[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xiaochus--YOLOv3":3,"tool-xiaochus--YOLOv3":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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",[27,13,15,14],{"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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":100,"github_topics":101,"view_count":24,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":144},10139,"xiaochus\u002FYOLOv3","YOLOv3","Keras implementation of yolo v3 object detection.","YOLOv3 是一款基于 Keras 框架（后端为 TensorFlow）实现的高效目标检测工具，旨在让开发者能够轻松部署和应用先进的物体识别技术。它核心解决了如何在图像中快速、准确地定位并分类多个物体的问题，相比前代版本 YOLOv2，它在分类精度上有了显著提升，尤其擅长处理复杂场景下的多尺度目标检测。\n\n这款工具特别适合计算机视觉领域的开发者、研究人员以及希望深入理解目标检测算法的学生使用。对于想要从理论走向实践的用户，YOLOv3 提供了完整的代码实现，支持将官方 Darknet 权重文件转换为 Keras 格式，并内置了直观的演示脚本，让用户能快速看到检测效果。其技术亮点在于采用了“增量式改进”策略，通过多尺度预测和更深的网络结构，在保持实时检测速度的同时大幅提升了准确率。虽然目前主要侧重于推理演示，但其清晰的架构也为后续模型训练和自定义开发奠定了坚实基础。无论是用于学术研究还是工程原型验证，YOLOv3 都是一个值得尝试的开源选择。","# YOLOv3\nKeras(TF backend) implementation of yolo v3 objects detection. \n\nAccording to the paper [YOLOv3: An Incremental Improvement](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fpapers\u002FYOLOv3.pdf).\n\n## Requirement\n- OpenCV 3.4\n- Python 3.6    \n- Tensorflow-gpu 1.5.0  \n- Keras 2.1.3\n\n## Quick start\n\n- Download official [yolov3.weights](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights) and put it on top floder of project.\n\n- Run the follow command to convert darknet weight file to keras h5 file. The `yad2k.py` was modified from [allanzelener\u002FYAD2K](https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K).\n```\npython yad2k.py cfg\\yolo.cfg yolov3.weights data\\yolo.h5\n```\n\n- run follow command to show the demo. The result can be found in `images\\res\\` floder.\n```\npython demo.py\n```\n\n## Demo result\n\nIt can be seen that yolo v3 has a better classification ability than yolo v2.\n\n\u003Cimg width=\"400\" height=\"350\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaochus_YOLOv3_readme_363ff5af23f1.jpg\"\u002F>\u003Cimg width=\"400\" height=\"350\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaochus_YOLOv3_readme_c3e7fa5c38b1.jpg\"\u002F>\n\n## TODO\n\n- Train the model.\n\n## Reference\n\n\t@article{YOLOv3,  \n\t  title={YOLOv3: An Incremental Improvement},  \n\t  author={J Redmon, A Farhadi },\n\t  year={2018}\n\n\n\n## Copyright\nSee [LICENSE](LICENSE) for details.\n","# YOLOv3\n使用 Keras（TensorFlow 后端）实现的 YOLOv3 目标检测。\n\n基于论文 [YOLOv3: An Incremental Improvement](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fpapers\u002FYOLOv3.pdf)。\n\n## 需求\n- OpenCV 3.4\n- Python 3.6\n- Tensorflow-gpu 1.5.0\n- Keras 2.1.3\n\n## 快速开始\n\n- 下载官方 [yolov3.weights](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights)，并将其放置在项目根目录下。\n\n- 运行以下命令，将 Darknet 权重文件转换为 Keras 的 h5 文件。`yad2k.py` 是基于 [allanzelener\u002FYAD2K](https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K) 修改而来。\n```\npython yad2k.py cfg\\yolo.cfg yolov3.weights data\\yolo.h5\n```\n\n- 运行以下命令以展示演示效果。结果将保存在 `images\\res\\` 文件夹中。\n```\npython demo.py\n```\n\n## 演示结果\n\n可以看出，YOLOv3 比 YOLOv2 具有更好的分类能力。\n\n\u003Cimg width=\"400\" height=\"350\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaochus_YOLOv3_readme_363ff5af23f1.jpg\"\u002F>\u003Cimg width=\"400\" height=\"350\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaochus_YOLOv3_readme_c3e7fa5c38b1.jpg\"\u002F>\n\n## 待办事项\n\n- 训练模型。\n\n## 参考文献\n\n\t@article{YOLOv3,  \n\t  title={YOLOv3: An Incremental Improvement},  \n\t  author={J Redmon, A Farhadi },\n\t  year={2018}\n\n\n\n## 版权\n详情请参阅 [LICENSE](LICENSE)。","# YOLOv3 快速上手指南\n\n本指南基于 Keras (TensorFlow 后端) 实现的 YOLOv3 目标检测模型，帮助开发者快速在本地运行演示。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下依赖要求：\n\n- **操作系统**: Windows \u002F Linux \u002F macOS\n- **Python**: 3.6\n- **OpenCV**: 3.4\n- **TensorFlow-GPU**: 1.5.0\n- **Keras**: 2.1.3\n\n> **提示**：由于版本较老（TF 1.5 + Keras 2.1），建议创建独立的虚拟环境以避免依赖冲突。国内用户可使用清华源或阿里源加速安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu==1.5.0 keras==2.1.3 opencv-python==3.4\n> ```\n\n## 安装步骤\n\n### 1. 获取预训练权重\n下载官方 Darknet 权重文件 `yolov3.weights`，并将其放置在项目根目录下。\n\n- 下载地址：[yolov3.weights](https:\u002F\u002Fpjreddie.com\u002Fmedia\u002Ffiles\u002Fyolov3.weights)\n- **国内加速下载**（推荐）：若官方链接缓慢，可尝试通过国内镜像站或网盘资源获取同名文件。\n\n### 2. 转换权重格式\n将 Darknet 格式的权重转换为 Keras 可用的 `.h5` 格式。执行以下命令：\n\n```bash\npython yad2k.py cfg\\yolo.cfg yolov3.weights data\\yolo.h5\n```\n*注：该脚本基于 [YAD2K](https:\u002F\u002Fgithub.com\u002Fallanzelener\u002FYAD2K) 修改而成。*\n\n## 基本使用\n\n完成权重转换后，即可运行演示脚本进行目标检测。\n\n执行命令：\n```bash\npython demo.py\n```\n\n运行结束后，检测结果图片将保存在 `images\\res\\` 文件夹中。您可以对比原图与结果图，观察 YOLOv3 在分类能力上相较于 YOLOv2 的提升。","某智慧社区安防团队正在开发一套实时监控系统，需要从摄像头画面中自动识别并标记进入小区的可疑人员、宠物及车辆。\n\n### 没有 YOLOv3 时\n- 依赖传统图像差分算法，无法区分“人”与“移动的车辆”，导致风雨天气下误报率极高，保安每天需处理数百条无效警报。\n- 若要提升识别精度，需人工逐帧标注数据并训练复杂的深度学习模型，开发周期长达数周，且对算力资源要求苛刻，难以在边缘设备部署。\n- 系统只能判断“有物体移动”，无法提供具体的类别信息（如区分是业主遛狗还是陌生人闯入），后续排查必须依靠人工回看录像，效率极低。\n- 现有方案在处理多目标并发场景时延迟严重，画面卡顿，无法满足实时监控的流畅性需求。\n\n### 使用 YOLOv3 后\n- 利用 YOLOv3 强大的多类别检测能力，系统能精准区分行人、车辆和动物，将误报率降低 90% 以上，让安保人员只关注真实风险。\n- 直接加载官方预训练的权重文件（yolov3.weights），通过简单的脚本转换为 Keras 格式即可运行，半天内完成从环境搭建到 Demo 验证，大幅缩短上线时间。\n- 输出结果不仅包含位置框，还附带具体的分类标签和置信度，系统可自动过滤掉“宠物狗”等无害目标，仅对“陌生人”触发高等级预警。\n- 凭借 YOLOv3 优秀的推理速度，系统在普通 GPU 服务器上即可实现流畅的实时检测，即使画面中同时出现多个目标也能保持低延迟响应。\n\nYOLOv3 通过其卓越的精度与速度平衡，将原本耗时费力的安防监控开发转化为高效、精准的自动化实战应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxiaochus_YOLOv3_363ff5af.jpg","xiaochus","Larry","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxiaochus_afbd36b7.jpg","Machine Learning Algorithm Engineer","Alibaba Cloud Intelligence","Hangzhou, China","xiaochus@live.cn",null,"https:\u002F\u002Fwww.jianshu.com\u002Fu\u002F51ee4397ee8b","https:\u002F\u002Fgithub.com\u002Fxiaochus",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,606,266,"2026-04-02T04:05:01","MIT","未说明","需要 NVIDIA GPU (由 tensorflow-gpu 推断)，具体型号、显存大小及 CUDA 版本未说明",{"notes":94,"python":95,"dependencies":96},"需手动下载官方 yolov3.weights 权重文件并放置于项目根目录；运行前需执行脚本将 Darknet 权重转换为 Keras h5 格式；代码示例中的路径分隔符（\\）暗示可能主要在 Windows 环境下测试。","3.6",[97,98,99],"opencv-python==3.4","tensorflow-gpu==1.5.0","keras==2.1.3",[15],[102,103,104,105],"yolov3","object-detection","cnn","keras","2026-03-27T02:49:30.150509","2026-04-20T19:41:51.054276",[109,114,119,124,129,134,139],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},45518,"为什么在视频帧或单张图片上进行目标检测的速度非常慢（例如每帧 2-3 秒）？","速度慢的主要原因是代码中使用了 Python 的 for 循环（如 filter 和 NMS）以及频繁调用 K.get_value() 导致张量操作效率低下。解决方案是修改 yolo_model.py 文件（约第 39 行），将 K.get_value(K.sigmoid(...)) 替换为自定义的 numpy sigmoid 函数，并直接使用 numpy 进行指数运算。具体代码如下：\n1. 添加静态方法：@staticmethod def _sigmoid(X): return 1 \u002F (1 + np.exp(-X))\n2. 替换原有代码：\n   box_xy = self._sigmoid(out[..., :2])\n   box_wh = np.exp(out[..., 2:4]) * anchors_tensor\n   box_confidence = self._sigmoid(out[..., 4])\n   box_class_probs = self._sigmoid(out[..., 5:])\n实施后，处理速度可从 4 秒\u002F帧提升至 0.08 秒\u002F帧（GTX 970 测试数据）。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F6",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},45519,"在将自定义训练的 yolov3.weights 转换为 .h5 格式时，报错 \"TypeError: buffer is too small for requested array\" 如何解决？","该错误通常是因为转换脚本（yad2k.py）默认基于原作者提供的 cfg 配置文件解析权重文件。如果你使用了不同的网络结构或自定义的 cfg 文件，必须确保转换脚本读取的是与你训练时一致的 cfg 文件。请检查代码中加载 cfg 的路径，确保其指向你自定义的配置文件而非默认配置。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F3",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},45520,"如果不使用预训练的 yolov3.weights 而是随机初始化权重，模型推理输出 NaN 且无法训练怎么办？","如果在相同网络结构下，使用随机权重初始化导致推理输出 NaN 而预训练权重正常，这通常不是代码逻辑问题，而是环境配置问题。有用户反馈这是由 TensorFlow 安装版本或配置不当引起的。建议检查 TensorFlow 和 Keras 的版本兼容性，或重新安装 TensorFlow 以确保底层计算库正常。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F10",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},45521,"运行视频测试时报错或结果异常，可能是什么原因？","如果未修改代码但在运行视频测试时出现问题，可能是由于最近更新中 anchor（锚框）计算存在错误。维护者已修复了该问题，请拉取最新的代码更新即可解决。此外，确保使用的配置文件与权重文件匹配。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F18",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45522,"darknet53.py 文件中是否存在导致模型结构错误的 Bug？","是的，darknet53.py 第 51 行曾存在一个变量引用错误。原代码错误地写为 `x = conv2d_unit(inputs, 2 * filters, (3, 3))`，这会导致输入张量传递错误。正确的代码应改为 `x = conv2d_unit(x, 2 * filters, (3, 3))`，以确保卷积操作作用于上一层的输出 x 而不是原始输入 inputs。该问题已在后续版本中修复。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F5",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},45523,"为什么网格解码部分使用的是 [1, W] 和 [1, H] 的偏移量，而不是标准的 [0, W-1] 和 [0, H-1]？","理论上网格索引应从 0 开始（即 [0, W-1]）。但在实际使用该仓库提供的预训练权重文件时，如果使用 0 起始索引会出现网格偏差。为了适配作者提供的权重文件，代码中特意加了 1 的偏移量。这可能是由于原始权重文件训练时的坐标定义差异导致的，若使用自己从头训练的模型，可尝试改回 [0, W-1]。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F1",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},45524,"Keras 实现的 YOLOv3 推理速度为何比 Darknet 原版慢很多（例如 2.6 秒 vs 0.3 秒）？","这是该 Keras 实现版本的已知性能瓶颈。主要原因是后端张量操作未完全优化，大量使用了 CPU 上的 Python 循环和后处理操作，未能充分利用 GPU 加速。除了参考 Issue #6 中的代码优化方案（减少 K.get_value 调用）外，如果对速度有极高要求，建议直接使用 Darknet 原版框架进行推理，或寻找基于 TensorFlow\u002FPyTorch 的其他优化实现。","https:\u002F\u002Fgithub.com\u002Fxiaochus\u002FYOLOv3\u002Fissues\u002F9",[145],{"id":146,"version":147,"summary_zh":148,"released_at":149},360431,"v1.0","用于 COCO 数据集的 YOLOv3 的 Keras H5 模型。  \r\n你可以把它放到 data 文件夹中。","2018-11-30T08:13:00"]