[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-waspinator--pycococreator":3,"tool-waspinator--pycococreator":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",138956,2,"2026-04-05T11:33:21",[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":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":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":23,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":96,"github_topics":97,"view_count":23,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":135},2886,"waspinator\u002Fpycococreator","pycococreator","Helper functions to create COCO datasets","pycococreator 是一套专为构建 COCO 格式数据集设计的实用工具集。在计算机视觉领域，将自定义图像数据转换为标准的 COCO 标注格式往往繁琐且容易出错，尤其是处理复杂的掩码（Mask）表示时。pycococreator 正是为了解这一痛点而生，它提供了一系列辅助函数，能够轻松地将图像标注转换为 COCO 所需的两种核心格式：用于密集目标或人群检测的未压缩游程编码（Uncompressed RLE），以及用于常规实例分割的多边形坐标。\n\n这套工具特别适合从事目标检测、实例分割研究的科研人员，以及需要定制训练数据的 AI 开发者。无论是处理拥挤场景下的重叠目标，还是整理常规的物体轮廓，pycococreator 都能自动化完成格式转换，显著降低数据预处理的时间成本。其技术亮点在于对“人群”标注的特殊支持，能够高效生成符合官方标准的 RLE 格式，填补了通用转换脚本在这一细分场景下的空白。通过简单的 Python 调用，用户即可将原始的标注文件转化为可直接投入主流深度学习框架（如 Mask R-CNN）使用的高质量数据集，让数据准备工作变得更加流畅高效。","# pycococreator\n\n\nPlease site using: [![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F127320367.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F127320367)\n\n\npycococreator is a set of tools to help create [COCO](http:\u002F\u002Fcocodataset.org) datasets. It includes functions to generate annotations in uncompressed RLE (\"crowd\") and polygons in the format COCO requires.\n\nRead more here https:\u002F\u002Fpatrickwasp.com\u002Fcreate-your-own-coco-style-dataset\u002F\n\n![alt text](https:\u002F\u002Fi.imgur.com\u002FiQSPjeC.png \"input files\")\n![alt text](https:\u002F\u002Fi.imgur.com\u002Fpy2aYK9.png \"output\")\n\n# Install\n\n`pip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator.git@0.2.0`\n\nIf you need to install pycocotools for python 3, try the following:\n\n```\nsudo apt-get install python3-dev\npip install cython\npip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco.git@2.1.0\n```\n","# pycococreator\n\n\n请使用以下方式引用：[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F127320367.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F127320367)\n\n\npycococreator 是一套用于帮助创建 [COCO](http:\u002F\u002Fcocodataset.org) 数据集的工具。它包含生成 COCO 格式所需的未压缩 RLE（“crowd”）标注和多边形标注的功能。\n\n更多信息请参见：https:\u002F\u002Fpatrickwasp.com\u002Fcreate-your-own-coco-style-dataset\u002F\n\n![alt text](https:\u002F\u002Fi.imgur.com\u002FiQSPjeC.png \"输入文件\")\n![alt text](https:\u002F\u002Fi.imgur.com\u002Fpy2aYK9.png \"输出\")\n\n# 安装\n\n`pip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator.git@0.2.0`\n\n如果您需要为 Python 3 安装 pycocotools，请尝试以下命令：\n\n```\nsudo apt-get install python3-dev\npip install cython\npip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco.git@2.1.0\n```","# pycococreator 快速上手指南\n\n`pycococreator` 是一套用于创建 [COCO](http:\u002F\u002Fcocodataset.org) 格式数据集的 Python 工具库。它支持生成 COCO 所需的非压缩 RLE（用于群体标注\u002F\"crowd\"）和多边形格式的注释文件。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：推荐 Python 3.6+\n- **前置依赖**：\n  - `pip` 包管理工具\n  - 若需完整功能（特别是处理 Python 3 环境），建议预先安装以下系统依赖：\n    ```bash\n    sudo apt-get install python3-dev\n    pip install cython\n    ```\n\n## 安装步骤\n\n### 1. 安装 pycococreator\n\n直接使用 pip 从 GitHub 安装指定版本：\n\n```bash\npip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator.git@0.2.0\n```\n\n> 💡 **国内加速建议**：若下载缓慢，可配置国内镜像源（如清华源）加速 pip 安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator.git@0.2.0\n> ```\n\n### 2. （可选）安装 pycocotools\n\n如果你需要在 Python 3 环境中使用完整的 COCO 工具链（如评估脚本），请额外安装 `pycocotools`：\n\n```bash\npip install git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco.git@2.1.0\n```\n\n> 💡 **国内加速建议**：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco.git@2.1.0\n> ```\n\n## 基本使用\n\n`pycococreator` 的核心功能是读取图像和对应的掩码（mask）文件，并生成符合 COCO 标准的 JSON 注释文件。\n\n以下是一个最简单的使用流程示例：\n\n1. **准备数据目录结构**  \n   确保你的图像和掩码文件按如下结构组织：\n   ```\n   dataset\u002F\n   ├── images\u002F\n   │   ├── img1.jpg\n   │   └── img2.jpg\n   └── annotations\u002F\n       ├── img1.png   # 与 img1.jpg 对应的二值掩码\n       └── img2.png\n   ```\n\n2. **编写转换脚本**  \n   创建一个 Python 脚本（例如 `create_coco.py`）：\n\n   ```python\n   from pycococreator.coco_creator import CocoCreator\n\n   # 初始化创建器\n   creator = CocoCreator(\n       image_dir='dataset\u002Fimages',\n       annotation_dir='dataset\u002Fannotations',\n       output_json='dataset\u002Fcoco_annotations.json'\n   )\n\n   # 生成 COCO 格式注释\n   creator.create()\n   ```\n\n3. **运行脚本**  \n   在终端执行：\n\n   ```bash\n   python create_coco.py\n   ```\n\n   运行完成后，将在 `dataset\u002F` 目录下生成 `coco_annotations.json` 文件，可直接用于训练或评估。\n\n---\n\n更多详细用法和高级功能请参考官方文档：https:\u002F\u002Fpatrickwasp.com\u002Fcreate-your-own-coco-style-dataset\u002F","某计算机视觉团队正在为农业无人机开发果实检测模型，需要将大量手动标注的果实图像转换为标准的 COCO 数据集格式以训练 YOLO 或 Mask R-CNN 算法。\n\n### 没有 pycococreator 时\n- 开发人员必须深入研究 COCO 复杂的 JSON 架构，手动编写数百行代码来构建包含 images、annotations 和 categories 的嵌套字典结构。\n- 在处理不规则果实的分割掩码时，需自行实现将二值图像转换为压缩游程编码（RLE）的算法，极易因逻辑错误导致训练报错。\n- 每新增一批标注数据，都要重复调整坐标格式和多边形闭合逻辑，排查“索引越界”或“格式不匹配”等问题耗费了大量调试时间。\n- 缺乏统一的工具函数，团队成员各自编写的转换脚本风格迥异，导致数据集版本管理混乱，难以复现训练结果。\n\n### 使用 pycococreator 后\n- 直接调用封装好的辅助函数，即可自动将图像路径和标签信息组装成符合官方规范的 COCO JSON 文件，无需关注底层数据结构细节。\n- 利用内置的 RLE 生成器，一键将果实分割掩码转换为高效的压缩格式，同时支持多边形坐标提取，确保了标注数据的准确性。\n- 通过标准化的接口处理新数据，消除了手动转换坐标的繁琐步骤，将单批次数据处理时间从数小时缩短至几分钟。\n- 团队统一采用该工具进行数据生产，保证了输出格式的高度一致性，显著提升了协作效率和模型训练的可复现性。\n\npycococreator 通过将复杂的数据格式化过程自动化，让开发者能从繁琐的工程细节中解脱，专注于核心的模型优化与业务落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwaspinator_pycococreator_739cd5fd.png","waspinator","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwaspinator_ecf02a3c.png",null,"https:\u002F\u002Fgithub.com\u002Fwaspinator",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,783,175,"2026-03-16T04:33:21","Apache-2.0","Linux","未说明",{"notes":91,"python":92,"dependencies":93},"该工具主要用于生成 COCO 格式的数据集标注（包括 RLE 和多边形），不涉及深度学习模型训练或推理，因此无 GPU 需求。安装时若需编译 pycocotools，在 Linux 环境下需先安装 python3-dev。","Python 3 (通过 python3-dev 推断)",[94,95],"cython","pycocotools (via git+git:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco.git@2.1.0)",[51,13,14],[98,99,100,101],"computer-vision","machine-learning","dataset","coco","2026-03-27T02:49:30.150509","2026-04-06T05:36:27.016556",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},13350,"安装后在 Jupyter Notebook 中找不到 'pycocotools' 模块怎么办？","pip 版本的 pycocotools 在 Python 3 环境下可能存在兼容性问题。建议不要直接使用 pip 安装，而是按照 README 中的说明，从支持 Python 3 的特定分支进行安装。具体安装指南请参考：https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fcoco#install","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F7",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},13351,"遇到 TypeError: Argument 'bb' has incorrect type (expected numpy.ndarray, got list) 错误如何解决？","该问题通常是由于版本过旧导致的。请尝试将库更新到 0.1.5 或更高版本，并重新运行数据集生成脚本。可以通过以下地址下载最新版本：https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Freleases\u002F","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F4",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},13352,"为什么在提取轮廓（contours）时需要减去 1？","这是因为 `measure.find_contours` 函数在掩码（mask）触及图像边缘时无法生成闭合轮廓。为了解决这个问题，代码首先将图像四周的边界扩展了 1 个像素。运行 `measure.find_contours` 后，生成的轮廓位置会偏移 1 个像素，因此需要减去 1 以还原其原始坐标位置。","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F11",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},13353,"可视化自定义图像时出现 \"ValueError: cannot reshape array of size 5 into shape (2,2)\" 错误是什么原因？","这是一个已知 Bug，发生在轮廓点数少于三个的时候。解决方法是安装 master 分支的最新代码（包含修复补丁），然后重新运行脚本即可解决该问题。","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F2",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},13354,"如何在学术论文中引用此仓库？","如果您在论文或研究中使用了 pycococreator，请使用以下 Zenodo 记录进行引用：https:\u002F\u002Fzenodo.org\u002Frecord\u002F4627206","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F39",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},13355,"在使用此工具之前，如何制作二值掩码（Binary masks）或使用标注工具？","作者推荐使用 js-segment-annotator 工具来辅助完成图像分割和标注工作，从而生成所需的二值掩码。项目地址：https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fjs-segment-annotator","https:\u002F\u002Fgithub.com\u002Fwaspinator\u002Fpycococreator\u002Fissues\u002F8",[136,140,145,150,155,160,165],{"id":137,"version":138,"summary_zh":77,"released_at":139},72046,"0.2.1","2021-03-22T13:44:27",{"id":141,"version":142,"summary_zh":143,"released_at":144},72047,"0.2.0","- 增加了将边界框传递给 `create_annotation_info` 的选项\n- 修复了数组大小调整的 bug","2018-05-08T20:47:19",{"id":146,"version":147,"summary_zh":148,"released_at":149},72048,"0.1.5","修复了点数少于3个的形状的错误","2018-05-06T18:44:13",{"id":151,"version":152,"summary_zh":153,"released_at":154},72049,"0.1.4","- 更新的示例","2018-04-13T03:06:08",{"id":156,"version":157,"summary_zh":158,"released_at":159},72050,"0.1.3","- 移除了面积为零的标注","2018-04-10T18:06:15",{"id":161,"version":162,"summary_zh":163,"released_at":164},72051,"0.1.2","- 更新了多边形生成算法，修复了开放多边形的相关问题\r\n- 新增了多边形近似选项，可减少所需点的数量","2018-03-31T16:56:40",{"id":166,"version":167,"summary_zh":168,"released_at":169},72052,"0.1.1","初始发布","2018-03-30T02:14:33"]