- 博客(340)
- 资源 (3)
- 收藏
- 关注
RSS订阅
原创 智能体（AI Agent）开发指南
《智能体开发指南》是一份基于国产大模型与火山引擎的入门教程，完整介绍从环境配置到实战案例的智能体开发全流程。内容涵盖大模型接入、MCP构建、RAG、ReAct等核心技术，以及Coze平台实践和LangChain应用。教程特别适合国内开发者，无需翻墙即可快速上手。通过12个由浅入深的章节，帮助读者掌握智能体开发核心技能，并附有本地部署框架deer-flow的实践指南。文档最后鼓励开发者持续学习，共同推动国产AI生态发展。
2025-09-03 08:50:52
717
原创 高精度车牌识别算法
一 车牌识别概述车牌识别属于OCR的一种，但它也有自己的特点。考虑到边缘设备部署，我们没有用lstm，仅用普通的卷积层便实现了高精度的车牌识别方案。车牌识别的应用场景也十分广泛，常见的停车场收费系统，车牌识别算法也是只能交通算法中的基础算法和最为重要的算法。场景识别准确率道路卡口场景99.6%小角度场景99.0%大角度车牌场景98.2%二 车牌识别本方案采用多标签识别的技术，同时设计的一个物件分支，判断输入是否为车牌。其中车牌全部识别正确的准确率为99.6.
2021-10-31 11:35:46
9983
5
原创 智能交通——车辆属性识别
一 场景说明在道路上，利用AI算法定位机动车的位置并识别车辆的属性，这些信息对于交警来说是非常重要的。下面我们将对道路上的车辆进行检测和属性识别，整个过程包含两个算法，基于yolov5的目标检测算法和基于多任务的属性识别算法。二 算法详解1. 基于yolov5的目标检测算法个人感觉yolov5算法还是非常nice的，在实际项目和比赛中经常用到。由于一年前我就写过几篇博客对yolov5进行了说明，在此就不再赘述。如果读者感兴趣，可以参考我的博客：YOLOV5实战下面是我的测试代码，对yolo v.
2021-10-10 19:10:20
8981
16
原创 Clion中配置OpenCV环境(Ubuntu)
一. 在Ubuntu环境下安装破解Clion请看我之前的教程Clion安装与破解教程(Linux)二. 在Ubuntu环境下安装OpenCV(c++版本)请看我之前的教程ubuntu 安装 opencv 的 c++版本三. Clion的OpenCV环境配置1. 打开Clion，新建一个工程，工程名为XXX2. 打开工程的CMakeList，在末尾添加以下代码find_package(OpenCV REQUIRED)target_link_libraries(<project n
2021-07-09 14:51:31
2683
1
翻译 Clion安装教程(Linux)
一. Clion下载与安装1. 从官网下载Clion安装包并解压。默认Clion可以免费使用30天(不用着急，后面有破解教程)。2. 配置环境变量vim ~/.bashrc#添加alias clion=/home/<用户名>/<安装路径>/clion-2021.1.1/bin/clion.sh修改后退出，source使修改生效source ~/.bashrc3. 启动打开终端输入clion即可启动二. Clion破解1. 启动软件, 将博主提供的2.1.9.
2021-07-09 11:29:39
10879
5
原创 onnx 模型转换及推理时间对比
1. 环境准备 对比时间，和模型训练的环境相同，可能额外要安装的包是onnxruntime.pip install onnxruntime # for cpupip install onnxruntime-gpu # for gpu2. 测试过程 直接上代码吧，代码就是最好的解释。import cv2import timeimport torchimport numpy as npfrom torch.nn import DataParalle...
2021-04-29 20:53:44
5550
2
原创 通过MACE在Android手机上部署深度学习模型
1. MACE的环境搭建 参考我的博客：MACE的环境搭建——conda实现2. 构建项目 （1）下载MACE项目到本地git clone https://github.com/XiaoMi/mace.git (2) 下载MACE Model Zoo 项目git clone https://github.com/XiaoMi/mace-models.git (3) 编译MACE生成库文件 /path/to/mace...
2021-04-28 20:00:05
1689
5
原创 MACE的环境搭建——conda实现
1.MACE 主页 MACE 的github地址：https://github.com/XiaoMi/mace 小米官方的相关文档：https://mace.readthedocs.io/en/latest/ 对开发环境的要求，可以按照以下指令安装相关的包：2. 创建虚拟环境并安装常见的包 (1) 创建虚拟环境，我把虚拟环境命名为maceconda create -n mace python=3.6 (2)...
2021-04-28 09:51:58
1587
原创 行人属性识别，PA100K
行人属性识别，即识别行人的多个特征，例如：性别、年龄、戴帽子、戴眼镜等。本文将带你学习行人属性识别，主要用到的是multitask技术。
2021-02-07 09:49:40
8182
30
原创 YOLO V5 实战
YOLO V5开源了，还是pytorch版本的，对于pytorch使用者而言就非常友好，本文作者用车辆数据集跑了一下yolo v5, 效果还是非常不错的，和大家一起分享。
2020-07-25 18:03:27
4721
5
原创 模型训练技巧——mixup
mixup, 用几行代码就能提高模型的识别精度。大型深度神经网络是非常强大的，但其损耗巨大的内存以及对对抗样本的敏感性一直不太理想。作者提出的mixup是一个简单地减缓两种问题的方案。本质上，mixup在成对样本及其标签的凸组合（convex combinations）上训练神经网络。这样做，mixup规范神经网络增强了训练样本之间的线性表达。数据集上进行试验，研究结果表明，mixup可以改进当前最先进的神经网络架构的泛化能力。
2020-05-07 16:08:10
3284
2
原创 模型训练技巧——label smoothing
使用应用label smoothing在绝大多数分类任务上能提高模型的准确率，本文主要用pytorch实现label smoothing，使它能方便的应用到项目中。
2020-05-06 17:01:21
2723
2
原创 三分钟带你理解ROC曲线和PR曲线
Roc曲线和PR曲线常被用来在二分类问题中评估一个分类器的性能，所以在机器学习中搞清楚两种曲线的原理及其区别与实现是非常基础也是非常重要的。
2020-04-28 18:50:13
3068
原创 ResNeSt——ResNet最强改进版
张航、李沐等人提出ResNet最强改进版：性能提高3%，参数不增。是ResNet的最强改进版本，博主已经讲该网络应用与工程项目中。
2020-04-20 23:42:04
21782
39
原创 三分钟带你掌握Python中的多进程和多线程
多进程和多线程编程对于代码的并发执行，提升代码效率和缩短运行时间至关重要。本文介绍如何使用python的multiprocess和threading模块进行多线程和多进程编程，并将其封装成类，成为好用的工具，方便调用。
2020-04-18 15:11:40
1154
1
原创 录一次操作就能教会 AI Agent 干活，这个开源工具把“重复劳动“一次性消灭
微软开源 Skill Recorder，通过录制用户操作自动生成可复用的 AI Agent 技能。该工具能捕获屏幕操作、语音旁白等数据，本地处理后由 GitHub Copilot 提炼为结构化意图和步骤，支持生成 Skill 文档或自动化任务。核心技术栈采用 Electron + React 19 + Vite 等前沿方案，注重隐私保护，所有敏感数据处理均在本地完成。适用于表单提交、定期报表、培训等重复性工作场景，显著提升 AI Agent 的任务执行效率。目前支持 macOS 和 Windows 平台，需
2026-08-05 19:43:58
886
原创 1.2k Star！一行命令把 PDF 变成可填写表单，这个开源 AI 工具太懂打工人的痛了
摘要： 开源工具 CommonForms（1.2k Star）通过一行命令将普通 PDF 自动转换为可填写的交互式表单，解决手动标注表单字段的痛点。其核心基于 AI 视觉模型（FFDNet-L/S），能精准检测文本框、签名区、复选框等位置，支持 CPU/GPU 运行，提供 CLI 和 Python API 两种调用方式。项目配套开源了大规模数据集、预训练模型及学术论文，适用于行政、医疗、教育等场景的文档电子化。优势包括操作简单（commonforms input.pdf output.pdf）、多参数调优（
2026-07-27 15:15:30
422
原创 太炸了！开源 AI 语音工作室 Voicebox：克隆声音、听写输入、AI Agent 开口说话，全本地运行
Voicebox 是一款开源 AI 语音工作室，提供语音克隆、文本转语音、全局听写和 AI 语音输出功能，完全在本地运行保障隐私。它整合了 ElevenLabs 和 WisprFlow 的核心功能，支持 7 种 TTS 引擎和 23 种语言，能通过几秒音频克隆声音，并实现全局热键听写转文字。项目采用模块化架构，包含音频效果处理、副语言标签等特色功能，可为 Claude Code 等 AI 编程助手添加语音交互能力。由于完全本地运行且开源，适合注重隐私和定制化的用户。
2026-07-06 20:00:03
983
原创 60k 开发者追捧！Matt Pocock 的 AI 编程 Skills 仓库，彻底治愈 Agent 四大顽疾
摘要（149字）： TypeScript专家Matt Pocock开源AI编程Skills仓库，解决Agent开发的四大痛点：需求不对齐、输出冗余、代码缺陷和架构混乱。该仓库包含13个实用技能，如/grill-me（需求追问）、/tdd（测试驱动开发）和/improve-codebase-architecture（架构优化），基于领域驱动设计、极限编程等工程哲学。6万开发者已订阅，支持快速安装和模块化组合，强调反馈循环与共享术语（CONTEXT.md），显著提升AI协作效率与代码质量。
2026-07-03 14:55:03
1098
原创 太强了！15k Star 的开源字幕神器，一行命令搞定视频转录、翻译、烧录全流程
VideoCaptioner 是目前开源字幕工具里功能最完整、体验最丝滑的选择之一。安装即用：pip install 一行搞定，免费功能零配置全流程覆盖：从语音识别到字幕烧录，一个工具走完LLM 加持：语义断句、上下文翻译、反思优化，质量碾压传统工具双模式操作：CLI 命令行适合批量处理，GUI 桌面版适合日常使用推荐指数适合人群：视频创作者、翻译工作者、学习视频爱好者、自媒体运营者一行，就能告别手动字幕的时代。
2026-07-03 14:31:54
493
原创 OpenTalking：开源实时数字人全栈管线，从 Mock 到生产级一键切换
OpenTalking 是一个开源实时数字人全栈解决方案，提供从 Mock 到生产级的完整工作流。该项目整合了 LLM、TTS、WebRTC 和可插拔模型后端，支持 7 种数字人模型，可在 CPU 验证全链路或 RTX 3090 实现本地实时对话。主要特点包括：1) 覆盖数字人产品全链路，包含角色管理、知识库和记忆功能；2) 支持实时对话、视频创作和克隆三大场景；3) 提供 6 种部署路径，从 CPU 验证到分布式集群；4) 采用编排层+合成后端分离架构，支持 Mock/Local/OmniRT 三种后端。
2026-07-02 13:14:51
1641
原创 微信里跟 Claude Code 聊天！开源桥接工具，扫码一分钟搞定
摘要 wechat-claude-code是一个开源工具，可将本地运行的Claude Code CLI接入微信，实现微信与AI的交互。核心功能包括： 扫码一分钟快速绑定，数据全程本地化保障隐私 支持文字、图片、语音和文件的双向收发 采用四层架构实现微信与本地Claude的桥接 提供13个微信端命令控制AI行为 典型使用场景包括远程编程、文档分析和跨设备切换 优势在于操作简便、隐私安全、交互自然，但存在Windows不支持、需电脑常开等局限。适合开发者、产品经理等需要随时使用AI辅助工作的用户。
2026-07-02 13:09:56
1476
原创 LTX-2：首个 DiT 音视频基础模型，10 种管线覆盖生成全场景！
LTX-2是首个基于DiT架构的开源音视频一体化生成模型，由Lightricks发布。该模型采用14B视频流+5B音频流的双流架构，通过双向跨模态注意力同步生成画面和声音，支持10种推理管线覆盖文生视频、图生视频、音频驱动、唇形同步、HDR输出等全场景。核心创新包括基于Transformer的异步双流设计、Block Streaming显存优化技术及FP8量化方案，支持两阶段上采样至生产级画质。模型提供CLI/API双入口，兼容多种LoRA微调，权重已开源。相比传统方案，LTX-2实现了音画同步生成、高保真
2026-07-02 13:04:15
569
原创 京东开源 JoyAI-Echo：5 分钟长视频一次生成，音画同步不崩脸！
京东开源 JoyAI-Echo 长视频生成框架，支持从文本提示一键生成5分钟级连贯视频，实现跨镜头的人物一致性。该框架通过跨模态记忆银行技术保存人物外观和声线特征，配合DMD蒸馏实现7.5倍推理加速，在评测中音频质量和视觉一致性表现优异。支持同步生成视频和音频，提供ComfyUI插件，需48GB以上显存运行，适用于非商业用途的研究和创作。
2026-07-02 12:52:08
1331
原创 百度开源 Unlimited OCR：一次推理转录几十页文档，KV 缓存恒定不增长！
百度开源了Unlimited OCR模型，创新性地采用Reference Sliding Window Attention（R-SWA）机制替换解码器中的全部注意力层，实现了KV缓存恒定不增长。该模型可单次推理处理几十页文档，支持单图、多页及PDF解析，显存占用和推理速度保持恒定。核心优势包括：解决传统OCR模型在长文本处理时KV缓存线性增长、速度下降的问题；具备类似人类的"工作记忆"能力；R-SWA机制也可应用于语音识别、翻译等长序列生成任务。提供Transformers、vLLM和SGLang三种推理方
2026-07-01 19:15:58
1166
原创 万物皆可 Markdown！开源 MCP 服务器 Markdownify，10 种格式一键转换
摘要： Markdownify MCP 是一个基于 MCP 协议的开源服务器，支持将 11 种常见格式（包括 PDF、图片、音频、网页、Office 文档等）一键转换为 Markdown。核心功能依托微软的 markitdown 和 repomix 工具实现，通过 MCP 协议与 AI 模型（如 Claude、GPT）无缝集成，提供“万物转 Markdown”的能力。项目支持 Docker 部署和安全路径限制，适用于知识管理、自动化工作流及 AI 开发场景，但音频转录等功能在 Docker 精简版中受限。
2026-06-30 09:27:56
372
原创 Andrej Karpathy Skills：184K Star！一个 CLAUDE.md 文件根治 AI 编码三大顽疾，Karpathy 本人观察提炼的4大原则，Claude Code + Curs
Andrej Karpathy Skills是一份184K星标的AI编码优化指南，核心是通过一个CLAUDE.md文件解决AI编程的三大问题：错误假设、过度复杂和乱改代码。基于Karpathy的观察提炼出四大原则：先思考后编码（明确假设/呈现权衡）、代码极简主义（用最少代码）、精准修改（只改必要部分）和目标驱动（定义验证标准）。支持Claude插件和Cursor工具，MIT协议开源，适用于非琐碎任务，能显著减少不必要改动和重构需求。通过声明式编程让AI自主循环验证，提升开发效率。
2026-06-29 09:23:49
1601
原创 Claude Code Best Practice，从 Vibe Coding 到 Agentic Engineering 的完整实战指南
这篇文章介绍了GitHub热门仓库"Claude Code Best Practice"，这是一个关于Claude代码开发最佳实践的实战指南。主要内容包括： 项目概况：GitHub日榜第一的仓库，由shanraisshan出品，获得Claude Code核心开发者Boris Cherny推荐。 核心内容： 10+核心概念（子代理、命令、技能包、工作流等） 20+热门特性（超级代码审查、自动模式、计算机控制等） 6大开发工作流（Superpowers、Spec Kit等） 特色亮点： 每个概念都提供最佳实践+
2026-06-24 13:16:52
578
原创 Vibe Vibe：Datawhale 出品首个系统化 Vibe Coding 开源教程！
摘要： Vibe Vibe 是由 Datawhale 社区推出的国内首个系统化 Vibe Coding 开源教程，旨在帮助用户从“写代码”转变为“指挥 AI 写代码”。教程分为四大板块：基础篇（5章入门）、进阶篇（16章全栈开发）、实践篇（分人群项目实战）和优质文章篇（行业资源精选）。采用 Next.js 16 + React + TypeScript 等技术栈，支持零基础用户3分钟完成首个AI网页，并提供Docker私有化部署。项目已获5.5K Star，未来将推出云端IDE和50+ AI Skills，
2026-06-24 13:09:12
445
原创 ChinaTextbook：开源中国教材 PDF 合集！小初高+大学全学段覆盖
ChinaTextbook 是一个开源的中国教材 PDF 合集项目，覆盖小学到大学全学段的人教版教材。该项目旨在消除教育信息差，为海外华人提供国内教育资源，并抵制教材倒卖行为。所有 PDF 文件可直接从 GitHub 下载，无需注册，大文件已拆分并提供合并工具。项目包含语文、数学等全科目教材，采用人民教育出版社官方版本，保持无水印纯净。通过开源共享方式，ChinaTextbook 希望促进教育公平，让知识自由流通。
2026-06-24 09:19:09
1580
原创 Hello Claw：Datawhale 出品 OpenClaw 完整学习教程！
《Hello Claw：OpenClaw 完整学习指南》摘要 Datawhale 社区推出的《Hello Claw》是一套覆盖 OpenClaw 命令行 AI 助理系统全生命周期的开源教程，包含三大核心模块： 领养龙虾（使用篇）：11章+7附录，从安装配置到安全运维的全链路指导 龙虾大学（实战篇）：11个场景案例，涵盖个人效率、编程开发、商务协作等实际应用 构建龙虾（开发篇）：11章源码解析，深入架构设计、安全沙箱和定制开发 特色优势： 零基础5分钟快速上手（AutoClaw） 提供中/英/日三语支持 遵循
2026-06-24 09:12:35
415
原创 VideoX-Fun：阿里 PAI 出品开源视频生成全家桶！
VideoX-Fun = 阿里 PAI 出品开源视频生成流水线= CogVideoX-Fun / Wan2.1-Fun / Wan2.2-Fun 三大系列= 2B / 5B / 1.3B / 5B / 14B 多参数规格= 任意分辨率（256×256→1024×1024）+ 任意时长 + 任意 FPS= T2V / I2V / V2V / Control / Camera / VACE 六大模式= Canny / Depth / Pose / MLSD / 轨迹 / 镜头 控制。
2026-06-24 09:04:50
477
原创 FireRed-Image-Edit：小红书出品开源图像编辑基础模型！五大基准全面SOTA
小红书开源图像编辑基础模型FireRed-Image-Edit五大核心亮点：1）开源SOTA性能，在ImgEdit/GEdit/REDEdit三大基准测试中全面领先；2）支持10+元素智能融合，通过Agent实现自动ROI检测与拼接；3）提供专业美妆、文字风格、老照片修复等特色功能；4）30GB显存下4.5秒快速出图，支持ComfyUI原生节点；5）骨干无关设计，编辑能力可迁移至任意文本生成图像基座。该模型在身份一致性、多元素融合等关键指标上已超越部分闭源解决方案，采用Apache 2.0协议全面开源。
2026-06-24 08:58:03
447
原创 OpenMAIC：清华出品开源多 Agent 互动课堂！
OpenMAIC = 清华出品开源多 Agent 互动课堂= MIT 协议 + JCST'26 论文= 一键课程生成（主题/文档 → 大纲 → 幻灯片/测验/仿真/PBL）= 多 Agent 课堂（AI 教师 + AI 同学）= 深度交互模式（3D/仿真/游戏/思维导图/编程）= 白板 + TTS 语音 + VoxCPM2 语音克隆= OpenClaw 集成（飞书/Slack/Telegram 直接生成课堂）= 导出 PPTX / HTML / ZIP（离线可用）
2026-06-23 19:48:38
1336
原创 nanobot：港大 HKUDS 出品的超轻量个人 AI Agent！4 个月迭代 20+ 版本，WebUI+10 渠道+MCP+记忆进化+/goal 持久目标，小核心大能量！
nanobot = 超轻量个人 AI Agent= 港大 HKUDS 出品，MIT 开源= 核心小而可读（ultra-lightweight）= 内置 WebUI（打包在 wheel 里）= 10+ 聊天渠道（Telegram/Discord/微信/飞书/Slack/钉钉/Teams/WhatsApp/QQ/Signal/Email）= /goal 持久目标（跨回合保持长期目标）= Dream 两阶段记忆= MCP 集成 + CLI Apps= 模型路由 + fallback_models。
2026-06-23 19:37:55
452
原创 QwenPaw：阿里 AgentScope 团队出品的个人 AI 助手！
QwenPaw：阿里开源的个人AI助手，安全可控的全能伙伴 阿里AgentScope团队推出的QwenPaw是一款开源的个人AI助手（Apache 2.0协议），主打数据自主与多功能集成。核心特性包括： 隐私保护：支持本地/云部署，数据不经过第三方 多渠道接入：兼容钉钉、微信、Telegram等主流平台 功能扩展：通过Skills插件支持文档处理、图片生成等能力 智能协作：多Agent协同处理复杂任务 本地模型：集成llama.cpp等方案，无需API密钥 安全防护：三层防护机制防范恶意操作 提供6种安装方
2026-06-23 19:24:01
747
原创 OpenSpec：AI 编程的规范先行框架！25+ AI 助手支持，/opsx 三步工作流，Spec-Driven Development 让 AI 写代码不再失控！
OpenSpec = AI 编码的规范先行框架= 在写代码前，人和 AI 先对齐"做什么"= 25+ AI 编码工具支持（Claude Code/Cursor/Copilot/Windsurf/Aider/Codex…）= /opsx:propose → apply → archive 三步工作流= 每个变更独占文件夹：proposal → specs → design → tasks= 从个人项目到企业级可扩展= MIT 开源，免费使用维度评分说明创新⭐⭐⭐⭐⭐。
2026-06-23 19:04:16
650
原创 Banana Slides：基于 nano banana pro的原生 “Vibe PPT“ 应用！
Banana Slides 是一款基于 Google nano banana pro 模型的开源 AI PPT 生成工具，采用"Vibe PPT"理念，用户只需自然语言描述即可生成专业演示文稿。核心功能包括三种创作路径（一句话生成/大纲模式/页面描述）、口头修改指定内容、框选编辑（覆盖/替换/擦除）、素材工具箱一站式操作，支持上传任意模板图片智能解析。系统提供 PPTX/PDF/TTS 讲解视频三种导出格式，支持 OpenAI OAuth 免 API Key 使用，并兼容国内主流大模型。采用 Docker
2026-06-23 17:42:13
587
原创 X-AnyLabeling：开源工业级 AI 标注神器！20+ 任务类型 + 50+ 模型，SAM 1/2/3 + YOLO 全系 + VLM，2D/3D/视频全场景覆盖！
X-AnyLabeling是一款功能强大的开源工业级AI辅助标注工具，支持20+任务类型和50+模型，涵盖2D/3D/视频全场景标注。核心特性包括： 多任务支持：分类、检测、分割、姿态、跟踪、OCR等20+任务 丰富模型库：集成SAM 1/2/3、YOLO全系列、VLM等50+前沿模型 全场景标注：支持图像、视频、2D/3D标注，提供12+标注样式 高效推理：ONNX Runtime/TensorRT/OpenCV DNN三后端支持 实用功能：远程推理、批量标注、训练闭环、多语言界面等 该工具采用GPL-3
2026-06-23 17:28:05
1117
1
原创 Presenton 开源：Apache 2.0 的 AI PPT 生成器 + API，16+ LLM 提供商，ChatGPT 登录即用，MCP Server 内置，三端部署！
Presenton = 开源 AI PPT 生成器 + API= Gamma/Canva/Beautiful AI 开源替代= Apache 2.0，无 SaaS 锁定= 16+ LLM 提供商（含 Ollama 本地）= 8 种图像提供商（DALL-E 3/Gemini Flash/Pexels/Pixabay/ComfyUI/...）= MCP Server 内置= Electron 桌面 + Docker + 云端三端部署= ChatGPT 登录即用，无需 API Key。
2026-06-23 15:48:26
333
人工智能基于LangGraph与MCP协议的智能体开发技术指南：国产大模型驱动的AI Agent构建与RAG系统实现
2025-09-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人