[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yeephycho--tensorflow-face-detection":3,"tool-yeephycho--tensorflow-face-detection":61},[4,18,26,36,44,53],{"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":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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[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},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",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":142},4288,"yeephycho\u002Ftensorflow-face-detection","tensorflow-face-detection","A mobilenet SSD based face detector, powered by tensorflow object detection api, trained by WIDERFACE dataset.","tensorflow-face-detection 是一款基于 TensorFlow 对象检测 API 构建的高效人脸检测开源项目。它采用轻量级的 MobileNet SSD 架构，并利用经过人工清洗和平衡优化的 WIDERFACE 数据集进行训练，旨在解决复杂场景下人脸检测的精度与速度平衡难题。\n\n该工具特别适合计算机视觉开发者、算法研究人员以及需要快速部署人脸检测功能的技术团队使用。其核心优势在于卓越的性能表现：在 NVIDIA GTX1080 GPU 上运行速度可达 60fps，且单次推理仅需不到 364MB 显存，极大地降低了硬件门槛。此外，它具备出色的鲁棒性，能够适应各种姿态的人脸检测，并支持多进程并行处理，允许单张显卡同时处理多路视频流而保持高效运转。\n\n项目提供了预训练模型及详细的调用脚本，用户只需简单配置即可对本地视频文件或 USB 摄像头进行实时人脸检测。作为一款成熟的基础组件，其模型已被整合进更深层的视频分析系统中，是构建智能监控、视频内容分析等应用的理想起点。","# Tensorflow Face Detector\nA mobilenet SSD(single shot multibox detector) based face detector with pretrained model provided, powered by tensorflow [object detection api](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fobject_detection), trained by [WIDERFACE dataset](http:\u002F\u002Fshuoyang1213.me\u002FWIDERFACE\u002F).\n\n## Features\nSpeed, run 60fps on a nvidia GTX1080 GPU.\n\nMemory, requires less than 364Mb GPU memory for single inference.\n\nRobust, adapt to different poses, this feature is credit to [WIDERFACE dataset](http:\u002F\u002Fmmlab.ie.cuhk.edu.hk\u002Fprojects\u002FWIDERFace\u002F), I manually cleaned the dataset to balance the precision and recall trade off.\n\nParallel, multiple process video processing, can inference multiple input simultaneously, I tested to process 4 videos on a single GPU card at the same time, the speed is still competitive, and there's still room to accommodate more processes.\n\n![Parallel data processing](https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fblob\u002Fmaster\u002Fres\u002Fparallel-processes.png?raw=true \"Show result\")\n\n## Dependencies\nTensorflow > 1.2\n\nTensorflow object detection api (Please follow the official installation instruction, otherwise, I cannot guarantee that you can run the code)\n\nOpenCV python\n\n## Usage\n### Effect\nClick [Youtube](https:\u002F\u002Fyoutu.be\u002Fgw4CVz7SPEs) to view the effect or [Youku](http:\u002F\u002Fv.youku.com\u002Fv_show\u002Fid_XMzE2MDc0NzcyNA==.html?spm=a2h3j.8428770.3416059.1).\n\n### Prepare pre-trained model\nClick [here](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B5ttP5kO_loUdWZWZVVrN2VmWFk) to download the pre-trained model from google drive.\nPut the model under the model folder.\n\n### Prepare video\nPut your test video (mp4 format) under the media folder, rename it as test.mp4.\n\n### Run video detection\nAt the source root\n```bash\npython inference_video_face.py\n```\nAfter finished the processing, find the output video at media folder.\n\n\n### Run detection from usb camera\n\nYou can see how this face detection works with your web camera.\n```\nusage:inference_usbCam_face.py (cameraID | filename)\n```\n\nHere is an example to use usb camera with cameraID=0.\n\n```bash\npython inference_usbCam_face.py 0\n```\n\nNote: this script does not save video.\n\n\n\n### Known Issue\n\nPlease view that issue [here](https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F5) if your output video is blank. A brief reminder is: check the input codec and check the input\u002Foutput resolution, since this part is irrelevant to the algorithm, no modification will be made to master branch.\n\n\n\n\n### Further\nThe model released by this repo. has already been merged into Deep Video Analytics \u002F Visual Data Network.\n\nPlease click the following link for more applications.\n\n[1] https:\u002F\u002Fwww.deepvideoanalytics.com\n[2] https:\u002F\u002Fgithub.com\u002FVisualDataNetwork\u002Froot\n\n## License\nUsage of the code and model by yeephycho is under the license of Apache 2.0.\n\nThe code is based on GOOGLE tensorflow object detection api. Please refer to the license of tensorflow.\n\nDataset is based on WIDERFACE dataset. Please refer to the license to the WIDERFACE license.\n","# TensorFlow 人脸检测器\n基于 MobileNet SSD（单次多框检测器）的人脸检测器，提供预训练模型，由 TensorFlow [目标检测 API](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fobject_detection) 提供支持，并使用 [WIDERFACE 数据集](http:\u002F\u002Fshuoyang1213.me\u002FWIDERFACE\u002F) 进行训练。\n\n## 特性\n- **速度**：在 NVIDIA GTX1080 GPU 上可达到 60 帧\u002F秒。\n- **内存占用**：单次推理所需显存低于 364MB。\n- **鲁棒性**：能够适应不同姿态的人脸，这一特性得益于 [WIDERFACE 数据集](http:\u002F\u002Fmmlab.ie.cuhk.edu.hk\u002Fprojects\u002FWIDERFace\u002F)。我手动对数据集进行了清洗，以平衡精确率与召回率之间的权衡。\n- **并行处理**：支持多进程视频处理，可同时对多个输入进行推理。我测试过在一张 GPU 卡上同时处理 4 个视频，速度依然具有竞争力，并且还有进一步扩展的空间。\n\n![并行数据处理](https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fblob\u002Fmaster\u002Fres\u002Fparallel-processes.png?raw=true \"显示结果\")\n\n## 依赖项\n- TensorFlow > 1.2\n- TensorFlow 目标检测 API（请按照官方安装说明进行操作，否则无法保证代码正常运行）\n- OpenCV Python\n\n## 使用方法\n### 效果展示\n点击 [Youtube](https:\u002F\u002Fyoutu.be\u002Fgw4CVz7SPEs) 查看效果，或访问 [优酷](http:\u002F\u002Fv.youku.com\u002Fv_show\u002Fid_XMzE2MDc0NzcyNA==.html?spm=a2h3j.8428770.3416059.1)。\n\n### 准备预训练模型\n点击 [这里](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B5ttP5kO_loUdWZWZVVrN2VmWFk) 从 Google Drive 下载预训练模型，并将其放置在 `model` 文件夹中。\n\n### 准备视频\n将待测试的视频（MP4 格式）放入 `media` 文件夹，并重命名为 `test.mp4`。\n\n### 运行视频检测\n在项目根目录下执行：\n```bash\npython inference_video_face.py\n```\n处理完成后，可在 `media` 文件夹中找到输出视频。\n\n### 从 USB 摄像头进行检测\n您也可以通过网络摄像头体验本检测器的效果：\n```bash\nusage:inference_usbCam_face.py (cameraID | filename)\n```\n\n以下是一个使用 USB 摄像头的例子，其中 `cameraID=0`：\n```bash\npython inference_usbCam_face.py 0\n```\n\n注意：该脚本不会保存视频。\n\n### 已知问题\n如果输出视频为空，请查看此问题 [这里](https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F5)。简要提示：请检查输入编解码器以及输入和输出分辨率，因为这部分与算法无关，主分支不会对此进行修改。\n\n### 更多信息\n本仓库发布的模型已集成到 Deep Video Analytics \u002F Visual Data Network 中。\n\n更多应用请访问以下链接：\n[1] https:\u002F\u002Fwww.deepvideoanalytics.com\n[2] https:\u002F\u002Fgithub.com\u002FVisualDataNetwork\u002Froot\n\n## 许可证\nyeephycho 对代码和模型的使用受 Apache 2.0 许可证约束。\n\n代码基于 GOOGLE TensorFlow 目标检测 API，具体许可协议请参考 TensorFlow 的许可证。\n\n数据集基于 WIDERFACE 数据集，具体许可协议请参考 WIDERFACE 的许可证。","# tensorflow-face-detection 快速上手指南\n\n基于 TensorFlow Object Detection API 的轻量级人脸检测工具，采用 MobileNet SSD 架构，在 WIDERFACE 数据集上训练。具备高速度（GTX1080 可达 60fps）、低显存占用及多进程并行处理能力。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **GPU**：推荐 NVIDIA GPU（需支持 CUDA），CPU 亦可运行但速度较慢\n- **Python 版本**：兼容 Python 2.7 或 3.x（取决于 TensorFlow 版本）\n\n### 前置依赖\n请确保已安装以下核心依赖：\n1. **TensorFlow**：版本 > 1.2\n2. **TensorFlow Object Detection API**：必须严格按照官方文档完成编译与配置（否则无法运行）。\n   - 官方安装指引：[GitHub - models\u002Fresearch\u002Fobject_detection](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fmodels\u002Ftree\u002Fmaster\u002Fresearch\u002Fobject_detection)\n   - *国内加速建议*：安装 Python 包时推荐使用清华源或阿里源，例如：\n     ```bash\n     pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n     ```\n3. **OpenCV (Python 版)**：用于视频读写与图像处理\n   ```bash\n   pip install opencv-python\n   ```\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection.git\n   cd tensorflow-face-detection\n   ```\n\n2. **下载预训练模型**\n   - 访问 [Google Drive 链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B5ttP5kO_loUdWZWZVVrN2VmWFk) 下载模型文件。\n   - *注*：若下载缓慢，可尝试使用第三方 Google Drive 下载加速工具。\n   - 将下载的模型文件夹解压并放置于项目根目录下的 `model` 文件夹中。\n\n3. **验证环境**\n   确保 `tensorflow` 和 `cv2` 模块可正常导入，且 Object Detection API 已正确添加到 `PYTHONPATH`。\n\n## 基本使用\n\n### 场景一：检测本地视频文件\n\n1. **准备视频**\n   将待测试的视频文件（mp4 格式）放入项目根目录的 `media` 文件夹，并重命名为 `test.mp4`。\n   ```bash\n   # 示例：将你的视频移动并重命名\n   mv \u002Fpath\u002Fto\u002Fyour\u002Fvideo.mp4 media\u002Ftest.mp4\n   ```\n\n2. **运行检测**\n   在项目根目录执行以下命令：\n   ```bash\n   python inference_video_face.py\n   ```\n\n3. **查看结果**\n   处理完成后，检测结果视频将保存在 `media` 文件夹中。\n\n### 场景二：实时 USB 摄像头检测\n\n直接调用脚本并传入摄像头 ID（通常内置摄像头为 0）：\n\n```bash\npython inference_usbCam_face.py 0\n```\n\n*注意：此脚本仅用于实时预览，不会保存输出视频文件。*","某智慧社区安防团队需要升级现有监控系统，使其能自动统计早晚高峰时段小区出入口的人流量并识别异常聚集情况。\n\n### 没有 tensorflow-face-detection 时\n- **检测速度慢且延迟高**：传统算法在高清视频流上运行帧率极低，无法达到实时监控所需的 60fps，导致人流统计严重滞后。\n- **硬件资源占用过大**：旧模型单次推理需占用大量显存，单张显卡仅能处理一路视频，若要覆盖多个摄像头需采购昂贵服务器集群。\n- **复杂场景漏检率高**：面对行人低头、侧脸或遮挡等多变姿态时，原有系统频繁漏检，导致统计数据失真，无法准确反映真实人流。\n- **扩展性差**：系统架构不支持多进程并行处理，增加监控点位意味着线性增加硬件成本，难以灵活扩容。\n\n### 使用 tensorflow-face-detection 后\n- **实时流畅检测**：基于 Mobilenet SSD 架构，在 GTX1080 GPU 上轻松跑满 60fps，实现视频流零延迟的实时人脸捕捉与分析。\n- **极致显存优化**：单次推理显存占用低于 364MB，单张显卡即可同时并行处理 4 路以上高清视频，大幅降低硬件部署成本。\n- **高鲁棒性适应多变姿态**：得益于 WIDERFACE 数据集的深度训练与清洗，即使行人处于大角度侧脸或部分遮挡状态，也能保持高精度召回。\n- **高效并行架构**：原生支持多进程视频处理，轻松应对多摄像头并发输入，为后续增加监控点位预留了充足的算力空间。\n\ntensorflow-face-detection 通过轻量级模型与高效的并行处理能力，以极低的硬件成本实现了高精度、实时的多路人脸检测，让大规模智能视频监控落地变得经济可行。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyeephycho_tensorflow-face-detection_6db3aca4.png","yeephycho","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyeephycho_86aa9c74.jpg","Machine learning, heterogeneous computing and chip design.","Hisilicon","Hong Kong","huyixuanhyx@gmail.com",null,"yeephycho.github.io","https:\u002F\u002Fgithub.com\u002Fyeephycho",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,775,260,"2026-01-01T13:44:23","Apache-2.0",4,"","需要 NVIDIA GPU（测试环境为 GTX1080），单次推理显存需求小于 364MB，未说明具体 CUDA 版本","未说明",{"notes":95,"python":93,"dependencies":96},"必须严格按照官方文档安装 Tensorflow Object Detection API，否则无法保证代码运行。若输出视频为空白，需检查输入编解码器及输入\u002F输出分辨率。支持多进程并行处理视频流。需手动下载预训练模型并放置于 model 文件夹。",[97,98,99],"tensorflow>1.2","tensorflow object detection api","opencv-python",[15,14],[102,103,104,105,106,107,108],"face","detection","tensorflow","ssd","mobilenet","object-detection","widerface","2026-03-27T02:49:30.150509","2026-04-06T15:54:53.253474",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},19521,"如何在 Android 上部署模型时解决 TFLite 缓冲区大小不匹配导致的崩溃问题？","这是因为演示模型默认使用 300x300x3 的输入尺寸，而该人脸检测模型期望的输入尺寸为 512x512x3。解决方法是修改 Android 演示代码中的 `TF_OD_API_INPUT_SIZE` 变量，将其从默认的 300 改为 512。具体文件路径通常为 `tensorflow\u002Fexamples\u002Fandroid\u002Fsrc\u002Forg\u002Ftensorflow\u002Fdemo\u002FDetectorActivity.java`。","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F54",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},19522,"运行脚本后输出视频为空白或无法显示帧，如何解决？","通常是因为输出视频的维度与输入视频不一致，或者编解码器不支持。请确保：1. 输出视频帧的宽高 (w,h) 与输入视频完全相同；2. 系统支持所使用的编解码器（如 XVID, MJPG）；3. 输出文件扩展名（如 .avi）被系统支持。在 Ubuntu 上，使用 AVI 格式和 XVID 编解码器通常可以直接工作。示例代码：\n```python\nif out is None:\n    [h, w] = image.shape[:2]\n    fps=8\n    fourcc = cv2.VideoWriter_fourcc(*'XVID')\n    out = cv2.VideoWriter('.\u002Fmedia\u002Ftest_out.avi', fourcc, fps, (w, h))\n```","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},19523,"训练或评估时出现 'no ground truth in the following classes' 警告怎么办？","可以忽略该标签编号警告，或者将配置文件中的标签编号更改为你喜欢的任何数字。这通常不影响模型的实际训练和推理效果。","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F3",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},19524,"该项目的人脸检测模型是基于哪个版本的 SSD 或 MobileNet 训练的？","该模型是基于 MobileNet V1 架构训练的。","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F13",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},19525,"如何将冻结的 .pb 模型转换为 Google CloudML 支持的 SavedModel 格式？","需要使用 TensorFlow 的 `simple_save` 功能进行转换。参考代码如下：\n```python\nimport tensorflow as tf\nfrom tensorflow.python.saved_model.simple_save import simple_save\n\nPATH_TO_CKPT = '..\u002Ftf_model\u002Ffrozen_inference_graph_face.pb'\n\ndetection_graph = tf.Graph()\nwith detection_graph.as_default():\n    od_graph_def = tf.GraphDef()\n    with tf.gfile.GFile(PATH_TO_CKPT, 'rb') as fid:\n        serialized_graph = fid.read()\n        od_graph_def.ParseFromString(serialized_graph)\n        tf.import_graph_def(od_graph_def, name='')\n\n        with tf.Session(graph=detection_graph) as sess:\n            # 获取输入输出张量\n            image_tensor = detection_graph.get_tensor_by_name('image_tensor:0')\n            boxes = detection_graph.get_tensor_by_name('detection_boxes:0')\n            # 继续获取其他必要张量并调用 simple_save 保存\n            # simple_save(sess, export_dir, inputs, outputs)\n```","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F30",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},19526,"是否有该模型的详细训练代码或脚本提供？","维护者表示已经丢失了所有的训练脚本，因此无法提供原始的训练代码。如果用户遇到性能问题，社区建议可以尝试其他基于 YOLO 架构并在 WIDER 数据集上训练的轻量级模型（如 faced）作为替代方案。","https:\u002F\u002Fgithub.com\u002Fyeephycho\u002Ftensorflow-face-detection\u002Fissues\u002F33",[]]