红外动物检测实战：基于YOLOv8的数据集训练与调优指南-北京尧图网络

简介面向YOLO系列算法在红外场景下的动物目标检测任务这份数据集覆盖郊狼、鹿、猪、兔、浣熊五类目标共包含9568张图像及配套标注适合直接用于目标检测模型的训练、验证与测试。数据已按主流训练要求划分完毕可适配YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLO11等版本。压缩包共2000个文件以XML标注文件为核心同时提供YOLO格式TXT与VOC格式XML两套标签分别存放在独立文件夹中标签采用归一化的中心点坐标与宽高比例方便进行格式切换与模型输入。整个资源包约233.79MB轻量易用目前已有121人学习使用。对于从事红外动物检测、野生动物监测或YOLO模型调参的开发者而言省去了自行标注和划分数据集的繁琐流程可快速开展训练与精度验证是提升项目效率的实用数据集。1. 红外动物检测数据集不是“看见”而是“认出”的问题做红外动物检测的人都有一个共识在红外画面里“看见”动物不难难的是让模型“认出”那团热源是什么。郊狼和狗的热特征几乎一样鹿在热成像里四肢细长、躯干明亮猪和浣熊在低分辨率下就是两个亮斑。这个名为“my-game-pics”的数据集恰好覆盖了郊狼、鹿、猪、兔、浣熊五个类目画像 9568 张跟我之前在很多公开数据集里见到的红外动物数据不太一样——它把“夜间狩猎监控”这个真实落地场景直接推到了你面前。对正在做野生动物监测、农场安防、车辆防撞预警的开发者来说这组数据可以直接拿来训练 YOLO 系列模型少走不少自己采集标注的弯路。这篇文章我会从数据本身的质量检查讲起一路走到 YOLOv8 的训练、避坑和评估调优。2. 数据解构与质量体检训练之前先把家底盘清楚2.1 压缩包内的文件结构IMG 与 ANN 的关系梳理我习惯拿到数据集先解压看结构而不是急着写训练脚本。my-game-pics.zip 解压后通常能看到两个主目录一个放图像一个放标注。图像目录里是 JPG 或 PNG标注目录里可能是同名 .txtYOLO 格式或同名 .xmlVOC 格式。提示标注文件命名与图像完全同名除扩展名是 YOLO 训练的基本前提先确认这一步否则后续写数据加载脚本时会碰一鼻子灰。我一般用一段快速脚本扫一遍完整结构import os from collections import Counter img_dir my-game-pics/IMG ann_dir my-game-pics/ANN img_files [f for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .jpeg, .png))] ann_files [f for f in os.listdir(ann_dir)] print(f图像数量: {len(img_files)}) print(f标注数量: {len(ann_files)}) # 检查同名匹配 img_names {os.path.splitext(f)[0] for f in img_files} ann_names {os.path.splitext(f)[0] for f in ann_files} print(f无标注的图像数: {len(img_names - ann_names)}) print(f无图像的标注数: {len(ann_names - img_names)}) # 检查标注扩展名分布 ext_counter Counter(os.path.splitext(f)[1] for f in ann_files) print(f标注扩展名分布: {dict(ext_counter)})这段脚本做了三件事统计资源总量、核对图像与标注是否一一对应、确认标注文件格式。如果发现无标注图像数量不为零训练时会直接报错或漏样本如果 .xml 和 .txt 混在一起说明数据集来源不干净需要先统一格式。我遇到过标注数量比图像少几十张的情况原因通常是采集设备偶发漏标这种“孤儿图像”要么人工检查补标要么直接剔除。2.2 标注格式识别与转换txt 与 xml 的判别方法YOLO 格式的 .txt 每行是“class_id x_center y_center width height”四个坐标都是归一化到 [0,1] 的浮点数。 VOC 格式的 .xml 则记录未归一化的像素坐标和物体类别名。识别方法很简单打开一个标注文件看看即可# 查看一个 txt 标注YOLO 格式 head -3 my-game-pics/ANN/001.txt # 查看一个 xml 标注VOC 格式 head -20 my-game-pics/ANN/001.xml见到第一行是0 0.523148 0.215278 0.214815 0.166667这种五个数字就是 YOLO 格式见到objectnamedeer/namebndbox这种标签结构就是 VOC。如果数据集混用两种格式我统一转成 YOLO 格式——原因是 YOLO 系列原生态吃这个格式省去训练时的二次转换开销而且按类别文件夹检索时 txt 更省空间。转换的核心逻辑是用 Python 的 xml.etree 解析 bndbox 的 xmin、ymin、xmax、ymax再结合图像宽高做归一化得到 x_center (xmin xmax) / 2 / widthy_center (ymin ymax) / 2 / height宽高同理。注意类别名要映射为从 0 开始的整数 id顺序在全数据集内保持一致不要训练到一半再改映射关系。2.3 类别分布与标注质量分析不平衡与坏框早发现红外动物数据集最容易踩的坑是类别分布严重倾斜。比如郊狼样本 4500 张兔子只有 600 张模型在训练时会倾向把低置信度的目标都预测成郊狼。我在拿到数据后第一件事是统计每个类的样本数和标注框的分布import os import numpy as np # 假设已经确认是 YOLO 格式 labels_dir my-game-pics/ANN class_names [coyote, deer, pig, rabbit, raccoon] cls_counter {name: 0 for name in class_names} box_count 0 invalid_lines 0 for fname in os.listdir(labels_dir): if not fname.endswith(.txt): continue with open(os.path.join(labels_dir, fname), r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: invalid_lines 1 continue cls_id int(parts[0]) w, h float(parts[3]), float(parts[4]) if cls_id len(class_names): cls_counter[class_names[cls_id]] 1 box_count 1 # 框宽高异常检测 if w 1.0 or h 1.0 or w 0 or h 0: print(f异常框: {fname} - {line.strip()}) print(f各类别标注框数量: {cls_counter}) print(f总框数: {box_count}, 无效行: {invalid_lines})这段脚本会打印每个类别的框数、总框数和归一化异常值。归一化后宽度 1 说明标注时图像尺寸信息错位常见原因是原始图像被缩放后没有同步更新标注。无效行多半是行尾多了个空格或者标注工具导出了多余字段。框宽高比也能反映问题比如浣熊这种圆胖体型的宽高比通常在 0.81.2 之间鹿是 0.30.6如果出现大量比例异常多半是标注框把四周环境也框进去了影响模型学习目标的真实形状。这个数据集的标注质量前人已经做过一轮整理但我仍然坚持自己跑一遍脚本训练前发现问题比训练后排查花的时间少一个量级。2.4 红外图像特点与可见光预训练权重的兼容性红外图像本质是单通道灰度图只是用伪彩色映射成了不同显示效果。YOLOv8 的模型输入通常是三通道直接把红外灰度图复制成三通道喂进去就行不需要修改网络结构。但这里有个隐藏问题YOLO 官方权重是在 COCO 这种可见光数据集上预训练的模型前几层已经学会了彩色纹理特征比如毛发的颜色、树干和动物的色彩差。红外图没有颜色信息只有热辐射差这导致预训练权重对红外场景的迁移效果打折扣收敛速度比纯可见光任务慢。我一般会做几组消融验证一组用官方 pretrained 权重微调一组从头训练pretrainedFalse。红外数据集如果足够大超过 5000 张从头训练的效果往往不比微调差而且后面调参时不受预训练分布干扰。这个数据集的 9568 张规模刚好在两者之间我会先跑一轮随机初始化训练作为 baseline再用预训练权重做对照最后选验证集 mAP 高的方案。3. 环境搭建与数据划分把训练管道跑通3.1 YOLOv8 训练环境的快速配置我通常基于 ultralytics 库来做训练和推理它把数据加载、模型定义、训练循环封装得比较完整适合先把管道跑通再做二次开发。环境配置建议用 conda 隔离避免系统 Python 环境污染conda create -n yolo-infrared python3.10 -y conda activate yolo-infrared pip install ultralytics opencv-python pyyaml pandas matplotlib这里 python 3.10 与当前版本 PyTorch 的兼容性最稳opencv-python 负责图像读取和预处理pyyaml 用于解析配置文件。如果机器有 NVIDIA 显卡建议先装对应 CUDA 版本的 PyTorch再装 ultralyticspip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics安装完可以用一段 Python 验证环境可用性打印 CUDA 是否可用import torch from ultralytics import YOLO print(fPyTorch version: {torch.__version__}) print(fCUDA available: {torch.cuda.is_available()}) if torch.cuda.is_available(): print(fGPU name: {torch.cuda.get_device_name(0)})这段脚本通过 torch.cuda.is_available() 判断是否启用了 GPU 训练如果返回 FalseYOLO 也能在 CPU 上硬跑但速度会慢几十倍9568 张红外图训练一轮动辄几个钟头还是建议在 GPU 环境下做。3.2 数据集划分与 yaml 文件编写训练前把数据集划分成 train / val / test 三份。常见划分比例是 7:2:1 或 8:1:1。红外场景里同一地点不同时间的画面差异巨大划分时要避免把同一时刻连续帧的相似图像分别放进训练集和验证集否则评估分数虚高。我习惯先按文件名字典序排序再按一定间隔抽到验证集尽量拉大训练集与验证集的时间间隔import os import random from sklearn.model_selection import train_test_split img_files [f for f in os.listdir(my-game-pics/IMG) if f.endswith(.jpg)] img_files.sort() train_files, val_files train_test_split(img_files, test_size0.2, random_state42) with open(train.txt, w) as f: for name in train_files: f.write(fmy-game-pics/IMG/{name}\n) with open(val.txt, w) as f: for name in val_files: f.write(fmy-game-pics/IMG/{name}\n) print(f训练集: {len(train_files)}, 验证集: {len(val_files)})用 train_test_split 且 random_state 固定保证每次运行得到相同的划分结果。我这步不额外切 test 集直接用 val 集做模型选择test 留到最终部署前再人工实拍验证效果更贴近真实场景。接下来是 YOLOv8 的 yaml 文件需要写明路径、类别数和类别名# infrared_animals.yaml path: /data/infrared_animal_dataset train: train.txt val: val.txt names: 0: coyote 1: deer 2: pig 3: rabbit 4: raccoonpath 字段写绝对路径可以避免相对路径解析问题train 和 val 写 image 文件列表路径names 是从 0 开始的类别顺序与标注文件里的 class_id 严格一致。这一步出错最常见的症状是训练启动时报“Dataset not found”或者类别数量不匹配停在这一步排查比重训快得多。3.3 启动训练的关键参数与红外场景调整执行训练的命令我用最小化参数起步yolo detect train \ datainfrared_animals.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ patience20 \ projectinfrared_exp \ namebaseline参数含义如下表参数值说明datainfrared_animals.yaml数据集配置路径modelyolov8n.pt官方预训练权重作为迁移学习起点epochs100总训练轮数实际按早停结束imgsz640训练时缩放边长与推理时保持一致batch16受显存限制调节V100 级别显卡可到 32patience20验证集指标连续 20 轮不提升则停止device0指定 GPU 编号红外图像对比度低背景温度与动物体温接近时模型很难区分目标与环境。我一般会在 baseline 跑完后调整两项一是 imgsz 从 640 提到 768红外小目标比如距离摄像头 30 米以外的兔子在低分辨率下只有十几个像素放大输入尺寸对召回率有明显帮助二是关闭或降低 mosaic 增强的强度因为红外图本身细节少mosaic 拼接容易把动物的热辐射特征切碎让模型学到错误的上下文。启动训练时终端里看到“All images loaded”和“Starting training”这两行日志就说明数据加载和配置没问题。4. 训练避坑指南红外动物检测的五个血泪教训4.1 坑一标签丢失导致训练集缩水现象训练日志里“Train dataset”显示的数量比自己统计的图像数少了几百张。原因部分图像没有对应标注文件ultralytics 库在加载数据集时直接跳过这些无标注图像并不报错。解决回到解压检查那一步把 img 目录和 ann 目录做集合求差逐一确认是补齐标注还是删除图像。曾经我在一个项目里忽略了这个细节当时以为数据集质量没问题结果训练到一半发现精度始终上不去回头检查才发现少标了近百张猪的样本——因为夜间猪栏里温度高猪和地面背景几乎融为一体标注员漏标率特别高。这类“看不见的目标”漏标在红外数据里是重灾区建议用预训练模型先对无标注图像做一轮推理人工确认那些置信度高但是无标签的候选框能找回不少漏标样本。4.2 坑二归一化坐标异常导致训练崩溃现象训练过程中 loss 出现 NaN或者训练能跑完但 mAP 为 0。原因标注文件里存在 x_center、y_center、width、height 这些归一化值超过 1 或小于 0 的异常行通常在图像 resize 时旧标注未同步更新。解决写一个全局检查脚本遍历所有标注文件把 w/h 越界、坐标为负、类别 id 超过类别总数的行全部打印出来然后人工修正或剔除对应图像。这个步骤放在数据划分之前不要在训练报错后再回来查。判断坏数据的标准很简单width 或 height 大于 1.0说明图像尺寸改变后标注没跟着变坐标落在 [0,1] 之外说明标注工具的坐标系约定和 YOLO 格式不一致。4.3 坑三伪彩色红外图干扰模型学习现象输入换成伪彩色红外图后验证集 mAP 反而比灰度三通道低 5 个点。原因很多红外设备导出的是经过调色板映射的伪彩色图比如把温差映射成绿/蓝/红色这类颜色信息和动物类别没有因果关系模型花了大量参数去学习颜色分布动物边缘和纹理反而被削弱。解决训练前统一把输入图像转成灰度后再复制成三通道即保留热辐射的空间梯度丢弃无意义的色彩映射。具体做法是用 OpenCV 的 cvtColor 转 GRAY再用 merge 合成三通道。如果原始数据直接是 BGR 伪彩色需要确认设备导出的调色板是线性映射的非线性非线性调色板下灰度转换会丢失温度分辨率这类情况反而直接用原始三通道更好。我建议两种做法各跑 50 轮对比验证集 mAP用数据决定而不是靠感觉。4.4 坑四类别不均衡让郊狼“霸屏”现象训练结束后所有测试图像中置信度大于 0.25 的预测框几乎都是郊狼鹿和浣熊难得看到。原因数据集中郊狼样本数远超其他类别模型在 loss 计算中整体偏向多数类后验概率被拉偏。解决设置类别权重对样本少的类别提高 loss 系数。YOLOv8 支持在训练时传递 class_weight 参数或者用数据增强方式对少数类过采样。直观做法是复制兔子、浣熊的图像多轮参与训练但要注意防止过拟合。另一个更稳的办法是多训练几个轮次在早停前保存最佳权重然后单独看每个类别的 PR 曲线针对掉得多的类别调高置信度阈值之外也可以考虑用训练集中该类样本单独做一次微调即 few-shot 二次训练这个做法在红外野生动物识别里见效比较快。4.5 坑五小目标漏检从数据增强层面就埋下了现象鹿能看到兔子漏检近距离能看到距离远了在测试图上完全没预测框。原因红外成像分辨率有限远处的兔子在图像里可能只占 8×8 像素模型下采样多次后特征图里连一个点都不剩。mosaic 增强虽然能救一部分中尺度目标但小目标经过多次裁剪缩放后信息丢失更严重。解决在数据管道里不再用默认 mosaic而是把 mosaic 概率调到 0.5 以下同时开启 YOLOv8 内置的 small object 优化通道sa 参数。此外模型选型也有讲究yolov8s 相比 yolov8n 参数量更大特征提取能力强一截在小目标上的提升比调任何增强参数都明显。如果推理资源允许yolov8m 在红外小目标上的表现更好代价是推理速度从 2ms 涨到 6ms同一张 GPU对于监控摄像头场景完全可接受。5. 模型评估与调优看指标不如看预测图5.1 指标解析mAP、Precision、Recall 在红外场景的合理解读训练结束后ultralytics 会在 project/exp 目录生成 results.csv 和混淆矩阵等输出。我首先看的是验证集上的 mAP0.5 和 mAP0.5:0.95 两个核心指标。mAP0.5 衡量框位置粗略正确时类别判断的准确性mAP0.5:0.95 则把 IoU 阈值从 0.5 到 0.95 逐步收紧对框定位精度要求更苛刻。红外场景里由于目标轮廓模糊模型预测框往往偏大mAP0.5:0.95 通常会比可见光任务低 10 个百分点以上这不一定代表模型差也受数据集标注本身主观性的影响。越深的模型yolov8n→yolov8s→yolov8m在红外场景 mAP 提升通常比可见光题材更明显因为红外特征少模型需要更大容量去学细微的热模式差异。我整理一份常见结果区间供参考模型mAP0.5 参考区间单帧推理耗时GPU适用场景yolov8n0.65~0.75~2ms边缘盒子低功耗yolov8s0.72~0.82~3.5ms监控摄像头实时流yolov8m0.76~0.85~6ms后台分析精度优先这个区间是在夜间牧场监控、红外围栏预警这类场景下的经验值与具体的摄像头型号、安装高度、天气条件关系很大只能用作选型参考。5.2 单类别分析与错误样本回溯定位模型真正的短板全局 mAP 掩盖了很多信息。我训练完会逐类打印指标找出掉队的那一类from ultralytics import YOLO model YOLO(infrared_exp/baseline/weights/best.pt) metrics model.val(datainfrared_animals.yaml, splitval) for i, cls_name in enumerate([coyote, deer, pig, rabbit, raccoon]): p metrics.box.p[i] r metrics.box.r[i] ap50 metrics.box.ap50[i] print(f{cls_name}: Precision{p:.3f}, Recall{r:.3f}, mAP0.5{ap50:.3f})如果鹿的 mAP 高但 Recall 低说明很多目标漏检问题出在特征提取和小目标处理如果 Precision 低但 Recall 高说明误报多红外场景常见原因是环境里的热源干扰比如白天晒热的岩石、废弃的铁皮屋温度特征和动物相近。分析错误样本时我习惯把验证集所有预测结果可视化重点看三类图像漏检的、误检的、框偏差很大的。Python 脚本把模型预测的置信度阈值调低到 0.1让模型尽量多输出候选框再人工筛选可以看到模型在 0.25 阈值下压抑掉的正确预测——这类预测说明模型其实已经学到了目标特征只是置信度校准偏低可以通过降低推理阈值改进。5.3 红外场景的专属调参温度对比度与背景抑制红外图像质量跟环境温度强相关冬季动物体温与地面温差大模型表现好夏季傍晚动物体温与环境接近目标与背景几乎不可分模型再大也难救。针对这类图像我通常在预处理阶段加一个对比度拉伸用 CLAHE 限制对比度自适应直方图均衡import cv2 def enhance_infrared(img_path, save_path): img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) clahe cv2.createCLAHE(clipLimit3.0, tileGridSize(8, 8)) enhanced clahe.apply(img) rgb cv2.merge([enhanced, enhanced, enhanced]) cv2.imwrite(save_path, rgb)训练前把整个数据集的图像做一遍增强让动物边缘梯度更锐利。clipLimit3.0 是经验值太大容易把背景噪点也放大太小看不出效果。这个预处理步骤对 model 的收敛速度帮助比较大相当于把标注员在标注时看到的细节通过图像增强带回到训练数据里。推理时也要对输入图像做同样的 CLAHE 增强保持训练与推理数据分布一致否则模型性能会明显掉点。5.4 置信度阈值与 NMS 参数在部署时的再调整模型的默认置信度阈值是 0.25NMS IoU 阈值是 0.7这只是训练框架的默认预置不是部署场景的自动最优值。红外监控场景误报带来的代价比如无人机的无效飞行、安防系统的警情误报通常比漏报更大我会把置信度阈值调高到 0.350.4如果应用是物种稀有度调查漏一次可能错过关键记录阈值可以降到 0.150.2。调阈值用 val 集做校准最简单from ultralytics import YOLO model YOLO(infrared_exp/baseline/weights/best.pt) results model.val(datainfrared_animals.yaml, splitval, conf0.3, iou0.6) print(fmAP0.5: {results.box.map50:.4f}) print(fmAP0.5:0.95: {results.box.map:.4f}) print(fPrecision: {results.box.mp:.4f}, Recall: {results.box.mr:.4f})把 conf 和 iou 按 0.05 步进扫描一遍画出 PR 曲线和置信度直方图选在 Precision 和 Recall 交叉点附近的阈值。注意 NMS IoU 阈值调低如 0.5会让重叠框更容易被抑制适合动物密集出现鹿群的场景调高如 0.8保留更多重叠框适合动物目标本身存在遮挡的场景。这两个参数直接决定最终输出数量不调就用默认值等于把决策权交给了训练框架的通用配置。6. 用自建批处理脚本验证泛化能力新场景测试比指标更靠谱训练结束后我基本不看验证集指标做最终决定而是准备一批完全没有参与训练的新红外素材。具体做法是找一个小型红外监控设备或者网上公开的夜间动物监控视频截取 100 到 200 帧不同角度、不同距离、不同时间段、不同天气下的画面单独放到一个新目录用训练好的模型做批量推理并输出可视化结果。from ultralytics import YOLO import glob import os model YOLO(infrared_exp/baseline/weights/best.pt) test_images glob.glob(independent_test/*.jpg) os.makedirs(independent_test_output, exist_okTrue) all_conf [] for img_path in test_images: results model.predict( sourceimg_path, conf0.25, iou0.6, saveTrue, projectindependent_test_output, namerun1, imgsz768 ) for r in results: if r.boxes is not None: all_conf.extend(r.boxes.conf.tolist()) print(f测试图像数: {len(test_images)}) print(f平均置信度: {sum(all_conf) / len(all_conf):.3f}) print(“检测到的目标总数: {len(all_conf)}”)这段脚本会把每帧图像的预测结果叠加画在原图上输出到 independent_test_output 目录同时打印平均置信度和目标总数。我逐个翻看输出图重点关注四个维度目标是否被检出、是否有环境热源误报、远距离小目标是否能保持框的位置准确、同一物体连续多帧的类别预测是否稳定。连续多帧类别不稳是大问题比如同一只鹿第 10 帧是 deer、第 12 帧变成 coyote说明模型在相似热特征下不具备鲁棒性通常需要在训练数据里补充更多该场景的负样本红外环境下的岩石、铁皮建筑、其他动物。新场景测试里如果发现了系统性误报我会把这类图像收集起来从原数据集里找相似样本或者直接人工标注几十张新图做一轮增量微调。这个“训练—新场景验证—补数据—再微调”闭环是我做红外检测项目的基本功。图像数据集的价值不在于一开始就完美无瑕而在于它能不能提供一个足够可靠的起点让你在自己的数据上通过增量训练快速收敛。那次在夜间的牧场做实地部署模型在训练集验证 mAP 高达 0.83换到现场摄像头后鲁棒性明显下降——原因就是训练集里没有包含夏季傍晚环境温度接近动物体温的情况。后来把 CLAHE 增强、温度感知策略加进预处理环节又把傍晚时段采集的 400 帧图像补标入训练集后漏检率才真正降下来。这提醒我一个 9568 张的数据集能帮你建立 baseline但真正解决生产线上的问题靠的还是自己针对具体设备的增量数据。希望这套流程能让你少走些弯路拿到数据集后直接顺着这个管道把模型跑起来再根据你自己的视频素材反复迭代。本文还有配套的精品资源点击获取

红外动物检测实战：基于YOLOv8的数据集训练与调优指南

相关推荐

数据库原理课后题实战：用SQLite复现SQL、范式与事务验证

基于Node.js与Vue.js的外卖订单系统开发实践

C# TCP/IP服务端实现LIS双向通讯与ASTM协议解析

更多资讯

VMware Tools 8.8.0 安装实战：内核模块编译与常见故障排查

Spark cache与unpersist深度解析：从内存管理到缓存治理

智慧城市人行道检测实战：自建YOLO数据集与边缘部署全流程

Log Explorer for SQL Server：事务日志解析与UNDO脚本生成实战

DC-4靶机实战解析：Linux权限提升与漏洞链式推理

SSD生命周期预测：从SMART数据到机器学习实战

今日更新

小波包能量谱原理与MATLAB实现：从频带分解到故障特征提取

基于LSTM的网易云音乐评论情感分析：数据清洗与模型调优实战

Alpha-Beta剪枝与极大极小值算法：博弈树搜索原理与实战优化

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？