[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zlckanata--DeepGlobe-Road-Extraction-Challenge":3,"tool-zlckanata--DeepGlobe-Road-Extraction-Challenge":62},[4,18,26,35,44,53],{"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},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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":141},6472,"zlckanata\u002FDeepGlobe-Road-Extraction-Challenge","DeepGlobe-Road-Extraction-Challenge","D-LinkNet: LinkNet with Pretrained Encoder and Dilated Convolution for High Resolution Satellite Imagery Road Extraction","DeepGlobe-Road-Extraction-Challenge 是一个专注于从高分辨率卫星影像中自动提取道路网络的开源项目。它源自 DeepGlobe 道路提取挑战赛的冠军解决方案，旨在解决传统方法在处理复杂卫星图像时道路识别不连续、细节丢失等难题，帮助将模糊的航拍图转化为清晰的数字化路网。\n\n该项目核心采用了名为 D-LinkNet 的深度学习架构。其技术亮点在于巧妙结合了预训练编码器与空洞卷积（Dilated Convolution）技术：前者利用已有知识加速收敛并提升特征提取能力，后者则在扩大感受野的同时保持了高分辨率特征图的完整性，从而精准捕捉细微的道路结构。\n\n这套代码非常适合计算机视觉领域的研究人员、遥感算法工程师以及正在学习图像分割技术的开发者使用。通过简单的配置，用户即可在 PyTorch 框架下复现这一获奖模型，进行模型训练或直接加载预权重进行推理。虽然项目基于较早期的 Python 2.7 和 PyTorch 0.2.0 环境构建，但其提出的网络设计思路至今仍对卫星图像分析具有重要的参考价值和借鉴意义。","# DeepGlobe-Road-Extraction-Challenge\nCode for the 1st place solution in [DeepGlobe Road Extraction Challenge](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F18467).\n\n# Requirements\n\n- Cuda 8.0\n- Python 2.7\n- Pytorch 0.2.0\n- cv2\n\n# Usage\n\n### Data\nPlace '*train*', '*valid*' and '*test*' data folders in the '*dataset*' folder.\n\nData is from [DeepGlobe Road Extraction Challenge](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F18467#participate-get_starting_kit). You should sign in first to get the data.\n\n### Train\n- Run `python train.py` to train the default D-LinkNet34.\n\n### Predict\n- Run `python test.py` to predict on the default D-LinkNet34.\n\n### Download trained D-LinkNet34\n- [Dropbox](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fh62vr320eiy57tt\u002FAAB5Tm43-efmtYzW_GFyUCfma?dl=0)\n- [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wqyOEkw5o0bzbuj7gBMesQ)\n","# DeepGlobe-道路提取挑战赛\n在[DeepGlobe道路提取挑战赛](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F18467)中获得第一名的解决方案代码。\n\n# 需求\n\n- CUDA 8.0\n- Python 2.7\n- PyTorch 0.2.0\n- cv2\n\n# 使用方法\n\n### 数据\n将'*train*''*valid*''*test*'数据文件夹放入'dataset'文件夹中。\n\n数据来自[DeepGlobe道路提取挑战赛](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F18467#participate-get_starting_kit)。您需要先登录才能获取数据。\n\n### 训练\n- 运行`python train.py`以训练默认的D-LinkNet34模型。\n\n### 预测\n- 运行`python test.py`以对默认的D-LinkNet34模型进行预测。\n\n### 下载已训练好的D-LinkNet34模型\n- [Dropbox](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fh62vr320eiy57tt\u002FAAB5Tm43-efmtYzW_GFyUCfma?dl=0)\n- [百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wqyOEkw5o0bzbuj7gBMesQ)","# DeepGlobe 道路提取挑战赛冠军方案快速上手指南\n\n本指南基于 DeepGlobe Road Extraction Challenge 第一名解决方案（D-LinkNet34），帮助开发者快速复现模型。\n\n## 环境准备\n\n本项目依赖较早期的深度学习环境，请确保满足以下系统要求：\n\n- **操作系统**: Linux (推荐)\n- **CUDA**: 8.0\n- **Python**: 2.7\n- **深度学习框架**: PyTorch 0.2.0\n- **其他依赖**: opencv-python (`cv2`)\n\n> **注意**：由于依赖 Python 2.7 和旧版 PyTorch，建议在独立的虚拟环境或 Docker 容器中运行，以免冲突。\n\n## 安装步骤\n\n1. **配置 Python 2.7 环境**\n   确保系统已安装 Python 2.7。\n\n2. **安装 PyTorch 0.2.0**\n   根据 CUDA 8.0 版本安装对应的 PyTorch。由于版本较老，官方源可能不再直接支持，建议查找历史 wheel 包或使用源码编译：\n   ```bash\n   pip install torch==0.2.0.post3 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu80\u002Ftorch_stable.html\n   ```\n   *(若上述链接失效，请前往 PyTorch 历史版本页面或国内镜像站寻找对应 `cu80` 的 0.2.0 版本)*\n\n3. **安装其他依赖**\n   ```bash\n   pip install opencv-python\n   ```\n\n4. **获取代码**\n   克隆或下载本仓库代码到本地。\n\n## 基本使用\n\n### 1. 数据准备\n从 [DeepGlobe 竞赛官网](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F18467#participate-get_starting_kit) 下载数据集（需登录）。\n将解压后的 `train`、`valid` 和 `test` 文件夹放入项目根目录下的 `dataset` 文件夹中，结构如下：\n```text\nproject_root\u002F\n├── dataset\u002F\n│   ├── train\u002F\n│   ├── valid\u002F\n│   └── test\u002F\n├── train.py\n└── test.py\n```\n\n### 2. 训练模型\n使用默认配置的 D-LinkNet34 开始训练：\n```bash\npython train.py\n```\n\n### 3. 模型预测\n使用训练好的模型进行推理预测：\n```bash\npython test.py\n```\n\n### 4. 使用预训练模型（可选）\n如果不想重新训练，可直接下载作者提供的预训练权重（D-LinkNet34）：\n- **Dropbox**: [下载链接](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fh62vr320eiy57tt\u002FAAB5Tm43-efmtYzW_GFyUCfma?dl=0)\n- **百度网盘**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1wqyOEkw5o0bzbuj7gBMesQ)\n\n下载后将权重文件放置在代码指定的加载路径下，即可直接运行 `python test.py` 进行预测。","某城市规划研究院正急需从数千张高分辨率卫星影像中提取道路网络，以支持新区的交通流量模拟与基础设施布局。\n\n### 没有 DeepGlobe-Road-Extraction-Challenge 时\n- 工程师需手动勾绘道路轮廓或依赖传统图像处理算法，面对复杂路口和遮挡时准确率极低，耗时数周仍难完成单区域提取。\n- 现有通用模型难以处理卫星图像中的细微特征，导致提取的道路断裂严重，无法形成连贯的路网拓扑结构。\n- 缺乏针对高分辨率遥感数据优化的预训练编码器，团队需从零开始收集标注数据并训练模型，算力成本高昂且周期漫长。\n- 结果后处理繁琐，需要大量人工介入修复错误片段，严重拖慢了从数据到决策的整体流程。\n\n### 使用 DeepGlobe-Road-Extraction-Challenge 后\n- 直接部署夺冠方案 D-LinkNet34，利用其空洞卷积技术自动精准识别复杂路况，将原本数周的工作量压缩至数小时内完成。\n- 模型特有的连接机制有效解决了道路断裂问题，生成的路网连续平滑，无需额外算法即可满足拓扑分析需求。\n- 复用官方提供的预训练权重，团队无需从头训练，仅需少量本地数据微调即可适配特定城市风格，大幅降低算力门槛。\n- 输出结果可直接接入 GIS 系统，显著减少人工修正环节，让规划师能更专注于策略制定而非数据清洗。\n\nDeepGlobe-Road-Extraction-Challenge 通过业界领先的深度学习架构，将高分辨率卫星图的道路提取从一项繁重的人工任务转变为高效、精准的自动化流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzlckanata_DeepGlobe-Road-Extraction-Challenge_ef500736.png","zlckanata",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzlckanata_c177fc74.png","https:\u002F\u002Fgithub.com\u002Fzlckanata",[78],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,680,198,"2026-03-23T14:36:55","MIT",5,"","需要 NVIDIA GPU，CUDA 8.0，具体显卡型号和显存大小未说明","未说明",{"notes":91,"python":92,"dependencies":93},"该项目为 DeepGlobe 道路提取挑战赛冠军方案代码。需手动下载训练、验证和测试数据集并放入 'dataset' 文件夹。提供有预训练的 D-LinkNet34 模型下载链接（Dropbox 和百度网盘）。由于依赖 Python 2.7 和极旧版本的 PyTorch (0.2.0)，在现代环境中运行可能需要复杂的兼容性配置或构建旧版环境。","2.7",[94,95],"pytorch==0.2.0","cv2",[15],[98],"deepglobe-road-extraction-challenge","2026-03-27T02:49:30.150509","2026-04-11T10:04:15.672201",[102,107,112,117,122,127,132,136],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},29286,"运行代码需要什么样的环境版本配置？","由于代码比较陈旧，建议在以下特定版本环境中运行：CUDA 8.0、Python 2.7、PyTorch 0.2.0。如果使用较新版本的 Python（如 3.6+）或 PyTorch，可能会遇到类型错误（如除法运算返回浮点数导致卷积层初始化失败）或 DataLoader 崩溃等问题。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F34",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},29287,"训练时出现 'RuntimeError: invalid argument 1' 或 'num_samples=0' 错误如何解决？","这通常是因为数据路径配置错误导致训练列表为空。请检查代码中读取图片列表的逻辑（例如 `imagelist` 和 `trainlist` 的生成部分），确保 `ROOT` 路径正确指向包含卫星图像（含 'sat' 字符）的目录。如果 `trainlist` 长度为 0，说明未正确过滤出图像文件名，需调整文件匹配逻辑。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F2",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},29288,"在哪里可以下载预训练的模型权重？","作者已提供预训练权重的下载链接。请访问项目 README 文档中的 'Download trained D-LinkNet34' 部分获取权重文件，或者直接在 GitHub 仓库主页查找相关下载指引，无需自行从头训练即可评估代码效果。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F9",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},29289,"如何将此代码修改为支持多类别分割任务？","当前仓库仅适用于二值分割，支持多类别需修改以下文件：\n1. 数据加载器 (data.py)：修改标签生成逻辑以支持多类掩码。\n2. 损失函数 (loss.py)：替换为支持多类的损失函数（如 CrossEntropyLoss）。\n3. 网络结构 (framework.py)：将网络最后一层的输出通道数改为类别数量，例如 `self.net = net(num_class=你的类别数).cuda()`。\n4. 评估脚本 (test.py)：调整评估逻辑以适应多类输出。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F29",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},29290,"代码中的数据归一化操作 `\u002F\u002F255 * 3.2 - 1.6` 是什么意思？","这是一个经验参数，没有严格的理论依据。调整归一化方式等价于调整初始化方差或学习率。实验表明，对于没有批归一化（BN）层的网络（如本项目中的 Unet），这种归一化能轻微提升性能；而对于有 BN 层的网络（如 D-LinkNet），是否进行此归一化或具体数值并不重要。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F35",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},29291,"遇到 'TypeError: argument size must be tuple of ints, but found element of type float' 错误怎么办？","这是因为在 Python 3 中，除法运算符 `\u002F` 会返回浮点数，而 PyTorch 的卷积层要求通道数为整数。解决方法是将代码中涉及通道数计算的地方（如 `channel\u002F2`）改为整数除法 `channel\u002F\u002F2`。例如在 `model.py` 中找到相关行并替换即可修复。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F32",{"id":133,"question_zh":134,"answer_zh":135,"source_url":111},29292,"为什么检测不到道路或者道路检测结果断断续续？","1. 完全检测不出：可能是网络以高置信度判断该区域非道路，请检查数据集中类似区域是否被正确标注为道路。\n2. 道路断裂：通常是因为概率图置信度不高（如 0.4~0.6 之间）但被暴力二值化截断。建议使用 CRF（条件随机场）等后处理算法平滑概率图，或对二值化后的图像使用图算法进行连接修复（参考 SpaceNet 比赛的后处理方案）。",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},29293,"如何申请 Codalab 账号进行验证集精度评估？","出于安全考虑，作者不共享个人 Codalab 账号。建议您直接发送邮件给 DeepGlobe 比赛的组织者申请官方账号，以便提交结果并进行 IoU 精度评估。","https:\u002F\u002Fgithub.com\u002Fzlckanata\u002FDeepGlobe-Road-Extraction-Challenge\u002Fissues\u002F38",[]]