[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yizt--cv-papers":3,"tool-yizt--cv-papers":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":82,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":95,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":107},3971,"yizt\u002Fcv-papers","cv-papers","计算机视觉相关论文整理、记录、分享;  包括图像分类、目标检测、视觉跟踪\u002F目标跟踪、人脸识别\u002F人脸验证、OCR\u002F场景文本检测及识别等领域。欢迎加星,欢迎指正错误,同时也期待能够共同参与！！! 持续更新中... ...","cv-papers 是一个专注于计算机视觉领域的开源论文知识库，致力于对海量学术成果进行系统的整理、翻译、记录与分享。它涵盖了图像分类、目标检测（如 R-CNN 系列、YOLO、SSD）、人脸识别、视觉跟踪、OCR 场景文本识别以及医学影像分析等核心方向，并附带了基础网络架构解析及相关数学定理证明。\n\n面对计算机视觉领域论文更新快、数量庞大且部分原文阅读门槛高的问题，cv-papers 通过结构化的分类梳理和本地化的中文解读，帮助使用者快速定位经典与前沿算法，降低理解复杂模型的技术成本。项目特别优化了本地阅读体验，建议用户克隆仓库后使用 Markdown 编辑器查看，以完美呈现目录导航与数学公式。\n\n该资源非常适合人工智能研究人员、算法工程师、深度学习开发者以及相关专业的学生使用。无论是需要追踪最新技术动态的科研人员，还是希望夯实理论基础的开发从业者，都能从中高效获取经过筛选和整理的干货内容。此外，作为一个持续更新的社区驱动项目，它也欢迎各界人士共同参与纠错与补充，促进知识的开放共享与交流。","# cv-papers\n计算机视觉相关论文整理、翻译、记录、分享;\n\n包括图像分类、目标检测、视觉跟踪\u002F目标跟踪、人脸识别\u002F人脸验证、OCR\u002F场景文本检测、识别等领域。\n\n欢迎加星, 欢迎提问，欢迎指正错误, 同时也期待能够共同参与;长沙的朋友欢迎线下交流\n\n持续更新中... ...\n\n\n\n## 基础网络\n\n[ResNeXt](ResNeXt.md)\n\n[DenseNet](NenseNet.md)\n\n\n\n## 目标检测\n\n### R-CNN 系列\n\n\u003Ca href='R-CNN.md'>R-CNN\u003C\u002Fa>\n\n\u003Ca href='Fast R-CNN.md'>Fast R-CNN\u003C\u002Fa>\n\n\u003Ca href='Faster R-CNN.md'>Faster R-CNN\u003C\u002Fa>\n\n\u003Ca href='FPN.md'>FPN\u003C\u002Fa>\n\n\u003Ca href='Mask R-CNN.md'>Mask R-CNN\u003C\u002Fa>\n\n\u003Ca href='R-FCN.md'>R-FCN\u003C\u002Fa>\n\nR-FCN-3000\n\n\u003Ca href='Cascade R-CNN.md'>Cascade R-CNN\u003C\u002Fa>\n\n### YOLO\n\n\u003Ca href='YOLO.md'>yolo v1 \u003C\u002Fa>\n\n\u003Ca href='YOLO 9000.md'>yolo 9000\u003C\u002Fa>\n\nyolo v3\n\n### SSD\n\n\u003Ca href='SSD.md'>SSD\u003C\u002Fa>\n\nDSSD\n\n### 其它\n\n\u003Ca href='AttractioNet.md'>AttractioNet\u003C\u002Fa>\n\nG-CNN\n\n\u003Ca href='RetinaNet.md'>RetinaNet\u003C\u002Fa>\n\n\n\n## 语义分割\n\nFCIS\n\nYOLACT\n\n\n\n## 人脸识别\n\n\u003Ca href='FaceNet.md'>FaceNet\u003C\u002Fa>\n\n\n\n## 视觉跟踪\n\nOnline Object Tracking: A Benchmark\n\n\u003Ca href='FCNT.md'>FCNT\u003C\u002Fa>\n\n\u003Ca href='GOTURN.md'>GOTURN\u003C\u002Fa>\n\nC-COT\n\nSiameseFC\n\n\n\n## ocr\u002F场景文本检测\n\n\u003Ca href='CRNN.md'>CRNN\u003C\u002Fa>\n\n\u003Ca href='CTPN.md'>CTPN\u003C\u002Fa>\n\n\n\n## 医学影像相关\n\n\u003Ca href='DeepLung.md'>DeepLung\u003C\u002Fa>\n\n\n\n## 依赖知识点\n\n\u003Ca href='Hammersley-Clifford定理证明.md'>Hammersley-Clifford定理证明\u003C\u002Fa>\n\n\n\n附：\u003Ca href='计算机视觉经典论文地址汇总.md'>计算机视觉经典论文地址汇总\u003C\u002Fa>\n\n\n\n\n\n## 阅读说明\n\n​        由于github对markdown 目录结构以及数据公式支持不好,请git clone 本仓库到本地，然后使用markdown阅读器(如：Typora等)进行阅读及编辑，效果如下：\n\na) 目录效果\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_f5139c2c42e7.jpg)\n\n\n\nb) 公式效果\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_32da5bbed79e.jpg)\n\n\n\n\n\n## 关于我们\n\n我司正招聘文本挖掘、计算机视觉、\t嵌入式算法等相关人员，欢迎加入我们；也欢迎与我们在线沟通任何关于数据挖掘、计算机视觉及深度学习相关理论及技术；或探讨智能制造、AI在工业中的应用等相关话题。\n\n在长沙的朋友也可以线下交流, 坐标: 中电软件园10栋4楼\n\n公司网址：http:\u002F\u002Fwww.zvalley.com\u002F\n\nEmail: mick.yi@zoomlion.com\n\n微信:![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_a9da5dcf2582.jpg)\n\n\n\n","# cv-papers\n计算机视觉相关论文整理、翻译、记录、分享；\n\n包括图像分类、目标检测、视觉跟踪\u002F目标跟踪、人脸识别\u002F人脸验证、OCR\u002F场景文本检测、识别等领域。\n\n欢迎加星, 欢迎提问，欢迎指正错误, 同时也期待能够共同参与;长沙的朋友欢迎线下交流\n\n持续更新中... ...\n\n\n\n## 基础网络\n\n[ResNeXt](ResNeXt.md)\n\n[DenseNet](NenseNet.md)\n\n\n\n## 目标检测\n\n### R-CNN 系列\n\n\u003Ca href='R-CNN.md'>R-CNN\u003C\u002Fa>\n\n\u003Ca href='Fast R-CNN.md'>Fast R-CNN\u003C\u002Fa>\n\n\u003Ca href='Faster R-CNN.md'>Faster R-CNN\u003C\u002Fa>\n\n\u003Ca href='FPN.md'>FPN\u003C\u002Fa>\n\n\u003Ca href='Mask R-CNN.md'>Mask R-CNN\u003C\u002Fa>\n\n\u003Ca href='R-FCN.md'>R-FCN\u003C\u002Fa>\n\nR-FCN-3000\n\n\u003Ca href='Cascade R-CNN.md'>Cascade R-CNN\u003C\u002Fa>\n\n### YOLO\n\n\u003Ca href='YOLO.md'>yolo v1 \u003C\u002Fa>\n\n\u003Ca href='YOLO 9000.md'>yolo 9000\u003C\u002Fa>\n\nyolo v3\n\n### SSD\n\n\u003Ca href='SSD.md'>SSD\u003C\u002Fa>\n\nDSSD\n\n### 其它\n\n\u003Ca href='AttractioNet.md'>AttractioNet\u003C\u002Fa>\n\nG-CNN\n\n\u003Ca href='RetinaNet.md'>RetinaNet\u003C\u002Fa>\n\n\n\n## 语义分割\n\nFCIS\n\nYOLACT\n\n\n\n## 人脸识别\n\n\u003Ca href='FaceNet.md'>FaceNet\u003C\u002Fa>\n\n\n\n## 视觉跟踪\n\nOnline Object Tracking: A Benchmark\n\n\u003Ca href='FCNT.md'>FCNT\u003C\u002Fa>\n\n\u003Ca href='GOTURN.md'>GOTURN\u003C\u002Fa>\n\nC-COT\n\nSiameseFC\n\n\n\n## ocr\u002F场景文本检测\n\n\u003Ca href='CRNN.md'>CRNN\u003C\u002Fa>\n\n\u003Ca href='CTPN.md'>CTPN\u003C\u002Fa>\n\n\n\n## 医学影像相关\n\n\u003Ca href='DeepLung.md'>DeepLung\u003C\u002Fa>\n\n\n\n## 依赖知识点\n\n\u003Ca href='Hammersley-Clifford定理证明.md'>Hammersley-Clifford定理证明\u003C\u002Fa>\n\n\n\n附：\u003Ca href='计算机视觉经典论文地址汇总.md'>计算机视觉经典论文地址汇总\u003C\u002Fa>\n\n\n\n\n\n## 阅读说明\n\n​        由于github对markdown 目录结构以及数据公式支持不好,请git clone 本仓库到本地，然后使用markdown阅读器(如：Typora等)进行阅读及编辑，效果如下：\n\na) 目录效果\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_f5139c2c42e7.jpg)\n\n\n\nb) 公式效果\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_32da5bbed79e.jpg)\n\n\n\n\n\n## 关于我们\n\n我司正招聘文本挖掘、计算机视觉、\t嵌入式算法等相关人员，欢迎加入我们；也欢迎与我们在线沟通任何关于数据挖掘、计算机视觉及深度学习相关理论及技术；或探讨智能制造、AI在工业中的应用等相关话题。\n\n在长沙的朋友也可以线下交流, 坐标: 中电软件园10栋4楼\n\n公司网址：http:\u002F\u002Fwww.zvalley.com\u002F\n\nEmail: mick.yi@zoomlion.com\n\n微信:![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_readme_a9da5dcf2582.jpg)","# cv-papers 快速上手指南\n\n`cv-papers` 是一个计算机视觉领域的论文整理、翻译与分享仓库，涵盖图像分类、目标检测、人脸识别、OCR 及医学影像等方向。由于该仓库主要为 Markdown 文档集合，不支持 GitHub 在线渲染数学公式和目录结构，**强烈建议克隆到本地使用专业阅读器查看**。\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **前置依赖**：\n  - `git`：用于克隆代码仓库\n  - **Markdown 阅读器**（必需）：推荐使用 **Typora**、VS Code (配合 Markdown Preview Enhanced 插件) 或 Obsidian，以完美支持目录导航和 LaTeX 数学公式渲染。\n\n## 安装步骤\n\n1. 打开终端或命令行工具。\n2. 执行以下命令克隆仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzhulei227\u002Fcv-papers.git\n```\n\n> **提示**：如果在国内访问 GitHub 速度较慢，可配置国内镜像源或使用加速代理，例如：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fzhulei227\u002Fcv-papers.git\n> ```\n> *(注：若官方未提供 Gitee 镜像，请使用标准地址并配合网络加速工具)*\n\n3. 进入项目目录：\n\n```bash\ncd cv-papers\n```\n\n## 基本使用\n\n1. **启动阅读器**：\n   打开你安装的 Markdown 编辑器（如 Typora）。\n\n2. **打开入口文件**：\n   在编辑器中打开项目根目录下的 `README.md` 文件。\n\n3. **浏览内容**：\n   - 利用左侧生成的**目录树**快速跳转至感兴趣的主题（如“目标检测”、“人脸识别”等）。\n   - 点击文中的超链接（如 `[ResNeXt](ResNeXt.md)`）即可在编辑器内直接打开对应的论文笔记详情页。\n   - 查看包含数学公式的推导部分，确保公式渲染正常（如下所示效果）：\n     $$ E(x) = \\sum_{c \\in C} \\phi_c(x_c) $$\n\n4. **进阶操作**：\n   - 如需修改或补充笔记，可直接在编辑器中编辑 `.md` 文件并保存。\n   - 参考根目录下的 `计算机视觉经典论文地址汇总.md` 获取原始论文下载链接。","某工业质检团队的算法工程师正在为新一代生产线研发高精度缺陷检测系统，急需快速复现并改进现有的目标检测模型。\n\n### 没有 cv-papers 时\n- **检索效率低下**：需要在 arXiv、Google Scholar 等多个平台反复搜索 R-CNN、YOLO 或 SSD 等经典论文的原始链接，耗时且容易遗漏关键版本。\n- **理论复现困难**：面对复杂的数学公式和网络结构（如 FPN 的特征金字塔或 Mask R-CNN 的掩码分支），缺乏清晰的中文解读和本地可渲染的公式展示，理解门槛极高。\n- **知识体系碎片化**：图像分类、目标检测、OCR 等领域的论文分散各处，难以建立从基础网络（如 ResNeXt）到具体应用（如场景文本检测）的完整技术脉络。\n- **协作沟通成本高**：团队成员对同一篇论文的理解存在偏差，缺乏统一的参考文档作为讨论基准，导致技术方案评审时争论不休。\n\n### 使用 cv-papers 后\n- **一站式获取资源**：直接通过 cv-papers 的目录索引，秒级定位到 YOLO v3、Cascade R-CNN 等特定模型的详细笔记与原文地址，大幅缩短调研周期。\n- **深度理解加速**：利用本地 Markdown 阅读器查看 cv-papers 中完美渲染的数学公式和结构化笔记，快速吃透 DeepLung 或 CRNN 等模型的核心原理。\n- **构建系统认知**：依托 cv-papers 按领域（如视觉跟踪、人脸识别）整理的知识树，迅速梳理出适合工业缺陷检测的技术演进路线，避免盲目试错。\n- **统一团队语言**：将 cv-papers 作为团队内部的标准参考资料，确保所有人对算法细节的理解一致，显著提升了技术方案的对齐效率和落地速度。\n\ncv-papers 通过将分散的计算机视觉论文转化为结构化、可读性强的本地知识库，成为算法团队从理论调研到工程落地的强力加速器。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyizt_cv-papers_14d47b81.png","yizt","mick.yi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyizt_bede3fa4.png","keyword:算法、机器人","zoomlion","ChangSha","csuyzt@163.com",null,"https:\u002F\u002Fgithub.com\u002Fyizt",1075,255,"2026-04-03T02:39:37","Apache-2.0",1,"","未说明",{"notes":92,"python":90,"dependencies":93},"该项目为计算机视觉论文整理、翻译及笔记仓库，主要包含 Markdown 文档和数学公式，不涉及代码运行环境。README 建议将仓库克隆到本地，并使用支持目录结构和公式渲染的 Markdown 阅读器（如 Typora）进行查看，以获得最佳阅读体验。",[],[13,14],[96,97,98,67,99,100,101,102,103],"yolo","ssd","insightface","r-cnn","retinanet","deep-learning","faster-rcnn","machine-learning","2026-03-27T02:49:30.150509","2026-04-06T07:12:38.484246",[],[]]