[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tryolabs--luminoth":3,"tool-tryolabs--luminoth":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":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":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":104,"env_deps":105,"category_tags":111,"github_topics":112,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":152},8241,"tryolabs\u002Fluminoth","luminoth","Deep Learning toolkit for Computer Vision.","Luminoth 是一个基于 Python 构建的开源计算机视觉深度学习工具包，旨在简化物体检测等任务的开发与实验流程。它底层依托强大的 TensorFlow 和 Sonnet 框架，为开发者提供了实现 Faster R-CNN 和 SSD 等经典算法的便捷途径，并支持在 COCO 和 Pascal 等主流数据集上使用预训练模型。\n\n该工具主要解决了研究人员和工程师在复现前沿视觉算法时面临的环境配置复杂、代码复用率低等痛点。通过提供统一的命令行接口（lumi），用户可以轻松完成从数据集适配、本地或云端（如 Google Cloud）模型训练到结果可视化的全流程，极大地降低了技术门槛。其设计特别注重训练过程的透明度，内置了丰富的图表与摘要可视化功能，帮助用户深入理解模型内部的运行状态。\n\nLuminoth 非常适合具备一定编程基础的 AI 开发者、计算机视觉研究人员以及希望快速验证算法原型的团队使用。虽然目前项目已停止维护，官方建议转向 Detectron2 等更新的平台，但其清晰的架构设计和对核心检测算法的完整实现，仍使其成为学习深度学习目标检测原理的优秀参考资源。","[![Luminoth](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_fe548abc48f3.png)](https:\u002F\u002Fluminoth.ai)\n\n---\n\n**(Jan 2020) Luminoth is not maintained anymore**. We recommend switching to Facebook's [Detectron2](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2), which implements more modern algorithms supporting additional use cases.\n\n---\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Ftryolabs\u002Fluminoth.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftryolabs\u002Fluminoth)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_b1821ab427ad.png)](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftryolabs\u002Fluminoth\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftryolabs\u002Fluminoth)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-BSD%203--Clause-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FBSD-3-Clause)\n\nLuminoth is an open source toolkit for **computer vision**. Currently, we support object detection, but we are aiming for much more. It is built in Python, using [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) and [Sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet).\n\nRead the full documentation [here](http:\u002F\u002Fluminoth.readthedocs.io\u002F).\n\n![Example of Object Detection with Faster R-CNN](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_1fd06cf73659.jpg)\n\n> **DISCLAIMER**: Luminoth is still alpha-quality release, which means the internal and external interfaces (such as command line) are very likely to change as the codebase matures.\n\n# Installation\n\nLuminoth currently supports Python 2.7 and 3.4–3.6.\n\n## Pre-requisites\n\nTo use Luminoth, [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002F) must be installed beforehand. If you want **GPU support**, you should install the GPU version of TensorFlow with `pip install tensorflow-gpu`, or else you can use the CPU version using `pip install tensorflow`.\n\n## Installing Luminoth\n\nJust install from PyPI:\n\n```bash\npip install luminoth\n```\n\nOptionally, Luminoth can also install TensorFlow for you if you install it with `pip install luminoth[tf]` or `pip install luminoth[tf-gpu]`, depending on the version of TensorFlow you wish to use.\n\n### Google Cloud\n\nIf you wish to train using **Google Cloud ML Engine**, the optional dependencies must be installed:\n\n```bash\npip install luminoth[gcloud]\n```\n\n## Installing from source\n\nFirst, clone the repo on your machine and then install with `pip`:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth.git\ncd luminoth\npip install -e .\n```\n\n## Check that the installation worked\n\nSimply run `lumi --help`.\n\n# Supported models\n\nCurrently, we support the following models:\n\n* **Object Detection**\n  * [Faster R-CNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.01497)\n  * [SSD](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.02325)\n\nWe are planning on adding support for more models in the near future, such as [RetinaNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.02002) and [Mask R-CNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.06870).\n\nWe also provide **pre-trained checkpoints** for the above models trained on popular datasets such as [COCO](http:\u002F\u002Fcocodataset.org\u002F) and [Pascal](http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002F).\n\n# Usage\n\nThere is one main command line interface which you can use with the `lumi` command. Whenever you are confused on how you are supposed to do something just type:\n\n`lumi --help` or `lumi \u003Csubcommand> --help`\n\nand a list of available options with descriptions will show up.\n\n## Working with datasets\n\nSee [Adapting a dataset](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Fdataset.html).\n\n## Training\n\nSee [Training your own model](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Ftraining.html) to learn how to train locally or in Google Cloud.\n\n## Visualizing results\n\nWe strive to get useful and understandable summary and graph visualizations. We consider them to be essential not only for monitoring (duh!), but for getting a broader understanding of what's going under the hood. The same way it is important for code to be understandable and easy to follow, the computation graph should be as well.\n\nBy default summary and graph logs are saved to `jobs\u002F` under the current directory. You can use TensorBoard by running:\n\n```bash\ntensorboard --logdir path\u002Fto\u002Fjobs\n```\n\n## Why the name?\n\n> The Dark Visor is a Visor upgrade in Metroid Prime 2: Echoes. Designed by the **Luminoth** during the war, it was used by the Champion of Aether, A-Kul, to penetrate Dark Aether's haze in battle against the Ing.\n>\n> -- [Dark Visor - Wikitroid](http:\u002F\u002Fmetroid.wikia.com\u002Fwiki\u002FDark_Visor)\n>\n\n# License\n\nCopyright © 2018, [Tryolabs](https:\u002F\u002Ftryolabs.com).\nReleased under the [BSD 3-Clause](LICENSE).\n","[![Luminoth](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_fe548abc48f3.png)](https:\u002F\u002Fluminoth.ai)\n\n---\n\n**(2020年1月) Luminoth 已不再维护**。我们建议切换到 Facebook 的 [Detectron2](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2)，它实现了更现代的算法，并支持更多用例。\n\n---\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Ftryolabs\u002Fluminoth.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftryolabs\u002Fluminoth)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_b1821ab427ad.png)](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftryolabs\u002Fluminoth\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftryolabs\u002Fluminoth)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-BSD%203--Clause-blue.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FBSD-3-Clause)\n\nLuminoth 是一个用于 **计算机视觉** 的开源工具包。目前我们支持目标检测，但我们的目标是实现更多功能。它基于 Python 构建，使用了 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 和 [Sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet)。\n\n完整的文档请参阅 [这里](http:\u002F\u002Fluminoth.readthedocs.io\u002F)。\n\n![使用 Faster R-CNN 进行目标检测的示例](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_readme_1fd06cf73659.jpg)\n\n> **免责声明**：Luminoth 仍处于 Alpha 阶段，这意味着随着代码库的不断完善，内部和外部接口（例如命令行界面）很可能会发生变化。\n\n# 安装\n\nLuminoth 目前支持 Python 2.7 和 3.4–3.6。\n\n## 先决条件\n\n要使用 Luminoth，必须先安装 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002F)。如果您需要 **GPU 支持**，请使用 `pip install tensorflow-gpu` 安装 GPU 版本的 TensorFlow；否则可以使用 `pip install tensorflow` 安装 CPU 版本。\n\n## 安装 Luminoth\n\n只需从 PyPI 安装即可：\n\n```bash\npip install luminoth\n```\n\n可选地，您也可以通过运行 `pip install luminoth[tf]` 或 `pip install luminoth[tf-gpu]` 来让 Luminoth 自动为您安装 TensorFlow，具体取决于您希望使用的 TensorFlow 版本。\n\n### Google Cloud\n\n如果您希望使用 **Google Cloud ML Engine** 进行训练，则需要安装可选依赖项：\n\n```bash\npip install luminoth[gcloud]\n```\n\n## 从源码安装\n\n首先在您的机器上克隆仓库，然后使用 `pip` 安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth.git\ncd luminoth\npip install -e .\n```\n\n## 检查安装是否成功\n\n只需运行 `lumi --help` 即可。\n\n# 支持的模型\n\n目前我们支持以下模型：\n\n* **目标检测**\n  * [Faster R-CNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.01497)\n  * [SSD](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.02325)\n\n我们计划在不久的将来添加对更多模型的支持，例如 [RetinaNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.02002) 和 [Mask R-CNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.06870)。\n\n我们还提供了上述模型的 **预训练检查点**，这些检查点是在流行的 数据集 上训练得到的，例如 [COCO](http:\u002F\u002Fcocodataset.org\u002F) 和 [Pascal](http:\u002F\u002Fhost.robots.ox.ac.uk\u002Fpascal\u002FVOC\u002F)。\n\n# 使用方法\n\n有一个主要的命令行界面，可以通过 `lumi` 命令使用。当您不确定如何操作时，只需输入：\n\n`lumi --help` 或 `lumi \u003C子命令> --help`\n\n就会显示可用选项及其描述列表。\n\n## 处理数据集\n\n请参阅 [适配数据集](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Fdataset.html)。\n\n## 训练\n\n请参阅 [训练您自己的模型](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Ftraining.html)，了解如何在本地或 Google Cloud 中进行训练。\n\n## 可视化结果\n\n我们致力于生成有用且易于理解的摘要和图表可视化。我们认为这些不仅对于监控至关重要（当然如此！），而且有助于更全面地理解系统内部的工作原理。就像代码需要清晰易懂一样，计算图也应该同样直观易读。\n\n默认情况下，摘要和图日志会保存在当前目录下的 `jobs\u002F` 文件夹中。您可以使用 TensorBoard 查看这些日志，运行以下命令：\n\n```bash\ntensorboard --logdir path\u002Fto\u002Fjobs\n```\n\n## 为什么叫这个名字？\n\n> 黑暗面罩是《银河战士Prime 2：回音》中的面罩升级版。它由 **卢米诺斯族** 在战争期间设计，曾被以太界的冠军 A-Kul 用来穿透黑暗以太界的迷雾，与英格族作战。\n>\n> —— [黑暗面罩 - Wikitroid](http:\u002F\u002Fmetroid.wikia.com\u002Fwiki\u002FDark_Visor)\n>\n\n# 许可证\n\n版权所有 © 2018, [Tryolabs](https:\u002F\u002Ftryolabs.com)。\n根据 [BSD 3-Clause](LICENSE) 许可证发布。","# Luminoth 快速上手指南\n\n> **⚠️ 重要提示**：Luminoth 项目已于 2020 年 1 月停止维护。官方建议开发者迁移至 Facebook 的 [Detectron2](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdetectron2)，后者支持更现代的算法和更多应用场景。本指南仅供学习参考或维护旧项目使用。\n\nLuminoth 是一个基于 Python、TensorFlow 和 Sonnet 构建的开源计算机视觉工具包，主要支持目标检测任务（如 Faster R-CNN 和 SSD）。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 支持有限，建议使用 WSL）\n*   **Python 版本**：2.7 或 3.4 – 3.6\n*   **前置依赖**：必须预先安装 TensorFlow。\n    *   **CPU 版本**：`pip install tensorflow`\n    *   **GPU 版本**（推荐）：`pip install tensorflow-gpu`\n    *   *国内加速建议*：如遇下载缓慢，可使用清华源：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu`\n\n## 安装步骤\n\n您可以通过 PyPI 直接安装，也可以从源码安装。\n\n### 方式一：通过 PyPI 安装（推荐）\n\n直接安装 Luminoth：\n```bash\npip install luminoth\n```\n\n如果您希望 pip 自动处理 TensorFlow 依赖，可以使用以下命令：\n```bash\n# 自动安装 CPU 版 TensorFlow\npip install luminoth[tf]\n\n# 或自动安装 GPU 版 TensorFlow\npip install luminoth[tf-gpu]\n```\n\n若需使用 **Google Cloud ML Engine** 进行训练，请安装额外依赖：\n```bash\npip install luminoth[gcloud]\n```\n\n### 方式二：从源码安装\n\n适合需要修改代码或体验最新特性的开发者：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth.git\ncd luminoth\npip install -e .\n```\n\n### 验证安装\n\n安装完成后，运行以下命令检查是否成功：\n```bash\nlumi --help\n```\n如果输出了帮助信息列表，则说明安装成功。\n\n## 基本使用\n\nLuminoth 的核心功能通过 `lumi` 命令行工具调用。\n\n### 1. 查看帮助\n随时可以通过以下命令查看可用选项和子命令说明：\n```bash\nlumi --help\nlumi \u003Csubcommand> --help\n```\n\n### 2. 数据集准备\n在使用前，您需要将数据集转换为 Luminoth 支持的格式。具体适配方法请参考官方文档中的 [Adapting a dataset](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Fdataset.html) 章节。\n\n### 3. 训练模型\n配置好数据集后，即可开始训练（支持本地训练或 Google Cloud 训练）：\n```bash\n# 示例：启动训练任务（具体参数需根据配置文件调整）\nlumi train --config your_config.yml\n```\n详细训练指南请参阅：[Training your own model](http:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Fusage\u002Ftraining.html)。\n\n### 4. 可视化结果\n训练过程中的日志和计算图默认保存在当前目录下的 `jobs\u002F` 文件夹中。您可以使用 TensorBoard 进行可视化监控：\n\n```bash\ntensorboard --logdir path\u002Fto\u002Fjobs\n```\n在浏览器中打开 TensorBoard 提供的地址，即可观察损失曲线、检测效果预览及模型结构图。\n\n---\n*注：目前支持的模型包括 Faster R-CNN 和 SSD，并提供在 COCO 和 Pascal VOC 数据集上的预训练权重。*","某电商初创公司的算法团队需要快速构建一个自动识别商品图片中瑕疵（如划痕、污渍）的检测系统，以替代低效的人工质检流程。\n\n### 没有 luminoth 时\n- **模型复现成本高**：工程师需从零编写 Faster R-CNN 或 SSD 等复杂算法的底层代码，耗费数周时间调试网络结构。\n- **数据适配繁琐**：缺乏统一的数据集接口，每次更换标注格式（如从 VOC 转 COCO）都需要手动重写数据加载脚本。\n- **训练监控困难**：缺少内置的可视化组件，难以直观观察损失函数收敛情况或检测框的实时预测效果。\n- **部署门槛高**：没有预训练的权重文件支持，必须收集海量瑕疵图片从头训练，导致项目启动周期漫长。\n\n### 使用 luminoth 后\n- **开箱即用模型**：直接调用 luminoth 内置的 Faster R-CNN 和 SSD 模型，通过简单的命令行配置即可启动训练，将开发周期缩短至几天。\n- **标准化数据流程**：利用其灵活的数据集适配工具，轻松导入自定义的瑕疵标注数据，无需关心底层数据解析细节。\n- **直观结果可视化**：借助自带的总结图表和图像可视功能，实时监控训练过程中的检测框变化，快速定位模型过拟合或欠拟合问题。\n- **迁移学习加速**：直接使用在 COCO 等大型数据集上预训练的检查点（Checkpoints），仅需少量瑕疵样本微调即可达到高精度，大幅降低数据依赖。\n\nluminoth 通过提供标准化的深度学习流程和预训练资源，让计算机视觉团队能从重复造轮子中解放出来，专注于解决具体的业务检测难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftryolabs_luminoth_1fd06cf7.jpg","tryolabs","Tryolabs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftryolabs_a70329ef.png","AI Consulting and Services firm leveraging data and AI to drive impactful business results.",null,"hello@tryolabs.com","https:\u002F\u002Ftryolabs.com","https:\u002F\u002Fgithub.com\u002Ftryolabs",[81,85,89,93],{"name":82,"color":83,"percentage":84},"Python","#3572A5",98.1,{"name":86,"color":87,"percentage":88},"JavaScript","#f1e05a",0.8,{"name":90,"color":91,"percentage":92},"CSS","#663399",0.7,{"name":94,"color":95,"percentage":96},"HTML","#e34c26",0.3,2405,395,"2026-04-16T03:08:08","BSD-3-Clause",4,"","非必需。若需 GPU 加速，需安装 tensorflow-gpu（具体显卡型号、显存大小及 CUDA 版本未在文档中说明，取决于所安装的 TensorFlow 版本要求）。","未说明",{"notes":106,"python":107,"dependencies":108},"该项目自 2020 年 1 月起已停止维护，作者建议切换至 Detectron2。目前仅为 Alpha 版本，接口可能随时变更。支持在 Google Cloud ML Engine 上训练（需额外安装 gcloud 依赖）。支持 Faster R-CNN 和 SSD 模型。","2.7, 3.4, 3.5, 3.6",[109,110],"tensorflow","sonnet",[15,14],[109,110,113,114,115,116,117,118,119],"deep-learning","computer-vision","object-detection","python","machine-learning","toolkit","faster-rcnn","2026-03-27T02:49:30.150509","2026-04-17T08:23:30.161051",[123,128,133,138,143,148],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},36900,"如何在 Google Cloud 上提交训练任务时解决 'FileNotFoundError: output directory not found' 错误？","该错误通常是由于代码中变量命名错误或临时目录未正确创建导致的。维护者已修复了 `cwd=` 参数中的变量命名问题。解决方法是克隆最新仓库并使用以下命令安装：\n\npip install .[gcloud]\n\n确保使用最新版本的代码，避免使用旧的 pip 安装包，因为旧版本可能存在路径构建逻辑的缺陷。","https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth\u002Fissues\u002F201",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},36901,"训练过程中出现 'Nan in summary histogram' 或损失爆炸（Exploding Loss）错误怎么办？","这通常是因为学习率衰减策略过于激进或不适合当前数据集。建议修改配置文件中的学习率设置，采用更平缓的衰减方式。例如，将衰减方法改为分段常数衰减（piecewise_constant）：\n\nlearning_rate:\n  decay_method: piecewise_constant\n  boundaries: [250000, 450000, 600000]\n  values: [0.0003, 0.0001, 0.00003, 0.00001]\n\n或者使用指数衰减并调整参数：\n\ndecay_method: exponential_decay\ndecay_rate: 0.5\ndecay_steps: 5000\nlearning_rate: 0.0003\n\n具体的边界值（boundaries）应根据 Tensorboard 中损失稳定时的步数进行调整。","https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth\u002Fissues\u002F245",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},36902,"在云端运行 Luminoth 时遇到 YAML 解析错误或 Python 版本兼容性问题如何解决？","如果遇到类似 `\u002Fusr\u002Flib\u002Fpython2.7\u002F...` 的错误堆栈，说明云端环境可能默认使用了 Python 2.7，而 Luminoth 需要 Python 3 环境。此外，确保在提交问题时使用代码块格式包裹错误日志以提高可读性。解决步骤包括：\n1. 克隆最新仓库以获取针对环境变量和路径问题的修复。\n2. 检查云端运行环境的 Python 版本，确保其兼容性。\n3. 使用 `pip install .[gcloud]` 从源码安装最新版本，而不是使用可能过时的预编译包。","https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth\u002Fissues\u002F237",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},36903,"为什么 Luminoth 训练时只使用一个数据集，而不区分训练集和验证集？","目前版本确实主要使用单一数据源进行训练，尚未完全实现自动划分训练集和验证集的功能以避免过拟合。维护者确认这是一个已知的需求，已列入开发路线图（Roadmap），但由于实现起来并不简单（not trivial to implement），暂时还未发布。未来版本可能会增加早停（early-stop）训练功能和更完善的数据验证机制。","https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth\u002Fissues\u002F226",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},36904,"本地运行正常，但在云端运行时出现 'setup.py: No such file or directory' 错误怎么办？","这通常是因为安装的 Luminoth 版本过旧或安装方式不正确（如直接通过 pip 安装了有缺陷的旧版本）。当通过 pip 安装旧版本时，打包脚本可能无法正确生成临时文件。解决方案是放弃通过 pip 直接安装发行版，改为克隆 GitHub 仓库并从源码安装：\n\ngit clone \u003Crepository_url>\ncd luminoth\npip install .[gcloud]\n\n这样可以确保使用包含最新修复（如临时目录处理和打包逻辑修复）的代码。","https:\u002F\u002Fgithub.com\u002Ftryolabs\u002Fluminoth\u002Fissues\u002F231",{"id":149,"question_zh":150,"answer_zh":151,"source_url":132},36905,"如何配置学习率以防止在新数据集上训练 Faster R-CNN 模型时损失不收敛？","对于新数据集，默认的学习率配置可能导致损失不稳定。建议在配置文件中显式定义学习率及其衰减策略。如果未定义，库会使用默认值（通常为 0.0003），但这可能不适合所有情况。可以尝试降低初始学习率至 0.0001 并配合指数衰减：\n\nlearning_rate:\n  decay_method: exponential_decay\n  decay_rate: 0.5\n  decay_steps: 5000\n  learning_rate: 0.0001\n\n同时，观察 Tensorboard 中的损失图表，根据损失稳定的时间点调整衰减步数（decay_steps）或边界（boundaries）。",[153,158,163,168,173,178,183,188,192,196],{"id":154,"version":155,"summary_zh":156,"released_at":157},297287,"v0.2.3","* 最终修复了 Google Cloud ML Engine 的包构建问题。\n* [官方教程](https:\u002F\u002Fluminoth.readthedocs.io\u002Fen\u002Flatest\u002Ftutorial\u002Findex.html)！","2018-11-09T21:27:52",{"id":159,"version":160,"summary_zh":161,"released_at":162},297288,"v0.2.2","修复：\n* 在 GCP 的 [ML Engine](https:\u002F\u002Fcloud.google.com\u002Fml-engine\u002F) 中构建用于训练的软件包。\n* 其他 minor 修复。","2018-11-07T21:24:56",{"id":164,"version":165,"summary_zh":166,"released_at":167},297289,"v0.2.1","修复：\n* 锁定 `dm-sonnet` 的版本，以修复安装失败的问题。\n* 由于依赖中的 bug，锁定 `easydict` 的版本。\n* `lumi checkpoint import` 现在可在 Python \u003C 3.6 环境中正常运行。\n* 在 `base_config.yml` 中添加了 `checkpoints_max_keep` 选项，以便在训练过程中保留超过 1 个检查点。","2018-10-31T22:12:23",{"id":169,"version":170,"summary_zh":171,"released_at":172},297290,"v0.2.0","新的 Python API、Google Cloud 修复、数据集读取器修复（尤其是 Open Images）。","2018-08-24T19:41:26",{"id":174,"version":175,"summary_zh":176,"released_at":177},297291,"v0.1.2","修复安装脚本中的缺失依赖。","2018-06-26T16:13:29",{"id":179,"version":180,"summary_zh":181,"released_at":182},297292,"v0.1.1","减小检查点大小，修复问题。","2018-04-17T19:03:33",{"id":184,"version":185,"summary_zh":186,"released_at":187},297293,"v0.1.0","检测点、单阶段目标检测器、预测性能提升。","2018-03-21T21:36:23",{"id":189,"version":190,"summary_zh":76,"released_at":191},297294,"v0.0.3","2018-02-14T15:14:31",{"id":193,"version":194,"summary_zh":76,"released_at":195},297295,"v0.0.2","2017-11-17T19:48:15",{"id":197,"version":198,"summary_zh":199,"released_at":200},297296,"v0.0.1","首次在 PyPI 上发布。","2017-10-10T21:40:56"]