人工智能：计算机视觉的基础与应用

Ne0inhk

— 16 min read
人工智能：计算机视觉的基础与应用

第十二篇：计算机视觉的基础与应用

在这里插入图片描述

学习目标

💡 理解计算机视觉的基本概念和重要性
💡 掌握计算机视觉中的图像处理技术、特征提取方法、常用模型与架构
💡 学会使用计算机视觉库（OpenCV、PIL、PyTorch、TensorFlow）进行图像处理、特征提取和模型训练
💡 理解图像分类、目标检测、语义分割等任务的实现方法
💡 通过实战项目，开发一个完整的计算机视觉应用

重点内容

  • 计算机视觉的基本概念
  • 图像处理技术（图像预处理、增强、滤波）
  • 特征提取方法（HOG、SIFT、ORB）
  • 常用模型与架构（LeNet、AlexNet、VGG、ResNet、YOLO）
  • 实战项目：计算机视觉应用开发（图像分类、目标检测等）

一、计算机视觉基础

1.1 计算机视觉的基本概念

计算机视觉（Computer Vision）是人工智能的一个重要分支，它涉及计算机与图像之间的交互。其目标是让计算机能够理解和解释图像内容，从而实现与人类视觉系统类似的功能。

1.1.1 计算机视觉的重要性

计算机视觉具有以下重要性：

  1. 图像理解：理解图像内容，识别物体、场景和动作
  2. 目标检测：检测图像中的物体并定位其位置
  3. 图像分类：对图像进行分类和标签化
  4. 语义分割：对图像进行像素级的分割和标记
  5. 图像生成：生成新的图像内容
1.1.2 计算机视觉的应用场景

计算机视觉在各个领域都有广泛的应用，主要包括：

  • 医疗领域：用于疾病诊断、医学影像分析
  • 汽车领域：用于自动驾驶、智能交通系统
  • 安防领域：用于视频监控、人脸识别
  • 电商领域：用于产品推荐、图像搜索
  • 社交媒体：用于图像分类、内容推荐

1.2 计算机视觉的挑战

计算机视觉面临以下挑战：

  1. 图像质量：图像可能存在噪声、模糊等问题
  2. 物体多样性：物体可能有不同的大小、形状、颜色和姿态
  3. 场景复杂性：场景可能有不同的光照、背景和遮挡
  4. 数据稀疏性：某些领域的数据非常稀缺
  5. 计算资源：图像处理需要大量的计算资源

二、图像处理技术

2.1 图像预处理

图像预处理是计算机视觉的基础步骤，它包括以下操作：

2.1.1 图像读取与保存

图像读取与保存是图像处理的基本操作。常见的图像格式包括：

  • JPEG：有损压缩格式，适用于照片
  • PNG：无损压缩格式，适用于图标和图表
  • BMP：无损压缩格式，适用于位图
2.1.2 图像调整

图像调整包括以下操作：

  • 调整尺寸：改变图像的大小
  • 调整亮度和对比度：改变图像的亮度和对比度
  • 调整色彩平衡：改变图像的色彩平衡
2.1.3 图像裁剪与旋转

图像裁剪与旋转包括以下操作：

  • 裁剪：从图像中裁剪出感兴趣的区域
  • 旋转：旋转图像到指定角度
2.1.4 图像预处理的代码实现

以下是使用OpenCV进行图像预处理的代码实现：

import cv2 import numpy as np defread_image(image_path): image = cv2.imread(image_path)return image defsave_image(image, output_path): cv2.imwrite(output_path, image)defresize_image(image, width, height): resized_image = cv2.resize(image,(width, height))return resized_image defadjust_brightness_contrast(image, alpha=1.0, beta=0.0): adjusted_image = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)return adjusted_image defcrop_image(image, x, y, width, height): cropped_image = image[y:y+height, x:x+width]return cropped_image defrotate_image(image, angle):(h, w)= image.shape[:2] center =(w //2, h //2) M = cv2.getRotationMatrix2D(center, angle,1.0) rotated_image = cv2.warpAffine(image, M,(w, h))return rotated_image

2.2 图像增强

图像增强是提高图像质量的过程。常见的图像增强方法包括：

2.2.1 直方图均衡化

直方图均衡化是通过调整图像的直方图来增强图像对比度的方法。

2.2.2 图像平滑

图像平滑是通过去除图像中的噪声来增强图像质量的方法。常见的图像平滑方法包括：

  • 均值滤波：使用邻域像素的平均值代替当前像素值
  • 高斯滤波：使用高斯函数计算邻域像素的权重
  • 中值滤波：使用邻域像素的中值代替当前像素值
2.2.3 图像增强的代码实现

以下是使用OpenCV进行图像增强的代码实现：

import cv2 import numpy as np defhistogram_equalization(image): gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) equalized_image = cv2.equalizeHist(gray_image)return equalized_image defmean_filter(image, kernel_size=3): blurred_image = cv2.blur(image,(kernel_size, kernel_size))return blurred_image defgaussian_filter(image, kernel_size=3, sigma=0): blurred_image = cv2.GaussianBlur(image,(kernel_size, kernel_size), sigma)return blurred_image defmedian_filter(image, kernel_size=3): blurred_image = cv2.medianBlur(image, kernel_size)return blurred_image

2.3 图像滤波

图像滤波是对图像进行滤波处理的过程。常见的图像滤波方法包括：

2.3.1 边缘检测

边缘检测是检测图像中边缘的方法。常见的边缘检测方法包括：

  • Sobel算子：使用Sobel算子检测边缘
  • Canny边缘检测：使用Canny算法检测边缘
2.3.2 图像滤波的代码实现

以下是使用OpenCV进行图像滤波的代码实现：

import cv2 import numpy as np defsobel_edge_detection(image): gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) sobel_x = cv2.Sobel(gray_image, cv2.CV_64F,1,0, ksize=3) sobel_y = cv2.Sobel(gray_image, cv2.CV_64F,0,1, ksize=3) sobel_combined = np.sqrt(sobel_x**2+ sobel_y**2) sobel_combined = np.uint8(sobel_combined / np.max(sobel_combined)*255)return sobel_combined defcanny_edge_detection(image, threshold1=100, threshold2=200): gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) edges = cv2.Canny(gray_image, threshold1, threshold2)return edges

三、特征提取方法

3.1 HOG特征

3.1.1 HOG特征的基本原理

HOG（Histogram of Oriented Gradients）是一种常用的图像特征提取方法。它通过计算图像中梯度的方向直方图来提取特征。

3.1.2 HOG特征的代码实现

以下是使用OpenCV进行HOG特征提取的代码实现：

import cv2 import numpy as np defextract_hog_features(image): hog = cv2.HOGDescriptor() gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) features = hog.compute(gray_image)return features

3.2 SIFT特征

3.2.1 SIFT特征的基本原理

SIFT（Scale-Invariant Feature Transform）是一种常用的图像特征提取方法。它通过在不同尺度空间中检测关键点来提取特征。

3.2.2 SIFT特征的代码实现

以下是使用OpenCV进行SIFT特征提取的代码实现：

import cv2 import numpy as np defextract_sift_features(image): sift = cv2.SIFT_create() gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) keypoints, descriptors = sift.detectAndCompute(gray_image,None)return keypoints, descriptors

3.3 ORB特征

3.3.1 ORB特征的基本原理

ORB（Oriented FAST and Rotated BRIEF）是一种常用的图像特征提取方法。它通过FAST算法检测关键点，使用BRIEF算法计算描述符。

3.3.2 ORB特征的代码实现

以下是使用OpenCV进行ORB特征提取的代码实现：

import cv2 import numpy as np defextract_orb_features(image): orb = cv2.ORB_create() gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) keypoints, descriptors = orb.detectAndCompute(gray_image,None)return keypoints, descriptors

四、常用模型与架构

4.1 传统机器学习模型

4.1.1 支持向量机

支持向量机是一种常用的图像分类模型。它通过寻找最优超平面来分离不同类别的样本。

4.1.2 决策树

决策树是一种常用的图像分类模型。它通过构建决策树来对图像进行分类。

4.1.3 随机森林

随机森林是一种集成学习模型。它通过组合多个决策树来提高模型的性能。

4.2 深度学习模型

4.2.1 LeNet

LeNet是一种早期的深度学习模型。它通过卷积和池化操作来提取图像特征。

4.2.2 AlexNet

AlexNet是一种经典的深度学习模型。它通过更深的网络结构和ReLU激活函数来提高模型的性能。

4.2.3 VGG

VGG是一种深度学习模型。它通过使用小卷积核和更深的网络结构来提高模型的性能。

4.2.4 ResNet

ResNet是一种深度学习模型。它通过引入残差连接来解决深度网络中的梯度消失问题。

4.2.5 YOLO

YOLO（You Only Look Once）是一种目标检测模型。它通过单次前向传播来检测图像中的物体。

4.3 模型训练的代码实现

4.3.1 使用PyTorch进行ResNet模型训练

以下是使用PyTorch进行ResNet模型训练的代码实现：

import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms, models deftrain_resnet_model(data_dir, num_classes=2, batch_size=32, num_epochs=10, lr=0.001):# 数据预处理 data_transforms ={'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),}# 加载数据 image_datasets ={x: datasets.ImageFolder(f'{data_dir}/{x}', data_transforms[x])for x in['train','val']} dataloaders ={x: DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True, num_workers=4)for x in['train','val']} dataset_sizes ={x:len(image_datasets[x])for x in['train','val']} class_names = image_datasets['train'].classes # 加载模型 model = models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, num_classes)# 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=lr, momentum=0.9) scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)# 训练模型for epoch inrange(num_epochs):print(f'Epoch {epoch}/{num_epochs -1}')print('-'*10)for phase in['train','val']:if phase =='train': model.train()else: model.eval() running_loss =0.0 running_corrects =0for inputs, labels in dataloaders[phase]: optimizer.zero_grad()with torch.set_grad_enabled(phase =='train'): outputs = model(inputs) _, preds = torch.max(outputs,1) loss = criterion(outputs, labels)if phase =='train': loss.backward() optimizer.step() running_loss += loss.item()* inputs.size(0) running_corrects += torch.sum(preds == labels.data)if phase =='train': scheduler.step() epoch_loss = running_loss / dataset_sizes[phase] epoch_acc = running_corrects.double()/ dataset_sizes[phase]print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}')print('Training complete')return model

五、实战项目：计算机视觉应用开发

5.1 项目需求分析

5.1.1 应用目标

构建一个计算机视觉应用，能够进行图像分类、目标检测、语义分割等任务。

5.1.2 用户需求
  • 支持图像输入和处理
  • 支持图像分类、目标检测、语义分割等任务
  • 提供友好的用户界面，使用简单方便
5.1.3 功能范围
  • 图像输入和处理
  • 图像分类
  • 目标检测
  • 语义分割
  • 结果可视化

5.2 系统架构设计

5.2.1 应用架构

该计算机视觉应用的架构采用分层设计，分为以下几个层次：

  1. 用户界面层：提供用户与系统的交互接口，包括图像输入、图像处理、结果可视化等功能
  2. 应用逻辑层：处理用户请求、业务逻辑和应用控制
  3. 图像处理层：对图像进行处理和分析
  4. 数据存储层：存储图像数据和处理结果
5.2.2 数据存储方案

该系统的数据存储方案包括以下几个部分：

  1. 图像数据存储：使用文件系统存储图像数据
  2. 处理结果存储：使用文件系统存储处理结果

5.3 系统实现

5.3.1 开发环境搭建

首先，需要搭建开发环境。该系统使用 Python 作为开发语言，使用 OpenCV、PIL、PyTorch 和 TensorFlow 等库作为计算机视觉工具，使用 Tkinter 作为图形用户界面。

# 安装 OpenCV 库 pip install opencv-python # 安装 PIL 库 pip install pillow # 安装 PyTorch 库 pip install torch torchvision # 安装 TensorFlow 库 pip install tensorflow
5.3.2 图像输入和处理

图像输入和处理是系统的基础功能。以下是图像输入和处理的实现代码：

import tkinter as tk from tkinter import filedialog from PIL import Image, ImageTk classImageInputFrame(tk.Frame):def__init__(self, parent, on_image_selected): tk.Frame.__init__(self, parent) self.parent = parent self.on_image_selected = on_image_selected # 创建组件 self.create_widgets()defcreate_widgets(self):# 图像显示区域 self.image_label = tk.Label(self) self.image_label.pack(pady=10, padx=10, fill="both", expand=True)# 选择图像按钮 tk.Button(self, text="选择图像", command=self.select_image).pack(pady=10, padx=10)defselect_image(self):# 选择图像文件 file_path = filedialog.askopenfilename(filetypes=[("Image Files","*.png *.jpg *.jpeg *.bmp")])if file_path:# 打开图像 image = Image.open(file_path)# 调整图像大小 image = image.resize((400,300), Image.ANTIALIAS)# 显示图像 photo = ImageTk.PhotoImage(image) self.image_label.configure(image=photo) self.image_label.image = photo # 调用回调函数 self.on_image_selected(file_path)
5.3.3 图像分类

图像分类是系统的核心功能之一。以下是图像分类的实现代码：

import torch from torchvision import transforms, models from PIL import Image defclassify_image(image_path, model_path, class_names):# 数据预处理 data_transforms = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])# 加载图像 image = Image.open(image_path) image = data_transforms(image) image = image.unsqueeze(0)# 加载模型 model = models.resnet18() num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs,len(class_names)) model.load_state_dict(torch.load(model_path)) model.eval()# 分类图像with torch.no_grad(): outputs = model(image) _, preds = torch.max(outputs,1)return class_names[preds[0]]
5.3.4 目标检测

目标检测是系统的核心功能之一。以下是目标检测的实现代码：

import cv2 import numpy as np import torch from torchvision import transforms, models from PIL import Image defdetect_objects(image_path, model_path, class_names):# 加载图像 image = cv2.imread(image_path) image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image_pil = Image.fromarray(image_rgb)# 数据预处理 data_transforms = transforms.Compose([ transforms.Resize((416,416)), transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]) image_tensor = data_transforms(image_pil) image_tensor = image_tensor.unsqueeze(0)# 加载模型 model = models.detection.fasterrcnn_resnet50_fpn(pretrained=False) in_features = model.roi_heads.box_predictor.cls_score.in_features model.roi_heads.box_predictor = models.detection.faster_rcnn.FastRCNNPredictor(in_features,len(class_names)) model.load_state_dict(torch.load(model_path)) model.eval()# 检测物体with torch.no_grad(): outputs = model(image_tensor)# 绘制检测结果 boxes = outputs[0]['boxes'].cpu().numpy() scores = outputs[0]['scores'].cpu().numpy() labels = outputs[0]['labels'].cpu().numpy()for i inrange(len(boxes)):if scores[i]>0.5: box = boxes[i].astype(int) label = class_names[labels[i]] score = scores[i] cv2.rectangle(image,(box[0], box[1]),(box[2], box[3]),(0,255,0),2) cv2.putText(image,f"{label}: {score:.2f}",(box[0], box[1]-10), cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)return image
5.3.5 结果可视化

结果可视化是系统的重要功能之一。以下是结果可视化的实现代码：

import tkinter as tk from tkinter import scrolledtext from PIL import Image, ImageTk classResultFrame(tk.Frame):def__init__(self, parent): tk.Frame.__init__(self, parent) self.parent = parent # 创建组件 self.create_widgets()defcreate_widgets(self):# 结果显示区域 self.result_text = scrolledtext.ScrolledText(self, width=60, height=5) self.result_text.pack(pady=10, padx=10, fill="both", expand=True)defdisplay_result(self, result):# 清空结果 self.result_text.delete("1.0", tk.END)# 显示结果 self.result_text.insert(tk.END, result)
5.3.6 用户界面

用户界面是系统的交互部分。以下是用户界面的实现代码：

import tkinter as tk from tkinter import ttk, messagebox, filedialog from PIL import Image, ImageTk from image_input_frame import ImageInputFrame from result_frame import ResultFrame from cv_functions import classify_image, detect_objects classCVApp:def__init__(self, root): self.root = root self.root.title("计算机视觉应用")# 示例类名 self.class_names =['猫','狗']# 模型路径 self.model_path ='model.pth'# 创建组件 self.create_widgets()defcreate_widgets(self):# 图像输入和处理区域 self.image_input_frame = ImageInputFrame(self.root, self.process_image) self.image_input_frame.pack(pady=10, padx=10, fill="both", expand=True)# 功能选择区域 function_frame = tk.LabelFrame(self.root, text="功能选择") function_frame.pack(pady=10, padx=10, fill="x") self.function_var = tk.StringVar() self.function_var.set("图像分类") tk.Radiobutton(function_frame, text="图像分类", variable=self.function_var, value="图像分类").grid(row=0, column=0, padx=5, pady=5) tk.Radiobutton(function_frame, text="目标检测", variable=self.function_var, value="目标检测").grid(row=0, column=1, padx=5, pady=5)# 结果显示区域 self.result_frame = ResultFrame(self.root) self.result_frame.pack(pady=10, padx=10, fill="both", expand=True)# 输出图像区域 self.output_image_label = tk.Label(self.root) self.output_image_label.pack(pady=10, padx=10, fill="both", expand=True)defprocess_image(self, image_path): function = self.function_var.get()try:if function =="图像分类": result = classify_image(image_path, self.model_path, self.class_names) self.result_frame.display_result(result)elif function =="目标检测": result_image = detect_objects(image_path, self.model_path, self.class_names)# 调整图像大小 result_image = cv2.cvtColor(result_image, cv2.COLOR_BGR2RGB) result_image_pil = Image.fromarray(result_image) result_image_pil = result_image_pil.resize((400,300), Image.ANTIALIAS)# 显示图像 photo = ImageTk.PhotoImage(result_image_pil) self.output_image_label.configure(image=photo) self.output_image_label.image = photo else:raise ValueError("未知功能")except Exception as e: messagebox.showerror("错误",f"处理失败：{str(e)}")if __name__ =="__main__": root = tk.Tk() app = CVApp(root) root.mainloop()

5.4 系统运行与测试

5.4.1 系统运行

运行系统时，需要执行以下步骤：

  1. 安装 OpenCV、PIL、PyTorch 和 TensorFlow 库
  2. 运行 cv_app.py 文件
  3. 选择图像
  4. 选择功能（图像分类、目标检测）
  5. 查看结果
5.4.2 系统测试

系统测试时，需要使用一些测试图像。以下是一个简单的测试图像示例：

  1. 测试图像：一张包含猫和狗的图像
  2. 测试操作：
    • 选择图像
    • 选择功能（图像分类、目标检测）
    • 查看结果

六、总结

本章介绍了计算机视觉的基本概念、重要性和应用场景，以及图像处理技术（图像预处理、增强、滤波）的实现方法。同时，本章还介绍了特征提取方法（HOG、SIFT、ORB）和常用模型与架构（LeNet、AlexNet、VGG、ResNet、YOLO）。最后，通过实战项目，展示了如何开发一个完整的计算机视觉应用。

计算机视觉是人工智能的一个重要分支，它涉及计算机与图像之间的交互。其目标是让计算机能够理解和解释图像内容，从而实现与人类视觉系统类似的功能。

通过学习本章的内容，读者可以掌握计算机视觉的基本方法和技巧，具备开发计算机视觉应用的能力。同时，通过实战项目，读者可以将所学知识应用到实际项目中，进一步提升自己的技能水平。

Read more

5个开源小模型部署推荐：Qwen3-4B-Instruct镜像免配置上手

5个开源小模型部署推荐：Qwen3-4B-Instruct镜像免配置上手 1. 引言：轻量级大模型的落地新选择 随着边缘计算和端侧AI需求的增长，如何在资源受限设备上高效运行高质量语言模型成为开发者关注的核心问题。传统大模型虽性能强大，但对算力、内存和存储的要求使其难以在手机、树莓派等终端设备部署。近年来，4B~8B参数量的小模型凭借“高性能+低开销”的平衡优势，逐渐成为本地化推理与智能Agent应用的理想载体。 通义千问 3-4B-Instruct-2507（Qwen3-4B-Instruct-2507）正是这一趋势下的代表性成果。作为阿里于2025年8月开源的40亿参数指令微调模型，它以“手机可跑、长文本、全能型”为核心定位，支持原生256k上下文并可扩展至百万级token，兼顾通用能力与推理效率。更重要的是，其采用Apache 2.0协议，允许商用且已深度集成主流推理框架，极大降低了部署门槛。 本文将围绕Qwen3-4B-Instruct-2507的技术特性，结合实际应用场景，推荐5种开箱即用的开源部署方案，涵盖桌面端、移动端及嵌入式平台，帮助开发者快速实现免配置上手。

By Ne0inhk
手把手教你在GitHub上运行开源项目（新手必看版）

手把手教你在GitHub上运行开源项目（新手必看版）

📦 说在前面 GitHub这个程序员宝藏平台（我愿称之为代码界的金矿），每天都有成千上万的开源项目更新。但是很多新手朋友看到那些酷炫项目时，经常会遇到三大灵魂拷问：这项目怎么跑起来？需要装什么软件？报错了怎么办？今天咱们就用最接地气的方式，手把手教你从0到1运行GitHub项目！ 🔧 准备工具包（装机三件套） 1. 代码编辑器（必装） 推荐直接上VS Code这个万金油，装好记得在扩展商店安装这两个插件： * GitLens（代码时光机，能看到每行代码的修改记录） * Code Runner（一键运行脚本的神器） （超级重要）👉 如果项目里有.vscode文件夹，一定要用VS Code打开，里面可能有预置的调试配置！ 2. Git客户端（下载代码必备） Windows用户直接装Git for Windows，安装时记得勾选这个选项： Use Git and optional Unix tools from the Command Prompt （这样就能在CMD里用Linux命令了，真香！

By Ne0inhk
【AI大模型前沿】昆仑万维开源Skywork-R1V3：38B多模态推理模型，高考数学142分刷新开源SOTA

【AI大模型前沿】昆仑万维开源Skywork-R1V3：38B多模态推理模型，高考数学142分刷新开源SOTA

系列篇章💥 No.文章1【AI大模型前沿】深度剖析瑞智病理大模型 RuiPath：如何革新癌症病理诊断技术2【AI大模型前沿】清华大学 CLAMP-3：多模态技术引领音乐检索新潮流3【AI大模型前沿】浙大携手阿里推出HealthGPT：医学视觉语言大模型助力智能医疗新突破4【AI大模型前沿】阿里 QwQ-32B：320 亿参数推理大模型，性能比肩 DeepSeek-R1，免费开源5【AI大模型前沿】TRELLIS：微软、清华、中科大联合推出的高质量3D生成模型6【AI大模型前沿】Migician：清华、北大、华科联手打造的多图像定位大模型，一键解决安防监控与自动驾驶难题7【AI大模型前沿】DeepSeek-V3-0324：AI 模型的全面升级与技术突破8【AI大模型前沿】BioMedGPT-R1：清华联合水木分子打造的多模态生物医药大模型，开启智能研发新纪元9【AI大模型前沿】DiffRhythm：西北工业大学打造的10秒铸就完整歌曲的AI歌曲生成模型10【AI大模型前沿】R1-Omni：阿里开源全模态情感识别与强化学习的创新结合11【AI大模型前沿】Qwen2.5-Omni：

By Ne0inhk
idea-claude-code-gui——Atomgit平台上的新玩具-不降智版本

idea-claude-code-gui——Atomgit平台上的新玩具-不降智版本

开源地址 gitcode：https://gitcode.com/zhukunpenglinyutong/idea-claude-code-gui github：https://github.com/zhukunpenglinyutong/idea-claude-code-gui  请留下你的star 目录 开源地址 核心价值 使用效果 安装与使用 具体配置 账号注册与登录 创建APIKey 配置操作 配置APIKey 效果测试 难度测试 模型show 额外总结 一、插件核心信息 二、安装与配置流程 三、功能测试效果 四、适用场景 核心价值 为开发者提供可视化操作界面，集成 Claude Code 和 OpenAI Codex 双 AI 工具，助力 AI 辅助编程，

By Ne0inhk