题。解决方案是参考该项目 Issue #1 中用户 @tanjie860110 提供的代码，替换掉原有的 `pad` 函数实现即可修复形状不匹配的错误。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F7",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},21468,"代码中的 net1.npy 是什么文件？它是如何生成的？","`net1.npy` 是序列化后的网络权重文件（numpy-serialized network weights）。它通常作为预训练模型参数提供，用于初始化网络，无需用户自行生成，直接下载项目提供的对应数据文件即可。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F16",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},21469,"如何将 Facenet 训练得到的 .pb 文件转换为本项目需要的 .ckpt 格式？","本项目主要设计用于加载 `.ckpt` 格式的检查点文件。虽然社区有用户尝试从 `.pb` 转换，但官方并未提供直接的转换脚本。建议直接使用本项目推荐的预训练 `.ckpt` 模型，或者参考 Facenet 官方仓库了解如何导出检查点文件而非冻结图。","https:\u002F\u002Fgithub.com\u002Fshanren7\u002Freal_time_face_recognition\u002Fissues\u002F6",[]]