[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-udacity--CVND_Exercises":3,"tool-udacity--CVND_Exercises":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"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",[14,15,13,60],"视频",{"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":76,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":32,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":148},4554,"udacity\u002FCVND_Exercises","CVND_Exercises","Exercise notebooks for CVND.","CVND_Exercises 是专为 Udacity 计算机视觉纳米学位（Computer Vision Nanodegree）设计的开源练习仓库。它提供了一系列交互式教程笔记本（Notebooks），旨在通过代码演示和实战挑战，帮助用户掌握各类计算机视觉应用与核心技术。\n\n对于希望系统学习计算机视觉但缺乏实践场景的用户而言，CVND_Exercises 解决了“理论难以落地”的痛点。它将抽象的算法转化为可运行的代码任务，让学习者能在动手操作中深入理解图像处理的各个环节。此外，项目提供了基于 Anaconda 的完整环境配置指南，协助用户快速搭建包含所有依赖项的本地开发环境，有效避免了繁琐的配置报错问题。\n\n这套资源非常适合计算机视觉领域的初学者、开发者以及正在进修相关课程的研究人员使用。无论是希望巩固基础的学生，还是想要通过标准化练习提升工程能力的从业者，都能从中获益。其独特的技术亮点在于将教学内容封装为结构化的 Jupyter 笔记本，不仅支持逐步调试与实验，还结合了 Git 版本控制流程，模拟了真实的协作开发模式，是入门计算机视觉领域不可多得的实战演练场。","# Computer Vision Nanodegree Program, Exercises\n\nThis repository contains code exercises and materials for Udacity's [Computer Vision Nanodegree](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fcomputer-vision-nanodegree--nd891) program. It consists of tutorial notebooks that demonstrate, or challenge you to complete, various computer vision applications and techniques. These notebooks depend on a number of software packages to run, and so, we suggest that you create a local environment with these dependencies by following the instructions below.\n\n# Configure and Manage Your Environment with Anaconda\n\nPer the Anaconda [docs](http:\u002F\u002Fconda.pydata.org\u002Fdocs):\n\n> Conda is an open source package management system and environment management system \nfor installing multiple versions of software packages and their dependencies and \nswitching easily between them. It works on Linux, OS X and Windows, and was created \nfor Python programs but can package and distribute any software.\n\n## Overview\nUsing Anaconda consists of the following:\n\n1. Install [`miniconda`](http:\u002F\u002Fconda.pydata.org\u002Fminiconda.html) on your computer, by selecting the latest Python version for your operating system. If you already have `conda` or `miniconda` installed, you should be able to skip this step and move on to step 2.\n2. Create and activate * a new `conda` [environment](http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Fusing\u002Fenvs.html).\n\n\\* Each time you wish to work on any exercises, activate your `conda` environment!\n\n---\n\n## 1. Installation\n\n**Download** the latest version of `miniconda` that matches your system.\n\n**NOTE**: There have been reports of issues creating an environment using miniconda `v4.3.13`. If it gives you issues try versions `4.3.11` or `4.2.12` from [here](https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002F).\n\n|        | Linux | Mac | Windows | \n|--------|-------|-----|---------|\n| 64-bit | [64-bit (bash installer)][lin64] | [64-bit (bash installer)][mac64] | [64-bit (exe installer)][win64]\n| 32-bit | [32-bit (bash installer)][lin32] |  | [32-bit (exe installer)][win32]\n\n[win64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Windows-x86_64.exe\n[win32]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Windows-x86.exe\n[mac64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh\n[lin64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh\n[lin32]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86.sh\n\n**Install** [miniconda](http:\u002F\u002Fconda.pydata.org\u002Fminiconda.html) on your machine. Detailed instructions:\n\n- **Linux:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#linux-miniconda-install\n- **Mac:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#os-x-miniconda-install\n- **Windows:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#windows-miniconda-install\n\n## 2. Create and Activate the Environment\n\nFor Windows users, these following commands need to be executed from the **Anaconda prompt** as opposed to a Windows terminal window. For Mac, a normal terminal window will work. \n\n#### Git and version control\nThese instructions also assume you have `git` installed for working with Github from a terminal window, but if you do not, you can download that first with the command:\n```\nconda install git\n```\n\nIf you'd like to learn more about version control and using `git` from the command line, take a look at our [free course: Version Control with Git](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fversion-control-with-git--ud123).\n\n**Now, we're ready to create our local environment!**\n\n1. Clone the repository, and navigate to the downloaded folder. This may take a minute or two to clone due to the included image data.\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises.git\ncd CVND_Exercises\n```\n\n2. Create (and activate) a new environment, named `cv-nd` with Python 3.6. If prompted to proceed with the install `(Proceed [y]\u002Fn)` type y.\n\n\t- __Linux__ or __Mac__: \n\t```\n\tconda create -n cv-nd python=3.6\n\tsource activate cv-nd\n\t```\n\t- __Windows__: \n\t```\n\tconda create --name cv-nd python=3.6\n\tactivate cv-nd\n\t```\n\t\n\tAt this point your command line should look something like: `(cv-nd) \u003CUser>:CVND_Exercises \u003Cuser>$`. The `(cv-nd)` indicates that your environment has been activated, and you can proceed with further package installations.\n\n3. Install PyTorch and torchvision; this should install the latest version of PyTorch.\n\t\n\t- __Linux__ or __Mac__: \n\t```\n\tconda install pytorch torchvision -c pytorch \n\t```\n\t- __Windows__: \n\t```\n\tconda install pytorch-cpu -c pytorch\n\tpip install torchvision\n\t```\n\n6. Install a few required pip packages, which are specified in the requirements text file (including OpenCV).\n```\npip install -r requirements.txt\n```\n\n7. That's it!\n\nNow all of the `cv-nd` libraries are available to you. Assuming your environment is still activated, you can navigate to the Exercises repo and start looking at the notebooks:\n\n```\ncd\ncd CVND_Exercises\njupyter notebook\n```\n\nTo exit the environment when you have completed your work session, simply close the terminal window.\n\n\n### Notes on environment creation and deletion\n\n**Verify** that the `cv-nd` environment was created in your environments:\n\n```\nconda info --envs\n```\n\n**Cleanup** downloaded libraries (remove tarballs, zip files, etc):\n\n```\nconda clean -tp\n```\n\n**Uninstall** the environment (if you want); you can remove it by name:\n\n```\nconda env remove -n cv-nd\n```\n","# 计算机视觉纳米学位项目，练习\n\n本仓库包含 Udacity 的 [计算机视觉纳米学位](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fcomputer-vision-nanodegree--nd891) 项目的代码练习和相关资料。它由一系列教程笔记本组成，这些笔记本展示了各种计算机视觉应用和技术，或者挑战你去完成它们。这些笔记本需要依赖多个软件包才能运行，因此我们建议你按照以下说明创建一个包含这些依赖项的本地环境。\n\n# 使用 Anaconda 配置和管理你的环境\n\n根据 Anaconda 的 [文档](http:\u002F\u002Fconda.pydata.org\u002Fdocs)：\n\n> Conda 是一个开源的包管理和环境管理系统，用于安装不同版本的软件包及其依赖项，并在它们之间轻松切换。它支持 Linux、OS X 和 Windows 操作系统，最初为 Python 程序设计，但也可以打包和分发任何软件。\n\n## 概述\n使用 Anaconda 包括以下几个步骤：\n\n1. 在你的计算机上安装 [`miniconda`](http:\u002F\u002Fconda.pydata.org\u002Fminiconda.html)，选择适合你操作系统的最新 Python 版本。如果你已经安装了 `conda` 或 `miniconda`，则可以跳过此步骤，直接进入第 2 步。\n2. 创建并激活一个新的 `conda` [环境](http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Fusing\u002Fenvs.html)。\n\n\\* 每当你想要进行任何练习时，请务必激活你的 `conda` 环境！\n\n---\n\n## 1. 安装\n\n**下载**与你的系统匹配的最新版 `miniconda`。\n\n**注意**：有报告称使用 miniconda `v4.3.13` 创建环境时会出现问题。如果遇到问题，可以尝试从 [这里](https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002F) 下载 `4.3.11` 或 `4.2.12` 版本。\n\n|        | Linux | Mac | Windows | \n|--------|-------|-----|---------|\n| 64 位 | [64 位（bash 安装程序）][lin64] | [64 位（bash 安装程序）][mac64] | [64 位（exe 安装程序）][win64]\n| 32 位 | [32 位（bash 安装程序）][lin32] |  | [32 位（exe 安装程序）][win32]\n\n[win64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Windows-x86_64.exe\n[win32]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Windows-x86.exe\n[mac64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh\n[lin64]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh\n[lin32]: https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86.sh\n\n**安装** [miniconda](http:\u002F\u002Fconda.pydata.org\u002Fminiconda.html) 到你的机器上。详细安装说明：\n\n- **Linux:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#linux-miniconda-install\n- **Mac:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#os-x-miniconda-install\n- **Windows:** http:\u002F\u002Fconda.pydata.org\u002Fdocs\u002Finstall\u002Fquick.html#windows-miniconda-install\n\n## 2. 创建并激活环境\n\n对于 Windows 用户，以下命令需要在 **Anaconda 提示符** 中执行，而不是在普通的 Windows 终端窗口中。而对于 Mac 用户，使用普通终端窗口即可。\n\n#### Git 和版本控制\n这些说明还假设你已经安装了 `git`，以便通过终端与 Github 进行交互。如果没有安装，可以通过以下命令先安装：\n```\nconda install git\n```\n\n如果你想了解更多关于版本控制以及如何在命令行中使用 `git`，可以查看我们的 [免费课程：使用 Git 进行版本控制](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fversion-control-with-git--ud123)。\n\n**现在，我们已经准备好创建本地环境了！**\n\n1. 克隆仓库，并进入下载的文件夹。由于包含了图像数据，克隆过程可能需要一两分钟。\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises.git\ncd CVND_Exercises\n```\n\n2. 创建（并激活）一个名为 `cv-nd` 的新环境，使用 Python 3.6。如果提示是否继续安装 `(Proceed [y]\u002Fn)`，请输入 y。\n\n\t- __Linux__ 或 __Mac__: \n\t```\n\tconda create -n cv-nd python=3.6\n\tsource activate cv-nd\n\t```\n\t- __Windows__: \n\t```\n\tconda create --name cv-nd python=3.6\n\tactivate cv-nd\n\t```\n\t\n\t此时，你的命令行应该显示类似这样的内容：`(cv-nd) \u003CUser>:CVND_Exercises \u003Cuser>$`。其中 `(cv-nd)` 表示你的环境已激活，你可以继续安装其他包。\n\n3. 安装 PyTorch 和 torchvision；这将安装最新版本的 PyTorch。\n\t\n\t- __Linux__ 或 __Mac__: \n\t```\n\tconda install pytorch torchvision -c pytorch \n\t```\n\t- __Windows__: \n\t```\n\tconda install pytorch-cpu -c pytorch\n\tpip install torchvision\n\t```\n\n6. 安装一些所需的 pip 包，这些包在 requirements 文本文件中列出（包括 OpenCV）。\n```\npip install -r requirements.txt\n```\n\n7. 大功告成！\n\n现在，所有 `cv-nd` 库都已可供你使用。假设你的环境仍然处于激活状态，你可以进入 Exercises 仓库并开始查看笔记本：\n```\ncd\ncd CVND_Exercises\njupyter notebook\n```\n\n当你完成工作后，只需关闭终端窗口即可退出环境。\n\n### 关于环境创建和删除的注意事项\n\n**验证** `cv-nd` 环境是否已在你的环境中创建：\n```\nconda info --envs\n```\n\n**清理**已下载的库文件（移除 tarball、zip 文件等）：\n```\nconda clean -tp\n```\n\n**卸载**该环境（如果你需要的话）；你可以通过名称将其移除：\n```\nconda env remove -n cv-nd\n```","# CVND_Exercises 快速上手指南\n\n本指南旨在帮助开发者快速配置 Udacity 计算机视觉纳米学位（Computer Vision Nanodegree）的练习环境。\n\n## 环境准备\n\n*   **操作系统**：Linux、macOS 或 Windows\n*   **前置依赖**：\n    *   **Git**：用于克隆代码仓库。若未安装，可在后续步骤中通过 conda 安装。\n    *   **Anaconda\u002FMiniconda**：推荐使用 **Miniconda**（轻量版），用于管理 Python 环境和依赖包。\n*   **Python 版本**：项目指定使用 Python 3.6。\n\n> **提示**：国内用户下载 Miniconda 或安装 PyTorch 时若遇速度慢，可配置清华或中科大镜像源加速。\n\n## 安装步骤\n\n### 1. 安装 Miniconda\n访问 Miniconda 官网下载对应系统的安装包并安装：\n*   Linux\u002FmacOS: [下载链接](https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002F)\n*   Windows: [下载链接](https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002F)\n\n*注：若安装过程报错，可尝试旧版本（如 4.3.11 或 4.2.12）。*\n\n### 2. 克隆项目代码\n打开终端（Windows 用户使用 **Anaconda Prompt**），执行以下命令：\n\n```bash\n# 若未安装 git，先执行：conda install git\ngit clone https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises.git\ncd CVND_Exercises\n```\n\n### 3. 创建并激活虚拟环境\n创建名为 `cv-nd` 的环境，并指定 Python 版本为 3.6：\n\n**Linux \u002F macOS:**\n```bash\nconda create -n cv-nd python=3.6\nsource activate cv-nd\n```\n\n**Windows:**\n```bash\nconda create --name cv-nd python=3.6\nactivate cv-nd\n```\n*激活成功后，命令行前缀应显示 `(cv-nd)`。*\n\n### 4. 安装深度学习框架 (PyTorch)\n根据操作系统选择对应的安装命令：\n\n**Linux \u002F macOS:**\n```bash\nconda install pytorch torchvision -c pytorch\n```\n\n**Windows:**\n```bash\nconda install pytorch-cpu -c pytorch\npip install torchvision\n```\n\n> **国内加速建议**：若上述命令下载缓慢，可使用清华源安装 PyTorch：\n> `conda install pytorch torchvision cpuonly -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F`\n\n### 5. 安装其他依赖\n安装项目所需的其余 Python 包（包含 OpenCV 等）：\n\n```bash\npip install -r requirements.txt\n```\n\n## 基本使用\n\n环境配置完成后，即可启动 Jupyter Notebook 开始练习：\n\n1. 确保当前处于 `cv-nd` 环境中。\n2. 进入项目目录并启动服务：\n\n```bash\ncd CVND_Exercises\njupyter notebook\n```\n\n3. 浏览器将自动打开，点击任意 `.ipynb` 文件即可开始运行计算机视觉相关的教程与挑战代码。\n\n**退出环境**：\n完成工作后，直接关闭终端窗口即可退出环境。若需手动删除环境，可执行：\n```bash\nconda env remove -n cv-nd\n```","一名计算机视觉初学者正试图复现论文中的图像分割算法，却因环境配置和代码框架问题停滞不前。\n\n### 没有 CVND_Exercises 时\n- **环境依赖地狱**：手动安装 OpenCV、PyTorch 等库时频繁遭遇版本冲突，耗费数天解决报错而非学习算法。\n- **缺乏结构化引导**：网上教程碎片化严重，不知道从数据预处理到模型评估的标准完整流程该如何搭建。\n- **调试无从下手**：面对空白的 Jupyter Notebook，不清楚如何编写数据加载器或可视化中间结果，导致代码无法运行。\n- **理论脱离实践**：读懂了卷积神经网络的数学公式，却无法将其转化为可执行的代码逻辑。\n\n### 使用 CVND_Exercises 后\n- **一键环境就绪**：直接利用提供的 Anaconda 环境配置文件（`cv-nd`），几分钟内即可在本地构建好包含所有依赖的稳定开发环境。\n- **全流程实战演练**：通过官方提供的交互式教程笔记本，按部就班地完成从图像滤波、特征提取到深度学习的完整项目闭环。\n- **填空式代码挑战**：在预设好的代码框架中只需补充核心算法逻辑，立即能看到图像处理的可视化反馈，快速验证想法。\n- **工业级代码规范**：参考示例代码学习专业的数据管道构建与模型评估方法，将理论知识迅速转化为工程落地能力。\n\nCVND_Exercises 通过提供标准化的实验环境与循序渐进的代码练习，将计算机视觉的学习曲线从“陡峭的悬崖”变成了“可攀登的阶梯”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fudacity_CVND_Exercises_db3dbed5.png","udacity","Udacity","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fudacity_2ffc9733.png","Udacity’s mission is to train the world’s workforce in the careers of the future.",null,"support@udacity.com","https:\u002F\u002Fudacity.com","https:\u002F\u002Fgithub.com\u002Fudacity",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",98.5,{"name":86,"color":87,"percentage":88},"Python","#3572A5",1.5,761,673,"2026-02-28T19:21:07","MIT","Linux, macOS, Windows","未说明 (Windows 安装指令明确指定安装 CPU 版本的 PyTorch)","未说明",{"notes":97,"python":98,"dependencies":99},"建议使用 Anaconda\u002FMiniconda 管理环境。仓库包含图像数据，克隆可能需要较长时间。Windows 用户需通过 Anaconda Prompt 执行命令，且需安装 pytorch-cpu 版本而非 GPU 版本。","3.6",[100,101,102,103,104],"pytorch","torchvision","opencv-python","git","jupyter",[15,14],[107,108,109,100],"computer-vision-nanodegree","computer-vision","cnn","2026-03-27T02:49:30.150509","2026-04-07T01:48:03.587336",[113,118,123,128,133,138,143],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},20730,"在 Notebook 中处理图像掩码时遇到\"赋值目标为只读 (Assignment Destination is Read Only)\"错误怎么办？","可以通过创建图像的副本来解决此问题。在代码中插入 `crop_background = crop_background.copy()` 即可，无需使用 OpenCV。如果必须使用 OpenCV，也可以尝试用 `cv2.imread('images\u002Fsky.jpg')` 重新读取图像来绕过该限制。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F7",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},20731,"YOLO 练习中缺少权重文件 (weights folder is missing) 该如何获取？","您可以手动下载 'YOLOv3-tiny' 的权重文件和配置文件。官方权重文件可以通过以下命令下载：`wget https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights`。如果下载速度慢，可能需要寻找国内镜像源或耐心等待。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F4",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},20732,"如何在本地拥有 NVIDIA GPU 的情况下配置完全支持 GPU 的环境？","如果您本地有 NVIDIA GPU 或可以使用云端 GPU，可以尝试使用社区提供的 Docker 容器来构建环境。该项目由作者维护并支持 GPU 加速，包含 PyTorch 和 OpenCV。相关资源地址：https:\u002F\u002Fgithub.com\u002Fjoehoeller\u002FNVIDIA-GPU-Tensor-Core-Accelerator-PyTorch-OpenCV","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F18",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},20733,"在 Google Colab 运行 Project1 的 data_load.py 时出现 FutureWarning 警告如何处理？","这是因为 `.as_matrix()` 方法将在未来版本中被移除。解决方法是打开 `data_load.py` 文件，找到第 39 行，将 `.as_matrix()` 替换为 `.values`。修改后的代码应为：`key_pts = self.key_pts_frame.iloc[idx, 1:].values`。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F16",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},20734,"可视化 RGB 通道时，Notebook 中的颜色映射 (cmap) 设置是否有误？","是的，存在错误。在 `1_1_Image_Representation\u002F2. Visualizing RGB Channels.ipynb` 文件的最后一个单元格中，cmap 被统一设置为了 'gray'。为了正确分别可视化三个通道，它们应该分别设置为 'Reds', 'Greens', 和 'Blues'。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F6",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},20735,"实现 HOG 特征时，如果修改了每个块的单元格数量 (num_cells_per_block)，为什么会报错？","原代码在计算平均梯度时混淆了 x 和 y 维度。当 `num_cells_per_block` 不是对称的（例如 (4,2)）时，会导致广播错误。建议修改循环索引顺序：将 `ave_grad[i:tot_by + i, j:tot_bx + j]` 改为 `ave_grad[j:tot_by + j, i:tot_bx + i]`，确保 i 对应 x 维度，j 对应 y 维度。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F17",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},20736,"运行轮廓检测 (Contour detection) 笔记本时报错 \"not enough values to unpack (expected 3, got 2)\" 怎么解决？","这是由于 OpenCV 版本差异导致的。在新版 OpenCV 中，`cv2.findContours` 只返回两个值 (contours, hierarchy)，而旧版返回三个。需要更新代码以适配新版返回值，去掉对第三个返回值的解包期望。","https:\u002F\u002Fgithub.com\u002Fudacity\u002FCVND_Exercises\u002Fissues\u002F8",[]]