[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-vsyw--Keras-OpenFace":3,"similar-vsyw--Keras-OpenFace":71},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":17,"owner_location":17,"owner_email":17,"owner_twitter":17,"owner_website":17,"owner_url":18,"languages":19,"stars":32,"forks":33,"last_commit_at":34,"license":35,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":44,"github_topics":47,"view_count":55,"oss_zip_url":17,"oss_zip_packed_at":17,"status":56,"created_at":57,"updated_at":58,"faqs":59,"releases":70},1222,"vsyw\u002FKeras-OpenFace","Keras-OpenFace","Keras-OpenFace is a project converting OpenFace from Torch implementation to a Keras version","Keras-OpenFace 是一个将 OpenFace 面部识别库从 Torch 框架迁移到 Keras 框架的开源项目。它解决了开发者需要熟悉 Torch 才能使用 OpenFace 的问题，让 Python 开发者能直接在主流 Keras 生态中轻松调用高性能面部识别功能。项目提供了预训练的 Keras 模型（准确率达 93.8%），只需几行代码即可快速加载使用，大幅降低上手门槛。同时，它还支持 CoreML 版本，方便 iOS 开发者将面部识别能力无缝集成到移动应用中。Keras-OpenFace 特别适合机器学习开发者和研究人员，帮助他们快速构建和部署面部识别应用，无需处理底层框架差异。所有代码、模型和文档均开源，采用 Apache 2.0 许可证，便于社区协作和实际项目集成。","# Keras-OpenFace\n\nKeras-OpenFace is a project converting [OpenFace](https:\u002F\u002Fgithub.com\u002Fcmusatyalab\u002Fopenface) from it's original Torch implementation to a Keras version \n\n### If you are only interested in using pre-trained model\nLoad the Keras OpenFace model(Accuracy: 0.938+-0.013)\n```python\nfrom keras.models import load_model\nfrom keras.utils import CustomObjectScope\nimport tensorflow as tf\nwith CustomObjectScope({'tf': tf}):\n  model = load_model('.\u002Fmodel\u002Fnn4.small2.v1.h5')\n```\n### Running the whole convertion process and look into Kears-Openface-convertion.ipynb\n```\n$ jupyter notebook\n```\n\n### CoreML-OpenFace\nPre-trained CoreML version of OpenFace in model\u002Fopenface.coreml which you can easily integrate OpenFace into your iOS application.\n\n### License\nUnless otherwise stated, the source code, notebook files, and trained Tensorflow and Keras model files are licensed under the Apache 2.0 License.\n","# Keras-OpenFace\n\nKeras-OpenFace 是一个将 [OpenFace](https:\u002F\u002Fgithub.com\u002Fcmusatyalab\u002Fopenface) 从其原始的 Torch 实现转换为 Keras 版本的项目。\n\n### 如果你只对使用预训练模型感兴趣\n加载 Keras 版 OpenFace 模型（准确率：0.938±0.013）：\n```python\nfrom keras.models import load_model\nfrom keras.utils import CustomObjectScope\nimport tensorflow as tf\nwith CustomObjectScope({'tf': tf}):\n  model = load_model('.\u002Fmodel\u002Fnn4.small2.v1.h5')\n```\n\n### 运行完整的转换流程并查看 Keras-OpenFace 转换笔记本文件\n```\n$ jupyter notebook\n```\n\n### CoreML-OpenFace\nOpenFace 的预训练 CoreML 版本位于 `model\u002Fopenface.coreml`，你可以轻松地将其集成到你的 iOS 应用程序中。\n\n### 许可证\n除非另有说明，源代码、笔记本文件以及训练好的 TensorFlow 和 Keras 模型文件均采用 Apache 2.0 许可证。","# Keras-OpenFace 快速上手指南\n\n## 环境准备\n- **系统要求**：Python 3.6+ (推荐 3.7+)\n- **前置依赖**：TensorFlow 2.x、Keras\n- **中国开发者推荐**：使用清华镜像源加速安装（避免网络问题）\n\n## 安装步骤\n```bash\n# 安装 TensorFlow 和 Keras (使用国内镜像)\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow keras\n```\n\n## 基本使用\n加载预训练模型（准确率：0.938±0.013）：\n```python\nfrom keras.models import load_model\nfrom keras.utils import CustomObjectScope\nimport tensorflow as tf\nwith CustomObjectScope({'tf': tf}):\n    model = load_model('.\u002Fmodel\u002Fnn4.small2.v1.h5')\n```\n> 确保模型文件 `nn4.small2.v1.h5` 已下载并放置在 `.\u002Fmodel\u002F` 目录下。","某科技公司正在开发企业级智能门禁系统，需实时识别员工人脸以授权通行，团队使用Python构建后端服务并计划集成iOS移动端。\n\n### 没有 Keras-OpenFace 时\n- 依赖Torch框架的OpenFace实现，团队成员普遍熟悉TensorFlow\u002FKeras，Torch学习成本高导致开发停滞两周。\n- 集成到Flask后端时，需手动处理Torch环境依赖，频繁出现CUDA版本冲突，部署失败率超30%。\n- 预训练模型加载代码冗长（需额外写环境适配逻辑），文档缺失，调试耗时平均4小时\u002F次。\n- iOS端需自行转换CoreML模型，额外开发3天，且转换后准确率下降5%。\n\n### 使用 Keras-OpenFace 后\n- 直接通过Keras API加载预训练模型（`load_model('.\u002Fmodel\u002Fnn4.small2.v1.h5')`），团队快速复用现有Keras经验，开发效率提升50%。\n- 一键式模型加载简化环境配置，部署失败率降至5%以下，节省每日1小时调试时间。\n- 提供预训练CoreML模型（`openface.coreml`），iOS端集成仅需5行代码，无需额外转换。\n- 93.8%的高准确率保障系统稳定性，误识别率下降至2%以内，提升用户体验。\n\nKeras-OpenFace将人脸识别集成从“技术瓶颈”变为“开箱即用”，让团队聚焦业务逻辑而非框架适配。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvsyw_Keras-OpenFace_8a5b5e7d.png","vsyw","v","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fvsyw_50597937.jpg",null,"https:\u002F\u002Fgithub.com\u002Fvsyw",[20,24,28],{"name":21,"color":22,"percentage":23},"Jupyter Notebook","#DA5B0B",92.2,{"name":25,"color":26,"percentage":27},"Python","#3572A5",7.1,{"name":29,"color":30,"percentage":31},"Lua","#000080",0.7,575,255,"2026-04-04T12:32:46","Apache-2.0",1,"","未说明",{"notes":40,"python":38,"dependencies":41},"首次运行需下载约5GB模型文件",[42,43],"tensorflow","keras",[45,46],"开发框架","图像",[48,49,50,51,52,43,53,54],"openface","keras-openface","torch","facenet","mobilenet","coreml","coremltools",3,"ready","2026-03-27T02:49:30.150509","2026-04-06T07:13:48.855729",[60,65],{"id":61,"question_zh":62,"answer_zh":63,"source_url":64},5558,"该模型是否预测面部姿态角度？","不，该模型仅用于检测面部区域，不输出面部姿态角度。请参考OpenFace官方文档了解姿态预测功能。","https:\u002F\u002Fgithub.com\u002Fvsyw\u002FKeras-OpenFace\u002Fissues\u002F15",{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},5559,"训练模型nn4.small2.h5的数据集结构和标签文件是什么？如何获取128x1特征向量？","该模型未在此仓库训练。请参考OpenFace官网（https:\u002F\u002Fcmusatyalab.github.io\u002Fopenface\u002F）了解模型构建逻辑和数据集详情。此仓库仅提供从Torch到Keras的模型转换，128x1特征向量需通过OpenFace的预处理流程生成。","https:\u002F\u002Fgithub.com\u002Fvsyw\u002FKeras-OpenFace\u002Fissues\u002F12",[],[72,81,91,99,107,120],{"id":73,"name":74,"github_repo":75,"description_zh":76,"stars":77,"difficulty_score":55,"last_commit_at":78,"category_tags":79,"status":56},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",[45,46,80],"Agent",{"id":82,"name":83,"github_repo":84,"description_zh":85,"stars":86,"difficulty_score":87,"last_commit_at":88,"category_tags":89,"status":56},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",[45,80,90],"语言模型",{"id":92,"name":93,"github_repo":94,"description_zh":95,"stars":96,"difficulty_score":87,"last_commit_at":97,"category_tags":98,"status":56},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",[45,46,80],{"id":100,"name":101,"github_repo":102,"description_zh":103,"stars":104,"difficulty_score":87,"last_commit_at":105,"category_tags":106,"status":56},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",[45,90],{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":87,"last_commit_at":113,"category_tags":114,"status":56},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",[46,115,116,117,80,118,90,45,119],"数据工具","视频","插件","其他","音频",{"id":121,"name":122,"github_repo":123,"description_zh":124,"stars":125,"difficulty_score":55,"last_commit_at":126,"category_tags":127,"status":56},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",[80,46,45,90,118]]