| 1 |
hello-algo |
动画图解、一键运行的数据结构与算法教程。支持 Python, Java, C++, C, C#, JS, Go, Swift, Rust, Ruby, Kotlin, TS, Dart 代码。本项目旨在打造一本开源免费、新手友好的数据结构与算法入门教程。 全书采用动画图解，内容清晰易懂、学习曲线平滑，引导初学者探索数据结构与算法的知识地图。 源代码可一键运行，帮助读者在练习中提升编程技能，了解算法工作原理和数据结构底层实现。 提倡读者互助学习，欢迎大家在评论区提出问题与分享见解，在交流讨论中共同进步。 |
| 2 |
metube |
一个功能强大、使用方便的YouTube视频下载工具，能满足各种离线观看需求。通过Docker容器部署，可以快速搭建一个自托管的视频下载服务，提供简洁美观的Web界面。它基于强大的youtube-dl/yt-dlp库，支持从YouTube和数十个其他网站下载视频。 |
| 3 |
flux |
由Stable Diffusion原班人马打造的开源文生图模型，因逼近Midjourney的出色生成质量成为文生图领域的“开源王者”。模型来自于德国创业公司 Black Forest Labs，拳打MJ脚踩SD，图片质量做到了行业天花板，道德底线也压到了地板砖FLUX.1采用了Stable Diffusion 3类似架构，但新引入了DoubleStreamBlock结构，达到了超越Stable Diffusion 3 甚至挑战Midjourney V6的生成质量。在对指令的精准遵循、文字生成能力、手部细节生成等方面，FLUX.1表现尤为突出，展现出在文生图领域的革新潜力。12B的模型就有23.8G大，低于12G的显卡完全没戏了。实测，起码得有16G显存，才能比较顺畅在本地跑好这个FLUX。 |
| 4 |
PayloadsAllTheThings |
网络应用安全和渗透测试的资源集合。该项目汇集了多种有用的有效载荷和绕过技术，旨在帮助安全研究人员和渗透测试人员提高他们的工作效率。 项目用途 “PayloadsAllTheThings”提供了一系列的有效载荷和技术，涵盖了多种网络安全漏洞的利用方法。项目的主要功能包括： 漏洞描述与利用：每个章节详细描述了特定漏洞的性质及其利用方式，提供了多种有效载荷供用户参考。 工具集成：项目中包含了与Burp Suite等渗透测试工具兼容的文件，便于用户直接使用。 资源丰富：除了有效载荷，项目还提供了关于多种攻击方法的文档，如Active Directory攻击、云环境渗透测试、Linux和Windows的特权提升等。“PayloadsAllTheThings”因其全面的资源和实用性，成为网络安全领域的重要工具，受到广泛的关注和使用。 |
| 5 |
roop |
一款基于深度学习框架TensorFlow和Keras开发的单图换脸工具包，提供了丰富的功能和简洁易用的界面，使得用户可以轻松实现单图换脸操作。支持多张人脸替换成同一个人脸，勾选多人脸模式即可 人脸替换 + 高清修复自动化处理的功能 支持直播换脸，选择人脸图片，点击开始直播即可 背景高清修复功能，对画面全局进行高清放大，推荐显卡，CPU 就不要跑了，非常慢.由于某些原因作者已经停止更新 |
| 6 |
Deep-Live-Cam |
一个开源的实时人脸交换和视频深伪工具，该项目允许用户仅通过一张图片在视频中实现实时的人脸替换. 使用场景 实时直播：用户可以在直播中实时替换自己的面孔，增加互动性和趣味性。 视频制作：通过简单的操作，用户能够快速生成高质量的深伪视频，适用于短视频平台或社交媒体。 影视制作：在电影或短片制作中，利用该技术进行特效处理，提升视觉效果。作者意识到深度伪造技术可能带来的伦理问题，因此在软件中内置了防滥用机制，防止处理不当内容（如裸体、暴力等）。同时，作者鼓励用户在使用真实人物的面孔时获得相关同意，并在发布内容时明确标注为深伪作品。 |
| 7 |
polars |
一个高性能的数据处理和分析库，主要用Python和Rust编写。在需要更高性能的场景下，可以作为pandas的替代品。Polars在许多常见操作中比Pandas快10到100倍。这是因为Polars利用了Rust的性能优势，并且采用了Apache Arrow的内存格式，Polars的内存需求显著低于Pandas。Pandas通常需要数据集大小的5到10倍的RAM，而Polars只需要2到4倍。Pandas：适用于数据探索、数据可视化和机器学习管道集成。Pandas与许多Python数据科学库（如scikit-learn和PyTorch）具有良好的兼容性。 Polars：适用于需要高性能数据处理的大规模数据集。Polars在数据转换和处理效率上表现出色，但在数据探索和机器学习集成方面仍有一定局限性Polars设计用于高效处理大规模结构化数据。它提供了以下主要功能： 快速数据处理：利用Rust的性能优势，Polars能够高效处理大型数据集。 内存效率：通过使用Apache Arrow内存格式，Polars实现了高效的内存使用。 表达式语言：提供了强大的查询语言，用于数据转换和分析。 并行计算：支持多线程处理，充分利用现代CPU的多核性能。 多种数据格式支持：可以读写CSV、Parquet、JSON等多种数据格式。 |
| 8 |
ruff |
一个快速的 Python linter 和代码格式化工具。其主要用途包括： 代码检查（Linting）：检查 Python 代码中的错误、潜在问题和风格违规。 代码格式化：自动调整 Python 代码的格式，使其符合特定的代码风格指南。 性能优化：Ruff 以其高速性能著称，能够快速处理大型代码库。 代码质量提升：通过严格的检查和格式化，提高整体代码质量。Ruff 的一个主要特点是其速度，它比传统的 Python linters 快得多，这使得它特别适合处理大型代码库或在 CI/CD 管道中使用。此外，Ruff 还提供了与多种流行的编辑器和 IDE 的集成，使得在日常开发中使用变得非常方便。 总的来说，Ruff 是一个强大的工具，旨在提高 Python 开发的效率和代码质量，适用于从个人项目到大型企业级应用的各种场景。 |
| 9 |
yapf |
一个Python代码格式化工具。其主要用途包括： 代码格式化：自动调整Python代码的格式，使其符合特定的代码风格指南。 保持一致性：帮助团队在整个项目中保持统一的代码风格。 提高可读性：通过标准化代码格式，提高代码的可读性。 节省时间：自动化格式化过程，减少开发者在手动调整代码格式上花费的时间。YAPF的特点是它尝试以尽可能最好的方式来格式化代码，即使这意味着可能会重写原始源代码。它基于Clang格式化工具的算法，提供了高度的可配置性，允许用户根据自己的偏好调整格式化规则。 总的来说，YAPF是一个强大的工具，旨在帮助Python开发者和团队维护清晰、一致的代码风格，从而提高代码质量和开发效率。 |
| 10 |
python-patterns |
一个Python设计模式和惯用法的集合。它旨在展示如何在Python中实现各种设计模式，包括创建型模式、结构型模式、行为型模式等。这个集合不仅包括传统的Gang of Four (GoF) 设计模式，还包括一些其他有用的模式和惯用法。项目包含多种类型的设计模式，如： 创建型模式：抽象工厂、单例（Borg）、建造者、工厂、延迟评估、对象池、原型等。 结构型模式：三层架构、适配器、桥接、组合、装饰器、外观、享元、前端控制器、MVC、代理等。 行为型模式：责任链、命令、迭代器、中介者、备忘录、观察者、发布-订阅、状态、策略、模板方法、访问者等。 其他模式：依赖注入、委托模式、黑板模式等。 此外，项目还提供了详细的文档、示例代码，以及贡献指南，鼓励社区参与和贡献 |
| 11 |
build-your-own-x |
一个项目集合，包含了各种“自己动手构建”的项目指南。这些指南涵盖了广泛的主题，从构建简单的工具到复杂的系统，旨在帮助开发者通过实践来深入理解各种技术和概念。里面部分项目是用Python开发的 |
