[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xtreme1-io--xtreme1":3,"tool-xtreme1-io--xtreme1":64},[4,17,26,40,48,56],{"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},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。",107662,2,"2026-04-03T11:11:01",[13,14,15],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":23,"last_commit_at":32,"category_tags":33,"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",[14,34,35,36,15,37,38,13,39],"数据工具","视频","插件","其他","语言模型","音频",{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":10,"last_commit_at":46,"category_tags":47,"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",[15,14,13,38,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[38,14,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[13,14],{"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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":79,"owner_url":82,"languages":83,"stars":119,"forks":120,"last_commit_at":121,"license":122,"difficulty_score":10,"env_os":123,"env_gpu":124,"env_ram":125,"env_deps":126,"category_tags":137,"github_topics":138,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":154,"updated_at":155,"faqs":156,"releases":187},3838,"xtreme1-io\u002Fxtreme1","xtreme1","Xtreme1 is an all-in-one data labeling and annotation platform for multimodal data training and supports 3D LiDAR point cloud, image, and LLM.","Xtreme1 是一款专为多模态数据训练打造的一站式开源标注平台，全面支持图像、3D LiDAR 点云以及大语言模型（LLM）的数据处理。它致力于解决机器学习项目中数据标注效率低、多传感器融合难以及数据质量管理复杂等核心痛点，帮助团队快速构建高质量的训练数据集。\n\n该平台特别适合计算机视觉领域的开发者、自动驾驶研究人员以及从事大模型对齐工作的算法工程师使用。Xtreme1 的独特亮点在于其强大的\"AI 辅助”能力：内置了基于 YOLOR 和 RITM 的预标注与交互式分割模型，能显著提升 2D\u002F3D 目标检测与语义分割的标注速度；同时支持 LiDAR 与摄像头的融合标注，并集成了 OpenPCDet 等前沿算法。此外，它还提供了可配置的本体中心用于管理类别层级，具备数据清洗、错误修复及模型结果可视化功能。针对当下热门的大语言模型，Xtrome1 还率先引入了 RLHF（人类反馈强化学习）标注工具（测试版），为模型微调提供得力支持。通过 Docker 即可轻松部署，让数据准备工作变得更加高效流畅。","\u003Cdiv align=\"center\">\n\u003Cimg width=\"386\" alt=\"Xtreme1 logo\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_f4055da2b538.png\">\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FRelease-v0.9.1-green) \n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blueviolet)\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFollow-Twitter-blue)](https:\u002F\u002Ftwitter.com\u002FXtreme1io)\n[![Docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-Stable-success.svg?style=flat&longCache=true)](http:\u002F\u002Fdocs.xtreme1.io\u002F) \n\n\u003C\u002Fdiv>\n\n# Intro\n\nXtreme1 is an all-in-one open-source platform for multimodal training data.\n\nXtreme1 unlocks efficiency in data annotation, curation, and ontology management for tackling machine learning challenges in computer vision and LLM. The platform's AI-fueled tools elevate your annotation to the next efficiency level, powering your projects in 2D\u002F3D Object Detection, 2D\u002F3D Semantic\u002FInstance Segmentation, and LiDAR-Camera Fusion like never before.\n\nCheck the Enterprise Version here [🎉 Request Demo for Free](https:\u002F\u002Fwww.basic.ai\u002Frequest-platform-demo).\n\nThe README document only includes content related to installation, building, and running, if you have any questions or doubts about features, you can always refer to our [Docs Site](https:\u002F\u002Fdocs.xtreme1.io\u002Fxtreme1-docs\u002F).\n\nFind us on [Twitter](https:\u002F\u002Ftwitter.com\u002FXtreme1io) |  [Medium](https:\u002F\u002Fmedium.com\u002Fmultisensory-data-training) | [Issues](https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues) \n\n# Key Features\n\nImage Annotation (B-box, Segmentation) - [YOLOR](https:\u002F\u002Fgithub.com\u002FWongKinYiu\u002Fyolor) & [RITM](https:\u002F\u002Fgithub.com\u002Fsaic-vul\u002Fritm_interactive_segmentation) |  Lidar-camera Fusion Annotation - [OpenPCDet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FOpenPCDet) & [AB3DMOT](https:\u002F\u002Fgithub.com\u002Fxinshuoweng\u002FAB3DMOT)\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_7884e7cb6f53.gif)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_9e7080c6aeab.gif)\n\n :one: Supports data labeling for images, 3D LiDAR and 2D\u002F3D Sensor Fusion datasets\n \n :two: Built-in pre-labeling and interactive models support 2D\u002F3D object detection, segmentation and classification\n \n :three: Configurable Ontology Center for general classes (with hierarchies) and attributes for use in your model training\n\n :four: Data management and quality monitoring\n \n :five: Find labeling errors and fix them\n\n :six: Model results visualization to help you evaluate your model\n \n :seven: RLHF for Large Language Models :new: (beta version)\n\nImage Data Curation (Visualizing & Debug)  - [MobileNetV3](https:\u002F\u002Fgithub.com\u002Fxiaolai-sqlai\u002Fmobilenetv3) & [openTSNE](https:\u002F\u002Fgithub.com\u002Fpavlin-policar\u002FopenTSNE)  | RLHF Annotation Tool for LLM (beta version)\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_eec147e64799.gif) |  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_c3a57134b7de.webp\" width=\"640\"> \n\n# Install\n\n## Prerequisites\n\n*Operating System Requirements*\n\nAny OS can install the Xtreme1 platform with Docker Compose (installing [Docker Desktop](https:\u002F\u002Fdocs.docker.com\u002Fdesktop\u002F) on Mac, Windows, and Linux devices). On the Linux server, you can install Docker Engine with [Docker Compose Plugin](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002Flinux\u002F).\n\n*Hardware Requirements*\n\n**CPU**: AMD64 or ARM64  \n**RAM**: 2GB or higher  \n**Hard Drive**: 10GB+ free disk space (depends on data size)\n\n*Software Requirements*\n\nFor Mac, Windows, and Linux with desktop.\n\n**Docker Desktop**: 4.1 or newer\n\nFor Linux server.\n\n**Docker Engine**: 20.10 or newer  \n**Docker Compose Plugin**: 2.0 or newer\n\n*(Built-in) Models Deployment Requirements*\n\nThe built-in model containers only can be running on Linux server with [NVIDIA CUDA Driver](https:\u002F\u002Fdocs.nvidia.com\u002Fcuda\u002Fcuda-installation-guide-linux\u002Findex.html) and [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Flatest\u002Findex.html).\n\n**GPU**: NVIDIA T4 or other similar GPU  \n**RAM**: 4G or higher\n\n## Install with Docker\n\n### Download Package\n\nDownload the latest release package and unzip it.\n\n```bash\nwget https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Freleases\u002Fdownload\u002Fv0.9.1\u002Fxtreme1-v0.9.1.zip\nunzip -d xtreme1-v0.9.1 xtreme1-v0.9.1.zip\n```\n\n### Start Services\n\nEnter into the release package directory, and execute the following command to start all services. It needs a few minutes to initialize database and prepare a test dataset.\n\n```bash\ncd xtreme1-v0.9.1\ndocker compose up\n```\n\nVisit [http:\u002F\u002Flocalhost:8190](http:\u002F\u002Flocalhost:8190) in the browser (Google Chrome is recommended) to try out Xtreme1! You can replace localhost with IP address if you want to access from another machine.\n\nDocker compose will pull all service images from Docker Hub, including basic services `MySQL`, `Redis`, `MinIO`, and application services `backend`, `frontend`. You can find the username, password, hot binding port to access MySQL, Redis and MinIO in `docker-compose.yml`, for example you can access MinIO console at http:\u002F\u002Flocalhost:8194. We use Docker volume to save data, so you won't lose any data between container recreating.\n\nDocker Compose advanced commands:\n\n```bash\n# Start in the foreground.\ndocker compose up\n\n# Or add -d option to run in the background.\ndocker compose up -d\n\n# When finished, you can start or stop all or specific services.\ndocker compose start\ndocker compose stop\n\n# Stop all services and delete all containers, but data volumes will be kept.\ndocker compose down\n\n# Danger! Delete all volumes. All data in MySQL, Redis and MinIO. \ndocker compose down -v\n```\n\n### Start Built-in Models\n\nYou need to explicitly specify a model profile to enable model services.\n\n```bash\ndocker compose --profile model up\n```\n\nMake sure you have installed [NVIDIA CUDA Driver](https:\u002F\u002Fdocs.nvidia.com\u002Fcuda\u002Fcuda-installation-guide-linux\u002Findex.html) and [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Flatest\u002Findex.html) on host machine.\n\n```bash\n# You need set \"default-runtime\" as \"nvidia\" in \u002Fetc\u002Fdocker\u002Fdaemon.json and restart docker to enable NVIDIA Container Toolkit\n{\n  \"runtimes\": {\n    \"nvidia\": {\n      \"path\": \"nvidia-container-runtime\",\n      \"runtimeArgs\": []\n    }\n  },\n  \"default-runtime\": \"nvidia\"\n}\n```\n\nIf you use **Docker Desktop** + **WSL2.0**, please find this [issue #144](https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F144) for your reference.\n\n### Run on ARM CPU\n\nPlease note that certain Docker images, including `MySQL`, may not be compatible with the ARM architecture. In case your computer is based on an ARM CPU (e.g. Apple M1), you can create a Docker Compose override file called docker-compose.override.yml and include the following content. While this method uses QEMU emulation to enforce the use of the ARM64 image on the ARM64 platform, it may impact performance.\n\n```yaml\nservices:\n  mysql:\n    platform: linux\u002Famd64\n```\n\n## Install from Source\n\nIf you want to build or extend the function, download the source code and run locally.\n\n### Enable Docker BuildKit\n\nWe are using Docker BuildKit to accelerate the building speed, such as cache Maven and NPM packages between builds. By default BuildKit is not enabled in Docker Desktop, you can enable it as follows. For more details, you can check the official document [Build images with BuildKit](https:\u002F\u002Fdocs.docker.com\u002Fdevelop\u002Fdevelop-images\u002Fbuild_enhancements\u002F).\n\n```bash\n# Set the environment variable to enable BuildKit just for once.\nDOCKER_BUILDKIT=1 docker build .\nDOCKER_BUILDKIT=1 docker compose up\n\n# Or edit Docker daemon.json to enable BuildKit by default, the content can be something like '{ \"features\": { \"buildkit\": true } }'.\nvi \u002Fetc\u002Fdocker\u002Fdaemon.json\n\n# You can clear the builder cache if you encounter some package version related problem.\ndocker builder prune\n```\n\n### Clone Repository\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbasicai\u002Fxtreme1.git\ncd xtreme1\n```\n\n### Build Images and Run Services\n\nThe `docker-compose.yml` default will pull application images from Docker Hub, if you want to build images from source code, you can comment on the service's image line and un-comment build line.\n\n```yaml\nservices:\n  backend:\n    # image: basicai\u002Fxtreme1-backend\n    build: .\u002Fbackend\n  frontend:\n    # image: basicai\u002Fxtreme1-frontend\n    build: .\u002Ffrontend\n```\n\nThen when you run `docker compose up`, it will first build the `backend` and `frontend` image and start these services. Be sure to run `docker compose build` when code changes, as the up command will only build images when it does not exist.\n\n> You should not commit your change to `docker-compose.yml`, to avoid this, you can copy docker-compose.yml to a new file `docker-compose.develop.yml`, and modify this file as your development needs, as this file is already added into `.gitignore`. And you need to specify this specific file when running Docker Compose commands, such as `docker compose -f docker-compose.develop.yml build`.\n\n# License \nThis software is licensed under the Apache 2.0 LICENSE. Xtreme1 is a trademark of LF AI & Data Foundation.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_577df18433e0.png\" width=\"250\">\n\nXtreme1 is now hosted in [LF AI & Data Foundation](https:\u002F\u002Fmedium.com\u002Fmultisensory-data-training\u002Fxtreme1-the-first-open-source-labeling-annotation-and-visualization-project-is-debuting-at-the-da1d157d1512) as the 1st open source data labeling annotation and visualization project.\n\n\nIf Xtreme1 is part of your development process \u002F project \u002F publication, please cite us ❤️ :\n```bash\n@misc{Xtreme1,\ntitle = {Xtreme1 - The Next GEN Platform For Multisensory Training Data},\nyear = {2023},\nnote = {Software available from https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002F},\nurl={https:\u002F\u002Fxtreme1.io\u002F},\nauthor = {LF AI & Data Foundation},\n}\n```\n","\u003Cdiv align=\"center\">\n\u003Cimg width=\"386\" alt=\"Xtreme1 logo\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_f4055da2b538.png\">\n\n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FRelease-v0.9.1-green) \n![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blueviolet)\n[![Twitter](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFollow-Twitter-blue)](https:\u002F\u002Ftwitter.com\u002FXtreme1io)\n[![Docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-Stable-success.svg?style=flat&longCache=true)](http:\u002F\u002Fdocs.xtreme1.io\u002F) \n\n\u003C\u002Fdiv>\n\n# 简介\n\nXtreme1 是一个面向多模态训练数据的一站式开源平台。\n\nXtreme1 在数据标注、数据整理以及本体管理方面实现了效率的飞跃，助力解决计算机视觉和大型语言模型领域的机器学习挑战。该平台的 AI 驱动工具将您的标注工作提升至全新的效率水平，以前所未有的方式推动您在 2D\u002F3D 物体检测、2D\u002F3D 语义\u002F实例分割以及激光雷达与相机融合等项目中的进展。\n\n如需了解企业版，请点击此处 [🎉 免费申请演示](https:\u002F\u002Fwww.basic.ai\u002Frequest-platform-demo)。\n\n本 README 文档仅包含安装、构建和运行的相关内容。如果您对功能有任何疑问或疑虑，欢迎随时访问我们的 [文档网站](https:\u002F\u002Fdocs.xtreme1.io\u002Fxtreme1-docs\u002F)。\n\n关注我们：[Twitter](https:\u002F\u002Ftwitter.com\u002FXtreme1io) |  [Medium](https:\u002F\u002Fmedium.com\u002Fmultisensory-data-training) | [问题反馈](https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues) \n\n# 核心功能\n\n图像标注（边界框、分割）——[YOLOR](https:\u002F\u002Fgithub.com\u002FWongKinYiu\u002Fyolor) 和 [RITM](https:\u002F\u002Fgithub.com\u002Fsaic-vul\u002Fritm_interactive_segmentation) | 激光雷达-相机融合标注——[OpenPCDet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002FOpenPCDet) 和 [AB3DMOT](https:\u002F\u002Fgithub.com\u002Fxinshuoweng\u002FAB3DMOT)\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_7884e7cb6f53.gif)  |  ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_9e7080c6aeab.gif)\n\n :one: 支持图像、3D 激光雷达以及 2D\u002F3D 传感器融合数据集的数据标注\n \n :two: 内置预标注和交互式模型，支持 2D\u002F3D 物体检测、分割和分类\n \n :three: 可配置的本体中心，提供通用类别（含层级结构）和属性，用于您的模型训练\n\n :four: 数据管理和质量监控\n \n :five: 发现并修复标注错误\n\n :six: 模型结果可视化，帮助您评估模型性能\n \n :seven: 大型语言模型的 RLHF 功能 :new: （测试版）\n\n图像数据整理（可视化与调试）——[MobileNetV3](https:\u002F\u002Fgithub.com\u002Fxiaolai-sqlai\u002Fmobilenetv3) 和 [openTSNE](https:\u002F\u002Fgithub.com\u002Fpavlin-policar\u002FopenTSNE)  | LLM 的 RLHF 标注工具（测试版）\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_eec147e64799.gif) |  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_c3a57134b7de.webp\" width=\"640\"> \n\n# 安装\n\n## 前提条件\n\n*操作系统要求*\n\n任何操作系统均可通过 Docker Compose 安装 Xtreme1 平台（在 Mac、Windows 和 Linux 设备上安装 [Docker Desktop](https:\u002F\u002Fdocs.docker.com\u002Fdesktop\u002F)）。在 Linux 服务器上，您可以使用 [Docker Compose 插件](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002Flinux\u002F) 安装 Docker Engine。\n\n*硬件要求*\n\n**CPU**: AMD64 或 ARM64  \n**内存**: 2GB 或更高  \n**硬盘**: 10GB 以上可用空间（取决于数据量）\n\n*软件要求*\n\n适用于带有桌面环境的 Mac、Windows 和 Linux。\n\n**Docker Desktop**: 4.1 或更高版本\n\n适用于 Linux 服务器。\n\n**Docker Engine**: 20.10 或更高版本  \n**Docker Compose 插件**: 2.0 或更高版本\n\n*内置模型部署要求*\n\n内置模型容器仅可在安装了 [NVIDIA CUDA 驱动程序](https:\u002F\u002Fdocs.nvidia.com\u002Fcuda\u002Fcuda-installation-guide-linux\u002Findex.html) 和 [NVIDIA 容器工具包](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Flatest\u002Findex.html) 的 Linux 服务器上运行。\n\n**GPU**: NVIDIA T4 或其他类似 GPU  \n**内存**: 4GB 或更高\n\n## 使用 Docker 安装\n\n### 下载安装包\n\n下载最新发布的安装包并解压。\n\n```bash\nwget https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Freleases\u002Fdownload\u002Fv0.9.1\u002Fxtreme1-v0.9.1.zip\nunzip -d xtreme1-v0.9.1 xtreme1-v0.9.1.zip\n```\n\n### 启动服务\n\n进入发布包目录，执行以下命令以启动所有服务。初始化数据库并准备测试数据集需要几分钟时间。\n\n```bash\ncd xtreme1-v0.9.1\ndocker compose up\n```\n\n在浏览器中访问 [http:\u002F\u002Flocalhost:8190](http:\u002F\u002Flocalhost:8190) 即可体验 Xtreme1！如果您想从另一台设备访问，可以将 localhost 替换为 IP 地址。\n\nDocker Compose 将从 Docker Hub 拉取所有服务镜像，包括基础服务 `MySQL`、`Redis`、`MinIO` 以及应用服务 `backend`、`frontend`。您可以在 `docker-compose.yml` 中找到访问 MySQL、Redis 和 MinIO 的用户名、密码及端口映射，例如可以通过 http:\u002F\u002Flocalhost:8194 访问 MinIO 控制台。我们使用 Docker 卷来保存数据，因此即使容器被重新创建，数据也不会丢失。\n\nDocker Compose 高级命令：\n\n```bash\n# 在前台启动。\ndocker compose up\n\n# 或者添加 -d 选项在后台运行。\ndocker compose up -d\n\n# 完成后，您可以启动或停止全部或特定服务。\ndocker compose start\ndocker compose stop\n\n# 停止所有服务并删除所有容器，但数据卷会保留。\ndocker compose down\n\n# 警告！删除所有卷。MySQL、Redis 和 MinIO 中的所有数据。\ndocker compose down -v\n```\n\n### 启动内置模型\n\n您需要显式指定模型配置文件才能启用模型服务。\n\n```bash\ndocker compose --profile model up\n```\n\n请确保主机上已安装 [NVIDIA CUDA 驱动程序](https:\u002F\u002Fdocs.nvidia.com\u002Fcuda\u002Fcuda-installation-guide-linux\u002Findex.html) 和 [NVIDIA 容器工具包](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Flatest\u002Findex.html)。\n\n```bash\n# 您需要在 \u002Fetc\u002Fdocker\u002Fdaemon.json 中将 \"default-runtime\" 设置为 \"nvidia\" 并重启 Docker，以启用 NVIDIA 容器工具包。\n{\n  \"runtimes\": {\n    \"nvidia\": {\n      \"path\": \"nvidia-container-runtime\",\n      \"runtimeArgs\": []\n    }\n  },\n  \"default-runtime\": \"nvidia\"\n}\n```\n\n如果您使用的是 **Docker Desktop** + **WSL2.0**，请参考此 [问题 #144](https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F144)。\n\n### 在 ARM CPU 上运行\n\n请注意，某些 Docker 镜像（包括 `MySQL`）可能与 ARM 架构不兼容。如果您的计算机基于 ARM CPU（例如 Apple M1），您可以创建一个名为 docker-compose.override.yml 的 Docker Compose 覆盖文件，并加入以下内容。虽然这种方法使用 QEMU 模拟来强制在 ARM64 平台上使用 ARM64 镜像，但可能会影响性能。\n\n```yaml\nservices:\n  mysql:\n    platform: linux\u002Famd64\n```\n\n## 从源码安装\n\n如果您希望构建或扩展功能，可以下载源代码并在本地运行。\n\n### 启用 Docker BuildKit\n\n我们使用 Docker BuildKit 来加速构建速度，例如在不同构建之间缓存 Maven 和 NPM 包。默认情况下，Docker Desktop 并未启用 BuildKit，你可以按照以下步骤进行启用。更多详细信息，请参阅官方文档 [使用 BuildKit 构建镜像](https:\u002F\u002Fdocs.docker.com\u002Fdevelop\u002Fdevelop-images\u002Fbuild_enhancements\u002F)。\n\n```bash\n# 设置环境变量以仅在本次构建中启用 BuildKit。\nDOCKER_BUILDKIT=1 docker build .\nDOCKER_BUILDKIT=1 docker compose up\n\n# 或者编辑 Docker 守护进程配置文件 daemon.json，以默认启用 BuildKit，内容可以是 '{ \"features\": { \"buildkit\": true } }'。\nvi \u002Fetc\u002Fdocker\u002Fdaemon.json\n\n# 如果遇到与包版本相关的问题，可以清除构建缓存。\ndocker builder prune\n```\n\n### 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbasicai\u002Fxtreme1.git\ncd xtreme1\n```\n\n### 构建镜像并运行服务\n\n`docker-compose.yml` 默认会从 Docker Hub 拉取应用镜像。如果你希望从源代码构建镜像，可以注释掉服务的 `image` 行，并取消注释 `build` 行。\n\n```yaml\nservices:\n  backend:\n    # image: basicai\u002Fxtreme1-backend\n    build: .\u002Fbackend\n  frontend:\n    # image: basicai\u002Fxtreme1-frontend\n    build: .\u002Ffrontend\n```\n\n然后当你运行 `docker compose up` 时，它会先构建 `backend` 和 `frontend` 镜像，并启动这些服务。请务必在代码发生变化时运行 `docker compose build`，因为 `up` 命令只会构建不存在的镜像。\n\n> 不应将更改提交到 `docker-compose.yml` 文件中。为了避免这种情况，可以将 `docker-compose.yml` 复制为一个新的文件 `docker-compose.develop.yml`，并根据开发需求修改该文件；此文件已添加到 `.gitignore` 中。在运行 Docker Compose 命令时，需要指定这个特定文件，例如 `docker compose -f docker-compose.develop.yml build`。\n\n# 许可证\n本软件采用 Apache 2.0 许可证授权。Xtreme1 是 LF AI & Data Foundation 的商标。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_readme_577df18433e0.png\" width=\"250\">\n\nXtreme1 现已托管于 [LF AI & Data Foundation](https:\u002F\u002Fmedium.com\u002Fmultisensory-data-training\u002Fxtreme1-the-first-open-source-labeling-annotation-and-visualization-project-is-debuting-at-the-da1d157d1512)，作为首个开源的数据标注、注释和可视化项目。\n\n\n如果 Xtreme1 是你开发流程、项目或出版物的一部分，请引用我们 ❤️：\n```bash\n@misc{Xtreme1,\ntitle = {Xtreme1 - 多感官训练数据的下一代平台},\nyear = {2023},\nnote = {软件可从 https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002F 获取},\nurl={https:\u002F\u002Fxtreme1.io\u002F},\nauthor = {LF AI & Data Foundation},\n}\n```","# Xtreme1 快速上手指南\n\nXtreme1 是一个开源的多模态训练数据一站式平台，支持图像、3D LiDAR 及传感器融合数据的标注、清洗和本体管理。内置 AI 预标注模型，可显著提升计算机视觉和大语言模型（LLM）项目的数据处理效率。\n\n## 环境准备\n\n### 系统要求\n*   **操作系统**：支持 macOS、Windows 和 Linux。\n    *   桌面端用户推荐安装 **Docker Desktop** (版本 4.1+)。\n    *   Linux 服务器用户需安装 **Docker Engine** (20.10+) 和 **Docker Compose Plugin** (2.0+)。\n*   **硬件配置**：\n    *   **CPU**：AMD64 或 ARM64 架构。\n    *   **内存**：至少 2GB（若启用内置 AI 模型，建议 4GB+ 并配备 NVIDIA GPU）。\n    *   **硬盘**：至少 10GB 可用空间（视数据量而定）。\n\n### 前置依赖\n若需使用内置的预标注模型（如 YOLOR, RITM, OpenPCDet 等），必须满足以下条件：\n*   **操作系统**：仅限 Linux 服务器。\n*   **GPU**：NVIDIA T4 或同等性能显卡。\n*   **驱动与工具**：已安装 [NVIDIA CUDA Driver](https:\u002F\u002Fdocs.nvidia.com\u002Fcuda\u002Fcuda-installation-guide-linux\u002Findex.html) 和 [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Flatest\u002Findex.html)。\n\n> **注意**：若使用 Docker Desktop + WSL2.0 环境，请参考官方 Issue #144 进行额外配置。\n\n## 安装步骤\n\n### 方法一：使用 Docker 快速部署（推荐）\n\n1.  **下载安装包**\n    下载最新 release 包并解压：\n    ```bash\n    wget https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Freleases\u002Fdownload\u002Fv0.9.1\u002Fxtreme1-v0.9.1.zip\n    unzip -d xtreme1-v0.9.1 xtreme1-v0.9.1.zip\n    ```\n\n2.  **启动服务**\n    进入目录并启动所有基础服务（首次运行需几分钟初始化数据库）：\n    ```bash\n    cd xtreme1-v0.9.1\n    docker compose up\n    ```\n    *提示：添加 `-d` 参数可在后台运行 (`docker compose up -d`)。*\n\n3.  **访问平台**\n    在浏览器中访问：\n    `http:\u002F\u002Flocalhost:8190`\n    （若从其他机器访问，请将 `localhost` 替换为服务器 IP）。\n\n4.  **（可选）启用内置 AI 模型**\n    若需使用预标注功能，请确保宿主机已配置好 NVIDIA 环境，然后执行：\n    ```bash\n    docker compose --profile model up\n    ```\n    *配置 NVIDIA 运行时提示*：需在 `\u002Fetc\u002Fdocker\u002Fdaemon.json` 中设置 `\"default-runtime\": \"nvidia\"` 并重启 Docker。\n\n    **ARM 架构用户注意**（如 Apple M1）：\n    部分镜像（如 MySQL）可能不兼容 ARM。需创建 `docker-compose.override.yml` 文件强制使用 amd64 模拟：\n    ```yaml\n    services:\n      mysql:\n        platform: linux\u002Famd64\n    ```\n\n### 方法二：源码编译安装\n\n适用于需要二次开发或扩展功能的用户。\n\n1.  **开启 Docker BuildKit**\n    加速构建过程（缓存 Maven\u002FNPM 包）：\n    ```bash\n    export DOCKER_BUILDKIT=1\n    ```\n    或在 `\u002Fetc\u002Fdocker\u002Fdaemon.json` 中添加 `\"features\": { \"buildkit\": true }`。\n\n2.  **克隆代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fbasicai\u002Fxtreme1.git\n    cd xtreme1\n    ```\n\n3.  **修改构建配置**\n    编辑 `docker-compose.yml`（建议复制为 `docker-compose.develop.yml` 以免提交更改），注释掉 `image` 行，取消注释 `build` 行：\n    ```yaml\n    services:\n      backend:\n        # image: basicai\u002Fxtreme1-backend\n        build: .\u002Fbackend\n      frontend:\n        # image: basicai\u002Fxtreme1-frontend\n        build: .\u002Ffrontend\n    ```\n\n4.  **构建并运行**\n    ```bash\n    docker compose -f docker-compose.develop.yml build\n    docker compose -f docker-compose.develop.yml up\n    ```\n\n## 基本使用\n\n1.  **登录平台**\n    打开浏览器访问 `http:\u002F\u002Flocalhost:8190`。默认安装后通常无需复杂配置即可直接开始使用（具体默认账号密码可查看 `docker-compose.yml` 中的环境变量或使用初始引导流程）。\n\n2.  **创建项目与本体 (Ontology)**\n    *   进入 **Ontology Center**，定义你的类别层级（Classes）和属性（Attributes），例如针对目标检测定义 \"Car\", \"Pedestrian\" 等标签。\n\n3.  **导入数据**\n    *   支持上传图像、3D LiDAR 点云或多传感器融合数据集。\n    *   平台提供数据管理和质量监控功能，可直观查看数据分布。\n\n4.  **开始标注**\n    *   **图像标注**：选择 2D 框（B-box）或分割（Segmentation）工具。利用内置的 **YOLOR** 或 **RITM** 模型进行智能预标注，人工只需微调即可。\n    *   **3D\u002F融合标注**：针对 LiDAR-Camera 融合数据，使用 **OpenPCDet** 等模型辅助进行 3D 目标检测和跟踪标注。\n    *   **LLM 标注 (Beta)**：若需进行大语言模型的 RLHF（人类反馈强化学习）标注，可切换至对应的标注模式。\n\n5.  **模型评估与导出**\n    *   标注完成后，可可视化模型结果以评估效果。\n    *   发现标注错误可直接在平台上修正。\n    *   导出数据集用于后续模型训练。\n\n> 更多详细功能说明（如高级配置、API 使用等），请访问官方文档站点：[https:\u002F\u002Fdocs.xtreme1.io\u002F](https:\u002F\u002Fdocs.xtreme1.io\u002F)","某自动驾驶初创团队正急需构建一套高精度的多传感器融合数据集，以训练能在复杂城市路况下准确识别行人和车辆的感知模型。\n\n### 没有 xtreme1 时\n- **工具割裂效率低**：标注团队需分别在 2D 图像工具和 3D 点云软件间切换，无法在同一界面进行 LiDAR 与摄像头的联合标注，导致数据对齐耗时极长。\n- **纯人工标注成本高**：缺乏预标注模型支持，标注员必须手动逐帧绘制包围盒和分割掩码，处理海量路测数据时人力成本居高不下。\n- **类别管理混乱**：随着场景增加，物体类别（如“施工车辆”、“夜间行人”）及其属性定义在多个表格中分散管理，极易出现标准不一致导致的模型训练偏差。\n- **质量排查困难**：难以快速定位标注错误，往往要等到模型训练效果不佳时，才通过回溯发现是数据标注层面的问题，迭代周期被大幅拉长。\n\n### 使用 xtreme1 后\n- **一站式融合标注**：利用 xtreme1 的 LiDAR-camera 融合功能，标注员可在同一视图下同步完成 3D 点云与 2D 图像的关联标注，数据对齐效率提升数倍。\n- **AI 辅助自动化**：内置的 YOLOR 和 RITM 模型提供智能预标注，自动勾勒出物体轮廓，人工仅需微调，将单帧标注时间从分钟级缩短至秒级。\n- **统一本体中心**：通过可配置的本体中心，团队能集中管理带有层级关系的类别树和属性标签，确保所有标注员遵循同一套严格标准。\n- **可视化质检闭环**：借助模型结果可视化和错误查找功能，团队能即时发现并修复标注瑕疵，在数据进入训练前即可把控质量，显著加速模型迭代。\n\nxtreme1 通过打通多模态数据标注的全流程并引入 AI 辅助，将原本松散低效的数据准备环节转变为自动化、标准化的核心竞争力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxtreme1-io_xtreme1_9e7080c6.gif","xtreme1-io","Xtreme1","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxtreme1-io_01cb4206.png","The Next GEN Platform for Multisensory Training Data. Xtreme1 is hosted in incubation in LF AI & Data Foundation. ",null,"info@lfaidata.foundation","Xtreme1io","https:\u002F\u002Fgithub.com\u002Fxtreme1-io",[84,88,92,96,100,104,108,112,116],{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",35.5,{"name":89,"color":90,"percentage":91},"Vue","#41b883",26.2,{"name":93,"color":94,"percentage":95},"JavaScript","#f1e05a",22.3,{"name":97,"color":98,"percentage":99},"Java","#b07219",11.4,{"name":101,"color":102,"percentage":103},"HTML","#e34c26",2.7,{"name":105,"color":106,"percentage":107},"Less","#1d365d",1.3,{"name":109,"color":110,"percentage":111},"CSS","#663399",0.6,{"name":113,"color":114,"percentage":115},"Dockerfile","#384d54",0,{"name":117,"color":118,"percentage":115},"Shell","#89e051",1176,203,"2026-04-04T18:28:06","Apache-2.0","Linux, macOS, Windows","基础运行无需 GPU；若启用内置预标注模型（Built-in Models），则必须配备 NVIDIA GPU（如 T4 或类似型号），需安装 NVIDIA CUDA Driver 和 NVIDIA Container Toolkit，显存需求未明确具体数值但建议 RAM 4GB+（针对模型容器环境）","最低 2GB（基础平台）；4GB 或更高（启用内置模型时）",{"notes":127,"python":128,"dependencies":129},"1. 该平台主要通过 Docker Compose 部署，支持所有主流操作系统的基础安装。\n2. 仅在需要运行内置的 AI 预标注模型（如 YOLOR, RITM, OpenPCDet 等）时，才强制要求 Linux 服务器环境及 NVIDIA GPU 支持。\n3. ARM 架构设备（如 Apple M1）运行时，部分服务（如 MySQL）可能需要通过 QEMU 模拟 amd64 架构，可能会影响性能。\n4. 数据通过 Docker Volume 持久化存储，删除容器不会丢失数据，但使用 'docker compose down -v' 会清除所有数据。","未说明",[130,131,132,133,134,135,136],"Docker Desktop >= 4.1 (Mac\u002FWin\u002FLinux 桌面)","Docker Engine >= 20.10 (Linux 服务器)","Docker Compose Plugin >= 2.0","MySQL","Redis","MinIO","NVIDIA Container Toolkit (仅模型服务)",[14,37,34],[139,140,141,142,143,144,145,146,147,148,149,150,151,152,153],"annotation-tool","annotation","computer-vision","image-annotation","image-classification","image-labelling-tool","labeling-tool","3d-annotation","point-cloud","rlhf","multimodal","lidar-camera-fusion","lidar-object-detection","lidar-object-tracking","lidar-annotation","2026-03-27T02:49:30.150509","2026-04-06T07:13:44.920426",[157,162,167,172,177,182],{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},17570,"如何导入预标注数据并正确绑定类别 ID？","请参考官方文档中的数据导出\u002F导入说明。导入时，JSON 文件应包含 `result.objects` 数组，每个对象需明确指定 `classType`（类名）和属性。例如：\n```json\n{\n    \"result\": {\n        \"objects\": [\n            {\n                \"center3D\": {\"x\": -20.86, \"y\": 3.07, \"z\": 0.92},\n                \"size3D\": {\"x\": 4.21, \"y\": 1.85, \"z\": 1.67},\n                \"rotation3D\": {\"x\": 0, \"y\": 0, \"z\": 0.057},\n                \"objType\": \"3d\",\n                \"classType\": \"Vehicle\"\n            }\n        ]\n    }\n}\n```\n确保 `classType` 与项目中的类别名称完全匹配。如果仍有问题，建议联系支持团队或检查在线版文档示例。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F85",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},17571,"本地部署时登录和注册请求出现 401 错误怎么办？","这通常是由于 Vite 代理配置不当导致的。请修改 `vite.config.ts` 文件，将动态加载的 proxy 配置改为静态配置，并确保 `.env.development` 中的路径正确。\n\n修改 `vite.config.ts` 如下：\n```ts\nserver: {\n  host: true,\n  port: VITE_PORT,\n  proxy: {\n    '\u002Fapi': {\n      target: 'http:\u002F\u002Flocalhost:8080',\n      changeOrigin: true,\n      rewrite: (path) => path.replace(\u002F^\\\u002Fapi\u002F, '')\n    },\n    '\u002Fupload': {\n      target: 'http:\u002F\u002Flocalhost:8080',\n      changeOrigin: true,\n      rewrite: (path) => path.replace(\u002F^\\\u002Fupload\u002F, '')\n    }\n  }\n}\n```\n同时检查 `.env.development` 文件，确保代理地址指向正确的后端端口（如 8080）。修改后重启前端服务即可解决。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F272",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},17572,"社区版是否支持标签复制或多帧跟踪功能？","目前社区版（本地部署版）暂不支持自动对象跟踪（Tracking）功能，该功能较为复杂且依赖检测模型先行调用，计划在未来简化后开放自定义。但您可以手动复制标签到下一帧作为变通方案。云端版本已支持此功能。如需进一步了解模型请求格式或开发进度，可参考开发者文档或关注后续更新。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F221",{"id":173,"question_zh":174,"answer_zh":175,"source_url":176},17573,"标注时出现\"Model Run Error\"错误如何解决？","该错误通常由本地 Docker 网络或容器状态异常引起。建议执行以下命令清理并重新安装：\n```bash\ndocker compose down -v\n```\n注意：此命令会删除所有卷数据，请提前备份重要数据。清理完成后，按照官方文档重新通过 Docker 安装：https:\u002F\u002Fdocs.xtreme1.io\u002Fxtreme1-docs\u002Fget-started\u002Finstall-with-docker\n若问题仍存在，可能是模型服务未正常启动，可检查容器日志或联系支持团队获取帮助。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F127",{"id":178,"question_zh":179,"answer_zh":180,"source_url":181},17574,"运行模型时出现\"CUDA error: no kernel image is available\"错误怎么办？","此错误是由于 PyTorch 版本与 GPU 架构不匹配导致。例如，默认镜像中的 `torch==1.10.1+cu102` 仅支持 sm_70，而 RTX 3090 需要 sm_86。\n\n解决方案是自定义构建 Docker 镜像：\n1. 克隆点云检测仓库：`git clone https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fpoint-cloud-object-detection.git`\n2. 进入基础镜像目录：`cd point-cloud-object-detection\u002Fbase-image`\n3. 修改 `Dockerfile`，将第一行改为支持更高 CUDA 版本的基础镜像，例如：\n```dockerfile\nFROM nvidia\u002Fcuda:11.5.2-cudnn8-devel-ubuntu20.04\n```\n4. 在 `docker-compose.yml` 中指定构建目录为上述路径，然后运行 `docker compose build` 重新构建镜像。\n这样可确保生成的镜像兼容您的 GPU 架构。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F73",{"id":183,"question_zh":184,"answer_zh":185,"source_url":186},17575,"是否支持激光雷达点分割和投影到图像视图的功能？","目前 Xtreme1 尚未开源逐点激光雷达分割（如笔刷工具或 3D 多边形标注）以及将分割掩码投影到图像视图的功能。虽然社区有强烈需求，但由于人力限制，原计划开源 90% SaaS 工具集的方案已暂时搁置。未来可能会逐步加入语义分割等相关功能，建议关注官方路线图或参与社区讨论以获取最新进展。","https:\u002F\u002Fgithub.com\u002Fxtreme1-io\u002Fxtreme1\u002Fissues\u002F186",[188,193,198,203,208,213,218,223,228,233,238,243,248,253,258],{"id":189,"version":190,"summary_zh":191,"released_at":192},107856,"v0.9.1","一些错误修复和优化。\n\n1. [修复 #216] 2D 辅助线及点云 RGB 支持。\n5. [修复 #223] 请求 URI 过大。\n6. [修复 #240] 上传数据集时 TempDataId 重复。\n7. [修复 #234] 提交时数据的 AnnotationStatus 不会改变。\n2. 将 Nginx 的请求体大小限制提高至 1TB。\n3. 上传文件时不再将全部内容加载到浏览器内存中。","2024-04-23T07:19:12",{"id":194,"version":195,"summary_zh":196,"released_at":197},107857,"v0.9","1. 一个全新重写的图像标注工具；\r\n2. 支持图像的连续帧标注；\r\n3. 若干小功能优化；","2024-02-28T03:02:17",{"id":199,"version":200,"summary_zh":201,"released_at":202},107858,"v0.8.1","1. 修复场景上传错误。2. 自定义 MySQL 配置，以支持 1GB 的数据包。","2024-02-04T07:47:32",{"id":204,"version":205,"summary_zh":206,"released_at":207},107859,"v0.8","1. 点云数据帧（场景）标注：通过 zip 压缩包将数据帧上传至数据集，并在标注工具中进行标注；\r\n2. 调整数据集 zip 包的目录结构，使其与 BasicAI Cloud 保持一致；\r\n3. 修复若干 bug；","2023-12-27T09:37:09",{"id":209,"version":210,"summary_zh":211,"released_at":212},107860,"v0.7.3","1. 在 Docker Compose 中将所有模型服务的镜像拉取策略设置为 Always，以避免镜像缓存。 2. 更新了一些相关文档。","2023-11-16T10:14:39",{"id":214,"version":215,"summary_zh":216,"released_at":217},107861,"v0.7.2","1. 修复了图像目标检测模型中类别缺失的问题；\r\n2. 修复了点云工具登录状态异常的问题；\r\n3. 优化了文档。","2023-10-09T06:32:00",{"id":219,"version":220,"summary_zh":221,"released_at":222},107862,"v0.7.1","修复 bug\n\n1. 修复了导入类后导出时无类的问题；\n2. 修复了 MinIO 预签名地址校验失败的问题；\n3. 修复了 URL 中出现中文字符的问题；\n4. 修复了数据结果，并添加 classID；\n5. 修复了文本数据集加载的 bug；\n6. 修复了通过 URL 上传的功能。","2023-05-16T02:44:47",{"id":224,"version":225,"summary_zh":226,"released_at":227},107863,"v0.7.0","发布 v0.7.0\n\n有哪些新功能？\n\n多轮对话标注是指对两人或多人之间的对话进行多次迭代或轮次的标注过程。在这一过程中，每完成一轮对话的标注后，都会先对标注结果进行审查，并在必要时进行修正，然后再进入下一轮标注。这种迭代式的标注方法通常用于处理复杂或细微的对话，这些对话需要仔细的分析和解读。通过多轮对话标注，标注人员可以在进入后续轮次之前回顾并修正自己的工作，从而有助于确保数据质量和准确性。此外，它还有助于提高标注者之间的一致性，减少最终标注数据集中的错误和不一致性。\n\n**多轮对话标注**\n* 新增数据类别——文本支持\n* 允许用户上传文本数据集\n* 新的缩略图和界面样式\n\n![0 7](https:\u002F\u002Fuser-images.githubusercontent.com\u002F84139543\u002F235170423-b38b0650-a1b5-46a1-a16e-36f81df348ed.png)\n\n这仍然是针对大语言模型的文本标注的早期版本。\n示例数据集可[在此下载](https:\u002F\u002Fapp.box.com\u002Fs\u002Fv97k7rlrs8oxhz12iz3f3qcgr3p5vukc)。","2023-04-28T11:54:57",{"id":229,"version":230,"summary_zh":231,"released_at":232},107864,"v0.6.1","在 v0.6.1 版本中，修复了多个 bug：\n\n1. 修复了 COCO 格式及结果的导入导出 bug；\n2. 修复了数据列表中的数据重复问题；\n3. 修复了导出类别 ID 缺失的 bug；\n4. 点击“文档”按钮可跳转到新页面；\n5. 修复了保存点云结果时出现的错误。","2023-04-25T06:22:43",{"id":234,"version":235,"summary_zh":236,"released_at":237},107865,"v0.6.0","发布 v0.6.0\n\n# 新特性\n## 1. 模型集成\n为了使用户对自己的模型拥有更多控制权，我们新增了创建、编辑、搜索和删除模型的功能。通过此功能，用户可以管理模型的基本信息、类别、配置详情，并在数据集上运行模型。\n更多信息请参阅我们的模型集成指南：\nhttps:\u002F\u002Fdocs.xtreme1.io\u002Fxtreme1-docs\u002Fdeveloper-reference\u002Fmodel-integration-guide\n\n## 2. 数据导入与导出功能增强\n数据导入：\n- 支持在3D数据集中导入预标注数据集。\n注：目前仅支持导入类别名称，属性和全局分类暂不支持。\n\n数据导出：\n- 可直接导出为COCO格式。\n- 导出数据时可应用筛选条件。\n\n## 3. 图像相似度图优化\n- 优化了算法。\n- 在图像相似度图中选择多个目标后，可跳转至数据标签页以查找对应图像。\n\n## 4. 新增数据集划分功能\n在模型训练的数据准备过程中，可将数据直接划分为训练集、测试集和验证集三个子数据集。\n\n\n# 变更与错误修复\n- 优化了预览图像的清晰度，包括在数据集和场景搜索中。\n- 更改了场景搜索中搜索框的样式。\n- 修复了在某些情况下无法计算结果的问题。\n\n一如既往，如果您有任何反馈或改进建议，请随时告知我们。","2023-04-10T03:04:19",{"id":239,"version":240,"summary_zh":241,"released_at":242},107866,"v0.5.6","1. Fix scenario searching problem;\r\n2. Disable sql logs by default, add request logs;\r\n3. Optimize image similarity map display.\r\n4. Lazy load dataset images.","2023-03-03T13:48:01",{"id":244,"version":245,"summary_zh":246,"released_at":247},107867,"v0.5.5","Xtreme1 v0.5.5 is released with New Ontology Center and 3D Data Visualization Features.\r\n\r\n# New feature\r\n## Dataset\r\nAdd preview annotation objects feature\r\nSupport Coco format upload\u002Fexport\r\nAdd scenario Search by classes\r\nAdd scenario search filter by classifications\r\nAdd Dataset Overview page\r\nAdd Similarity Map\r\n\r\n## Dataset-Ontology\r\nSupport CRUD Class & Classifications\r\nSupport to save to ontology center\r\nSupport copy from ontology center\r\nSupport to import\u002Fexport Json\r\n\r\n## Ontology Center\r\nAdd scenario search feature\r\nSupport to CRUD Ontology \r\nSupport to CRUD Classes & Classifications (including Push to all)\r\nSupport to import\u002Fexport Json\r\n\r\n## API\r\nSupport API\r\nAdd API page\r\nAdd API docs\r\n\r\n# Changes\r\nChanged Output format\r\nChanged Xtreme1 Logo","2022-12-26T03:24:14",{"id":249,"version":250,"summary_zh":251,"released_at":252},107868,"v0.5.2","Fix uploading fail when dataset with pre-labeling json result, report by issue #52 .\r\nFix data duplication when uploading, report by issue #51 .","2022-10-26T08:32:37",{"id":254,"version":255,"summary_zh":256,"released_at":257},107869,"v0.5.1","Improve the model service and solve some problems","2022-09-23T09:17:53",{"id":259,"version":260,"summary_zh":261,"released_at":262},107870,"v0.5","First release.","2022-09-15T07:22:16"]