[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-sirius-ai--LPRNet_Pytorch":3,"tool-sirius-ai--LPRNet_Pytorch":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":76,"owner_company":76,"owner_location":78,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":91,"env_deps":92,"category_tags":101,"github_topics":102,"view_count":10,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},1199,"sirius-ai\u002FLPRNet_Pytorch","LPRNet_Pytorch","Pytorch Implementation For LPRNet, A High Performance And Lightweight License Plate Recognition Framework. ","LPRNet_Pytorch 是一个基于PyTorch的开源车牌识别工具，专为高效识别中国车牌（包括蓝牌和绿牌新能源车牌）而设计。它解决了传统车牌识别系统在准确率和计算效率上的痛点——通过轻量级模型（仅1.7MB）实现高达96%+的识别准确率，推理速度仅需0.5毫秒（GTX 1060），让实时应用如智能交通或安防监控变得简单可靠。开发者可轻松调整数据路径运行训练或测试脚本，无需复杂配置；同时支持扩展训练数据，适配其他车牌类型或提升精度。适合需要快速集成车牌识别功能的开发者和研究人员，尤其在资源受限的嵌入式场景中表现突出。依赖Python生态（PyTorch、OpenCV等），上手门槛低，让车牌识别变得高效又实用。","# LPRNet_Pytorch\nPytorch Implementation For LPRNet, A High Performance And Lightweight License Plate Recognition Framework.  \n完全适用于中国车牌识别（Chinese License Plate Recognition）及国外车牌识别！  \n目前仅支持同时识别蓝牌和绿牌即新能源车牌等中国车牌，但可通过扩展训练数据或微调支持其他类型车牌及提高识别准确率！\n\n# dependencies\n\n- pytorch >= 1.0.0\n- opencv-python 3.x\n- python 3.x\n- imutils\n- Pillow\n- numpy\n\n# pretrained model\n\n* [pretrained_model](https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Ftree\u002Fmaster\u002Fweights\u002F)\n\n# training and testing\n\n1. prepare your datasets, image size must be 94x24.\n2. base on your datsets path modify the scripts its hyperparameters --train_img_dirs or --test_img_dirs.\n3. adjust other hyperparameters if need.\n4. run 'python train_LPRNet.py' or 'python test_LPRNet.py'.\n5. if want to show testing result, add '--show true' or '--show 1' to run command.\n\n# performance\n\n- personal test datasets.\n- include blue\u002Fgreen license plate.\n- images are very widely.\n- total test images number is 27320.\n\n|  size  | personal test imgs(%) | inference@gtx 1060(ms) |\n| ------ | --------------------- | ---------------------- |\n|  1.7M  |         96.0+         |          0.5-          |\n\n# References\n\n1. [LPRNet: License Plate Recognition via Deep Neural Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.10447v1)\n2. [PyTorch中文文档](https:\u002F\u002Fpytorch-cn.readthedocs.io\u002Fzh\u002Flatest\u002F)\n\n# postscript\n\nIf you found this useful, please give me a star, thanks!\n","# LPRNet_Pytorch\nLPRNet 的 PyTorch 实现，这是一个高性能且轻量级的车牌识别框架。  \n完全适用于中国车牌识别及国外车牌识别！  \n目前仅支持同时识别蓝牌和绿牌（即新能源车牌）等中国车牌，但可通过扩展训练数据或微调来支持其他类型车牌，并进一步提高识别准确率！\n\n# 依赖项\n\n- pytorch >= 1.0.0\n- opencv-python 3.x\n- python 3.x\n- imutils\n- Pillow\n- numpy\n\n# 预训练模型\n\n* [pretrained_model](https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Ftree\u002Fmaster\u002Fweights\u002F)\n\n# 训练与测试\n\n1. 准备您的数据集，图像尺寸必须为 94x24。\n2. 根据您的数据集路径修改脚本中的超参数 --train_img_dirs 或 --test_img_dirs。\n3. 如有需要，可调整其他超参数。\n4. 运行 'python train_LPRNet.py' 或 'python test_LPRNet.py'。\n5. 若想显示测试结果，请在运行命令中添加 '--show true' 或 '--show 1'。\n\n# 性能\n\n- 使用个人测试数据集。\n- 包含蓝牌\u002F绿牌。\n- 图像多样性非常广泛。\n- 测试图像总数为 27320 张。\n\n| 大小  | 个人测试集准确率(%) | 在 GTX 1060 上的推理时间(ms) |\n| ------ | --------------------- | ---------------------- |\n| 1.7M  |         96.0+         |          0.5-          |\n\n# 参考文献\n\n1. [LPRNet: 基于深度神经网络的车牌识别](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.10447v1)\n2. [PyTorch 中文文档](https:\u002F\u002Fpytorch-cn.readthedocs.io\u002Fzh\u002Flatest\u002F)\n\n# 后记\n\n如果您觉得本项目有用，请为我点个赞，谢谢！","# LPRNet_Pytorch 快速上手指南\n\n## 环境准备\n- **系统要求**：Python 3.6+，PyTorch 1.0+\n- **前置依赖**：需安装以下库（推荐使用国内镜像加速）：\n  - opencv-python\n  - imutils\n  - Pillow\n  - numpy\n\n## 安装步骤\n```bash\npip install opencv-python imutils Pillow numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n1. 准备测试图片（图像尺寸必须为 94×24）。\n2. 运行测试命令（替换 `\u002Fyour\u002Ftest\u002Fimages` 为实际路径）：\n   ```bash\n   python test_LPRNet.py --test_img_dirs \u002Fyour\u002Ftest\u002Fimages --show true\n   ```\n   添加 `--show true` 可实时显示识别结果。","某智能停车场管理系统开发团队正为城市中心商业区设计无感通行方案，需在高峰时段实时识别进出车辆的中国车牌（含蓝牌与新能源绿牌），以实现自动计费和快速放行。\n\n### 没有 LPRNet_Pytorch 时\n- 传统图像处理算法在夜间或雨天光照不足时准确率骤降至80%以下，频繁触发人工复核，导致入口排队超5分钟。\n- 识别速度慢（平均90ms\u002F帧），高峰期车辆积压严重，系统崩溃率高达15%。\n- 模型体积过大（>50MB），无法部署在边缘计算设备上，需额外采购高性能服务器，硬件成本增加30%。\n- 仅支持蓝牌识别，绿牌需单独开发模块，开发周期延长2个月。\n\n### 使用 LPRNet_Pytorch 后\n- 96%+的高准确率覆盖蓝牌与绿牌，恶劣天气下误识别率低于4%，人工干预减少90%。\n- 推理速度仅0.5ms\u002F帧，通行效率提升20倍，高峰时段排队时间压缩至30秒内。\n- 轻量级1.7M模型可直接嵌入现有嵌入式硬件，无需额外服务器，硬件成本降低50%。\n- 预训练模型开箱即用，无需调整数据集，1天内完成绿牌支持，开发周期缩短至1周。\n\nLPRNet_Pytorch以毫秒级响应和高鲁棒性，让停车场管理从“人工依赖”跃升为“智能无感通行”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsirius-ai_LPRNet_Pytorch_4c5a6875.png","sirius-ai",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsirius-ai_07bbe925.png","shenzhen","https:\u002F\u002Fgithub.com\u002Fsirius-ai",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1120,275,"2026-04-05T17:16:20","Apache-2.0","Linux, macOS","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","未说明",{"notes":93,"python":94,"dependencies":95},"首次运行需下载约 5GB 模型文件","3.6+",[96,97,98,99,100],"torch>=1.0.0","opencv-python>=3.0","imutils","Pillow","numpy",[13],[103,104,105,106,107,108],"license-plate-recognition","plate-recognition","plate-detection","lprnet","pytorch","ctc-loss","2026-03-27T02:49:30.150509","2026-04-06T09:43:39.967316",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},5473,"训练数据的标签格式是什么？","标签是图片文件名，训练数据格式应与 .\u002Fdata\u002Ftest 目录下一致。例如，图片名为 '皖HB5421.jpg'，则标签为 '皖HB5421'。参考 load_data.py 文件加载数据。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F4",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},5474,"为什么训练时 test accuracy 一直为 0？","因为 CCPD 数据集主要包含皖A车牌，而测试数据包含全国各省市车牌，数据分布不一致；此外，验证方法为贪婪验证（只要一个字符错误即全错），导致准确率始终为 0。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},5475,"lpr_max_len 参数的作用是什么？","lpr_max_len 是实际车牌最大长度（默认 8），T_length 是训练超参数（默认 18），用于允许空字符（避免长度不一致）。例如，车牌长度为 7 时，T_length 会预留 1 个空位。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F9",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},5476,"能否识别双行车牌？如何处理？","不能直接识别双行车牌，但可将上下行车牌分别截取，再组装成一行送入网络。例如，先截取上行车牌和下行车牌，合并为单行图片后输入模型。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F6",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5477,"为什么模型使用 MaxPool3d 而不是 MaxPool2d？","MaxPool3d 用于通道维度的池化操作，而 MaxPool2d 无法在通道维度进行池化。LPRNet 架构需要通道维度的压缩以减少参数量和计算成本。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F10",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},5478,"添加新字符后识别效果差，如何解决？","添加新字符（如 '港'、'学' 等）后识别效果差，建议使用 CCPD 数据集和自造数据集重新训练。例如，用 'ccpd 和自己造的数据集' 重新训练，避免数据分布问题。","https:\u002F\u002Fgithub.com\u002Fsirius-ai\u002FLPRNet_Pytorch\u002Fissues\u002F48",[]]