[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zhangxiaosong18--FreeAnchor":3,"tool-zhangxiaosong18--FreeAnchor":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":79,"owner_twitter":79,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":102,"env_deps":104,"category_tags":110,"github_topics":111,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":118,"updated_at":119,"faqs":120,"releases":161},2763,"zhangxiaosong18\u002FFreeAnchor","FreeAnchor","FreeAnchor: Learning to Match Anchors for Visual Object Detection (NeurIPS 2019)","FreeAnchor 是一款专为视觉目标检测任务设计的开源算法，曾发表于神经信息处理系统大会（NeurIPS 2019）。在传统检测方法中，模型通常依赖人工预设的规则来匹配“锚框”（预定义的候选区域）与真实物体，这种固定策略往往限制了模型的精度上限。FreeAnchor 的核心突破在于将这一匹配过程转化为可学习的任务：它不再死板地遵循人为规则，而是让网络在训练中自动寻找最优的锚框匹配策略，从而显著提升了检测的准确性和鲁棒性。\n\n该工具基于 maskrcnn-benchmark 框架开发，并已被集成到流行的 MMDetection 库中，提供了包括 ResNet 和 ResNeXt 在内的多种骨干网络配置及预训练模型。实验数据显示，在标准的 COCO 数据集上，FreeAnchor 结合多尺度测试等技术，能取得极具竞争力的平均精度（AP）表现。\n\nFreeAnchor 非常适合计算机视觉领域的研究人员、算法工程师以及深度学习开发者使用。如果你正在探索如何突破现有目标检测模型的性能瓶颈，或者希望深入理解端到端学习在样本匹配中的应用，FreeAnchor 提供了一个成熟且高效的参考实现。虽然","FreeAnchor 是一款专为视觉目标检测任务设计的开源算法，曾发表于神经信息处理系统大会（NeurIPS 2019）。在传统检测方法中，模型通常依赖人工预设的规则来匹配“锚框”（预定义的候选区域）与真实物体，这种固定策略往往限制了模型的精度上限。FreeAnchor 的核心突破在于将这一匹配过程转化为可学习的任务：它不再死板地遵循人为规则，而是让网络在训练中自动寻找最优的锚框匹配策略，从而显著提升了检测的准确性和鲁棒性。\n\n该工具基于 maskrcnn-benchmark 框架开发，并已被集成到流行的 MMDetection 库中，提供了包括 ResNet 和 ResNeXt 在内的多种骨干网络配置及预训练模型。实验数据显示，在标准的 COCO 数据集上，FreeAnchor 结合多尺度测试等技术，能取得极具竞争力的平均精度（AP）表现。\n\nFreeAnchor 非常适合计算机视觉领域的研究人员、算法工程师以及深度学习开发者使用。如果你正在探索如何突破现有目标检测模型的性能瓶颈，或者希望深入理解端到端学习在样本匹配中的应用，FreeAnchor 提供了一个成熟且高效的参考实现。虽然它主要面向具备一定编程和算法基础的专业人士，但其清晰的代码结构和详细的文档也降低了复现前沿论文的门槛。","## FreeAnchor\n\nThe Code for [\"FreeAnchor: Learning to Match Anchors for Visual Object Detection\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.02466).\n\nThis repository is based on maskrcnn-benchmark, and FreeAnchor has also been implemented in [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection), thanks [@yhcao6](https:\u002F\u002Fgithub.com\u002Fyhcao6) and [@hellock](https:\u002F\u002Fgithub.com\u002Fhellock).\n\n![architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhangxiaosong18_FreeAnchor_readme_096befd363fc.png)\n\n### New performance on COCO\nWe added multi-scale testing support and updated experiments. The previous version is in [this branch](https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Ftree\u002Fprevious). \n\n| Backbone        | Iteration | Training scales | Multi-scale\u003Cbr>testing | AP\u003Cbr>(minival) | AP\u003Cbr>(test-dev) | Model      |\n| :-------------------: | :-------: | :-------------: | :--------------: | :-------------: | :--------------: | :--------: |\n| ResNet-50-FPN         | 90k       | 800             | N                | 38.7            | 38.7             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1o-VvpOIwYCPxyas8n6OngpOznlVy0T6k )                                                      |\n| ResNet-101-FPN        | 90k       | 800             | N                | 40.5            | 40.9             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1jc5ncxuuuG3-sm-4OpkOfr51ClwCWHu0 )                                                      |\n| ResNet-101-FPN        | 180k      | [640, 800]      | N                | 42.7            | 43.1             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1OvK8Xona8v7mWU2nf5Fp1QzvwUaFhlIg )                                                      |\n| ResNet-101-FPN        | 180k      | [480, 960]      | N                | 43.2            | 43.9             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ZIx2HTexVyU6xTwAm2ABTYjsJuLvlfhB )                                                      |\n| ResNet-101-FPN        | 180k      | [480, 960]      | Y                | 44.7            | 45.2             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ZIx2HTexVyU6xTwAm2ABTYjsJuLvlfhB )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [640, 800]      | N                | 44.5            | 44.9             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1MrtXoBGHceq_BBY5cH-kw2ax5-aDPdTv )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [480, 960]      | N                | 45.6            | 46.0             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1r17agiu76xtwKxn2oE_pK4R847k-Cu5m )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [480, 960]      | Y                | 46.8            | 47.3             | [Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1r17agiu76xtwKxn2oE_pK4R847k-Cu5m )                                                      |\n\n**Notes:**\n\n- We use 8 GPUs with 2 image \u002F GPU. \n- In multi-scale testing, we use image scales in {480, 640, 800, 960, 1120, 1280} and max_size are 1.666× than scales. \n\n\n## Installation \nCheck [INSTALL.md](INSTALL.md) for installation instructions.\n\n## Usage\nYou will need to download the COCO dataset and configure your own paths to the datasets.\n\nFor that, all you need to do is to modify `maskrcnn_benchmark\u002Fconfig\u002Fpaths_catalog.py` to point to the location where your dataset is stored.\n\n#### Config Files\nWe provide four configuration files in the configs directory.\n\n| Config File                               | Backbone                | Iteration | Training scales |\n| :---------------------------------------: | :---------------------: | :-------: | :-------------: |\n| configs\u002Ffree_anchor_R-50-FPN_1x.yaml      | ResNet-50-FPN           | 90k       | 800             | \n| configs\u002Ffree_anchor_R-101-FPN_1x.yaml     | ResNet-101-FPN          | 90k       | 800             |\n| configs\u002Ffree_anchor_R-101-FPN_j2x.yaml    | ResNet-101-FPN          | 180k      | [640, 800]      |\n| configs\u002Ffree_anchor_X-101-FPN_j2x.yaml    | ResNeXt-64x4d-101-FPN   | 180k      | [640, 800]      |\n| configs\u002Ffree_anchor_R-101-FPN_e2x.yaml    | ResNet-101-FPN          | 180k      | [480, 960]      |\n| configs\u002Ffree_anchor_X-101-FPN_e2x.yaml    | ResNeXt-64x4d-101-FPN   | 180k      | [480, 960]      |\n\n#### Training with 8 GPUs\n\n```bash\ncd path_to_free_anchor\nexport NGPUS=8\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftrain_net.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\"\n```\n\n#### Test on COCO test-dev\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftest_net.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n#### Multi-scale testing\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Fmulti_scale_test.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n#### Evaluate NMS Recall\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Feval_NR.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\"\n```\n\n## Citations\nPlease consider citing our paper in your publications if the project helps your research.\n```\n@inproceedings{zhang2019freeanchor,\n  title   =  {{FreeAnchor}: Learning to Match Anchors for Visual Object Detection},\n  author  =  {Zhang, Xiaosong and Wan, Fang and Liu, Chang and Ji, Rongrong and Ye, Qixiang},\n  booktitle =  {Neural Information Processing Systems},\n  year    =  {2019}\n}\n```\n\n","## FreeAnchor\n\n用于 [\"FreeAnchor: 学习为视觉目标检测匹配锚框\"](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.02466) 的代码。\n\n本仓库基于 maskrcnn-benchmark，同时 FreeAnchor 也已在 [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection) 中实现，感谢 [@yhcao6](https:\u002F\u002Fgithub.com\u002Fyhcao6) 和 [@hellock](https:\u002F\u002Fgithub.com\u002Fhellock)。\n\n![architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhangxiaosong18_FreeAnchor_readme_096befd363fc.png)\n\n### COCO 数据集上的新性能\n我们增加了多尺度测试支持并更新了实验结果。之前的版本请参见 [此分支](https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Ftree\u002Fprevious)。\n\n| 主干网络        | 迭代次数 | 训练尺度 | 多尺度\u003Cbr>测试 | AP\u003Cbr>(minival) | AP\u003Cbr>(test-dev) | 模型      |\n| :-------------------: | :-------: | :-------------: | :--------------: | :-------------: | :--------------: | :--------: |\n| ResNet-50-FPN         | 90k       | 800             | 否                | 38.7            | 38.7             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1o-VvpOIwYCPxyas8n6OngpOznlVy0T6k )                                                      |\n| ResNet-101-FPN        | 90k       | 800             | 否                | 40.5            | 40.9             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1jc5ncxuuuG3-sm-4OpkOfr51ClwCWHu0 )                                                      |\n| ResNet-101-FPN        | 180k      | [640, 800]      | 否                | 42.7            | 43.1             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1OvK8Xona8v7mWU2nf5Fp1QzvwUaFhlIg )                                                      |\n| ResNet-101-FPN        | 180k      | [480, 960]      | 否                | 43.2            | 43.9             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ZIx2HTexVyU6xTwAm2ABTYjsJuLvlfhB )                                                      |\n| ResNet-101-FPN        | 180k      | [480, 960]      | 是                | 44.7            | 45.2             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ZIx2HTexVyU6xTwAm2ABTYjsJuLvlfhB )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [640, 800]      | 否                | 44.5            | 44.9             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1MrtXoBGHceq_BBY5cH-kw2ax5-aDPdTv )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [480, 960]      | 否                | 45.6            | 46.0             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1r17agiu76xtwKxn2oE_pK4R847k-Cu5m )                                                      |\n| ResNeXt-64x4d-101-FPN | 180k      | [480, 960]      | 是                | 46.8            | 47.3             | [链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1r17agiu76xtwKxn2oE_pK4R847k-Cu5m )                                                      |\n\n**注：**\n\n- 我们使用 8 张 GPU 卡，每张卡处理 2 张图像。\n- 在多尺度测试中，我们使用 {480, 640, 800, 960, 1120, 1280} 的图像尺度，且最大尺寸是尺度的 1.666 倍。\n\n\n## 安装 \n请查看 [INSTALL.md](INSTALL.md) 获取安装说明。\n\n## 使用方法\n您需要下载 COCO 数据集，并配置您自己的数据集路径。\n\n为此，只需修改 `maskrcnn_benchmark\u002Fconfig\u002Fpaths_catalog.py` 文件，使其指向您的数据集存储位置。\n\n#### 配置文件\n我们在 configs 目录中提供了四份配置文件。\n\n| 配置文件                               | 主干网络                | 迭代次数 | 训练尺度 |\n| :---------------------------------------: | :---------------------: | :-------: | :-------------: |\n| configs\u002Ffree_anchor_R-50-FPN_1x.yaml      | ResNet-50-FPN           | 90k       | 800             | \n| configs\u002Ffree_anchor_R-101-FPN_1x.yaml     | ResNet-101-FPN          | 90k       | 800             |\n| configs\u002Ffree_anchor_R-101-FPN_j2x.yaml    | ResNet-101-FPN          | 180k      | [640, 800]      |\n| configs\u002Ffree_anchor_X-101-FPN_j2x.yaml    | ResNeXt-64x4d-101-FPN   | 180k      | [640, 800]      |\n| configs\u002Ffree_anchor_R-101-FPN_e2x.yaml    | ResNet-101-FPN          | 180k      | [480, 960]      |\n| configs\u002Ffree_anchor_X-101-FPN_e2x.yaml    | ResNeXt-64x4d-101-FPN   | 180k      | [480, 960]      |\n\n#### 使用 8 张 GPU 卡进行训练\n\n```bash\ncd path_to_free_anchor\nexport NGPUS=8\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftrain_net.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\"\n```\n\n#### 在 COCO test-dev 上进行测试\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftest_net.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n#### 多尺度测试\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Fmulti_scale_test.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n#### 评估 NMS 召回率\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Feval_NR.py --config-file \"path\u002Fto\u002Fconfig\u002Ffile.yaml\" MODEL.WEIGHT \"path\u002Fto\u002F.pth file\"\n```\n\n## 引用 \n如果本项目对您的研究有所帮助，请在您的出版物中引用我们的论文。\n```\n@inproceedings{zhang2019freeanchor,\n  title   =  {{FreeAnchor}: Learning to Match Anchors for Visual Object Detection},\n  author  =  {Zhang, Xiaosong and Wan, Fang and Liu, Chang and Ji, Rongrong and Ye, Qixiang},\n  booktitle =  {Neural Information Processing Systems},\n  year    =  {2019}\n}\n```","# FreeAnchor 快速上手指南\n\nFreeAnchor 是一种用于视觉目标检测的锚框匹配学习算法，基于 `maskrcnn-benchmark` 框架实现。本指南将帮助你快速在本地环境中部署并运行该模型。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 16.04\u002F18.04)\n*   **Python**: 3.6 或更高版本\n*   **PyTorch**: 1.0+ (需与 CUDA 版本匹配)\n*   **CUDA**: 9.0 或更高版本 (用于 GPU 加速)\n*   **前置依赖**:\n    *   torchvision\n    *   cocoapi (COCO 数据集接口)\n    *   yacs\n    *   opencv-python\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包的安装，例如：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n本项目基于 `maskrcnn-benchmark`，请按照以下步骤进行安装：\n\n1.  **克隆代码仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor.git\n    cd FreeAnchor\n    ```\n\n2.  **安装核心依赖**\n    请参考项目根目录下的 `INSTALL.md` 文件执行具体的环境配置命令。通常包含安装 PyTorch、编译 CUDA 扩展以及安装 COCO API 等步骤。\n    \n    *通用安装流程参考（具体请以 INSTALL.md 为准）：*\n    ```bash\n    # 安装基础依赖\n    pip install -r requirements.txt\n    \n    # 安装 COCO API\n    git clone https:\u002F\u002Fgithub.com\u002Fcocodataset\u002Fcocoapi.git\n    cd cocoapi\u002FPythonAPI\n    python setup.py build_ext install\n    cd ..\u002F..\u002F\n    \n    # 编译 maskrcnn_benchmark 扩展\n    python setup.py build develop\n    ```\n\n3.  **配置数据集路径**\n    下载 COCO 数据集后，需要修改配置文件以指向你的数据存放位置。\n    编辑 `maskrcnn_benchmark\u002Fconfig\u002Fpaths_catalog.py` 文件，将 `DATA_DIR` 或其他相关路径变量修改为你本地的数据集绝对路径。\n\n## 基本使用\n\n以下是最简单的训练和测试示例。假设你已准备好 8 张 GPU 卡（若显卡数量不同，请调整 `NGPUS` 变量）。\n\n### 1. 模型训练\n\n选择一个配置文件（例如使用 ResNet-50 骨干网络的配置），启动分布式训练：\n\n```bash\ncd path_to_free_anchor\nexport NGPUS=8\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftrain_net.py --config-file \"configs\u002Ffree_anchor_R-50-FPN_1x.yaml\"\n```\n\n*   **配置文件说明**：\n    *   `configs\u002Ffree_anchor_R-50-FPN_1x.yaml`: ResNet-50, 90k 迭代\n    *   `configs\u002Ffree_anchor_R-101-FPN_1x.yaml`: ResNet-101, 90k 迭代\n    *   `configs\u002Ffree_anchor_R-101-FPN_j2x.yaml`: ResNet-101, 180k 迭代，多尺度训练 [640, 800]\n\n### 2. 模型测试\n\n训练完成后，使用生成的权重文件在 COCO test-dev 集上进行评估：\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Ftest_net.py --config-file \"configs\u002Ffree_anchor_R-50-FPN_1x.yaml\" MODEL.WEIGHT \"path\u002Fto\u002Fyour_model.pth\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n### 3. 多尺度测试（可选）\n\n为了获得更高的检测精度（AP），可以启用多尺度测试：\n\n```bash\ncd path_to_free_anchor\npython -m torch.distributed.launch --nproc_per_node=$NGPUS tools\u002Fmulti_scale_test.py --config-file \"configs\u002Ffree_anchor_R-50-FPN_1x.yaml\" MODEL.WEIGHT \"path\u002Fto\u002Fyour_model.pth\" DATASETS.TEST \"('coco_test-dev',)\"\n```\n\n> **注意**：多尺度测试默认使用的图像尺度集合为 `{480, 640, 800, 960, 1120, 1280}`。","某自动驾驶团队正在开发城市道路感知系统，需利用视觉目标检测算法实时识别行人、车辆及交通标志，以保障行车安全。\n\n### 没有 FreeAnchor 时\n- **锚框匹配僵化**：传统方法依赖人工设定的 IoU 阈值来匹配锚框与真实目标，难以适应道路上大小差异极大的物体（如远处的行人与近处的卡车）。\n- **小目标漏检严重**：固定规则导致密集场景下的小目标（如远距离交通锥）无法被有效分配正样本，造成高频漏检。\n- **调参成本高昂**：工程师需花费大量时间针对不同路况手动调整锚框尺寸和匹配阈值，且往往顾此失彼，难以达到全局最优。\n- **检测精度瓶颈**：在复杂光照和遮挡条件下，模型平均精度（AP）停滞不前，无法满足 L4 级自动驾驶对安全性的严苛要求。\n\n### 使用 FreeAnchor 后\n- **自适应学习匹配**：FreeAnchor 将锚框匹配转化为概率学习问题，让模型自动根据数据特征学习最佳匹配策略，无需人工设定死板阈值。\n- **显著提升小目标检出率**：通过最大化似然估计，模型能更敏锐地捕捉多尺度特征，大幅减少了对远处行人和小型障碍物的漏检。\n- **降低工程调优难度**：算法端到端地优化匹配过程，消除了繁琐的超参数搜索环节，使团队能更专注于数据清洗与模型架构创新。\n- **突破精度上限**：在 COCO 数据集验证中，结合多尺度测试，ResNeXt 主干网络的 AP 提升至 47.3%，显著增强了系统在极端路况下的鲁棒性。\n\nFreeAnchor 通过将硬性的锚框匹配规则转化为可学习的概率分布，从根本上解决了目标检测中样本分配不均的难题，让感知系统更智能、更精准。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhangxiaosong18_FreeAnchor_0d8f1b62.png","zhangxiaosong18","Xiaosong Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzhangxiaosong18_10730cf8.jpg",null,"Tencent","Beijing, China","https:\u002F\u002Fzhangxiaosong18.github.io","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18",[85,89,93],{"name":86,"color":87,"percentage":88},"Python","#3572A5",86.4,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",8.3,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",5.3,673,109,"2026-03-05T07:28:44","MIT",4,"未说明","必需 NVIDIA GPU，实验使用 8 张显卡（每张卡处理 2 张图像），具体型号和显存大小未说明，需支持 CUDA",{"notes":105,"python":102,"dependencies":106},"该工具基于 maskrcnn-benchmark 框架。官方实验环境配置为 8 张 GPU，每张 GPU 批次大小为 2。使用前需下载 COCO 数据集并修改配置文件中的路径。支持多尺度测试以提升性能。",[107,108,109],"maskrcnn-benchmark","torch","mmdetection (可选实现)",[14,13],[112,113,114,115,116,117],"freeanchor","object-detection","one-stage","pytorch","computer-vision","neurips-2019","2026-03-27T02:49:30.150509","2026-04-06T07:15:07.066488",[121,126,131,136,141,146,151,156],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},12781,"运行 demo\u002Fwebcam.py 时 CPU 占用率过高怎么办？","该问题通常是因为代码在循环中未正确释放资源或处理逻辑导致。虽然具体修复代码未在评论中详细列出，但维护者已确认并检查了该问题。建议用户拉取最新的主分支代码（master branch），因为维护者通常会在此类问题确认后提交修复补丁。如果问题依旧，请尝试将输入改为单张图片测试以排查是否为实时流处理逻辑导致的死循环或资源堆积。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F21",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},12782,"训练时报错 'dimension specified as 0 but tensor has no dimensions' 或 IndexError 如何解决？","这是因为代码试图加载分割掩码（segmentation mask），但当前数据集或配置并不需要它。解决方法是修改 `maskrcnn_benchmark\u002Fdata\u002Fdatasets\u002Fcoco.py` 文件，删除或注释掉第 51 至 53 行。具体代码如下：\n# to remove segmentation mask\n# masks = [obj[\"segmentation\"] for obj in anno]\n# masks = SegmentationMask(masks, img.size)\n# target.add_field(\"masks\", masks)\n维护者已将此修复合并到主分支，更新代码即可解决。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F8",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},12783,"支持使用自己的数据集进行训练吗？需要掩码（mask）标注吗？","支持使用自定义数据集训练。不需要掩码（mask）标注，仅需边界框（bounding boxes）即可。你需要将自己的数据集转换为 COCO 格式，然后即可使用该代码库进行训练。该项目支持多 GPU 训练。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F2",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},12784,"必须安装 maskrcnn-benchmark 环境才能使用 FreeAnchor 吗？","不一定。虽然原始代码基于 maskrcnn-benchmark，但作者指出也可以使用 MMDetection 代码库来实现 FreeAnchor 算法。建议查看项目 GitHub 页面的第一段说明，其中提供了相关指引和替代方案的链接。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F22",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},12785,"在 minival 数据集上训练的 mAP 只有 38.2 左右，性能差距大是否正常？","这是正常现象。在 minival 集合上的性能表现本身就不太稳定，通常波动范围在 38.4 到 38.7 之间。如果你想要更准确评估模型性能，建议在 test-dev 集合上进行评估，那里的结果会更加稳定和具有代表性。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F19",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},12786,"FreeAnchor 论文中的 Loss 部分，为什么可以用 Mean-max(X) 和 FL(p) 替代？","1. Mean-max 是一种选择机制，用于替换学习目标中的 max 操作。它在训练初期能提供更平滑的梯度，而最终的学习目标等价于 max。\n2. FL(p) 即 Focal Loss，这里用来替换 -log(1 - p) 的交叉熵损失，主要目的是解决训练过程中负样本过多的问题。目前暂无详细的数学推导过程公开，主要是基于实验效果的有效替换。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F17",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},12787,"训练几个 epoch 后出现 'CUDA error: an illegal memory access was encountered' 错误怎么办？","日志中第一行显示 'out of memory'，这通常是导致后续非法内存访问的根本原因。尽管调整每张 GPU 的图片数量（image\u002Fgpu）或减少每张图的 gtBoxes 可能无效，但这很可能是一个 PyTorch 本身的 Bug 或与显存管理有关。建议尝试：\n1. 进一步减小 batch size。\n2. 升级或降级 PyTorch 版本以避开已知 Bug。\n3. 设置环境变量 `CUDA_LAUNCH_BLOCKING=1` 有助于定位具体出错算子，但未必能直接解决崩溃问题。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F16",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},12788,"导入模块时出现 'import _c error' 或 'undefined symbol' 错误如何解决？","这通常是由于编译生成的 C++ 扩展库（_C.cpython-xxx.so）与当前安装的 PyTorch 或 CUDA 版本不兼容导致的符号未定义错误。虽然具体解决步骤在评论中未详述（用户仅表示已解决），但通用的解决方法是：\n1. 清理之前的编译文件：运行 `python setup.py clean` 或删除 `build` 文件夹。\n2. 确保 PyTorch 版本与 CUDA 版本严格匹配。\n3. 重新编译安装：`python setup.py build develop`。\n确保遵循 install.md 中的环境依赖要求。","https:\u002F\u002Fgithub.com\u002Fzhangxiaosong18\u002FFreeAnchor\u002Fissues\u002F27",[]]