CVAT：开源计算机视觉标注工具的全面解析
CVAT（Computer Vision Annotation Tool）是一个开源的交互式视频和图像标注工具，专为计算机视觉任务而设计。作为数据驱动AI方法的核心基础设施，CVAT已经成为全球数万用户和企业的首选标注平台，在计算机视觉生态系统中占据着重要地位。该项目通过降低标注门槛、提升标注效率和促进标准化，帮助开发人员、公司和组织解决实际问题。CVAT采用现代化的技术栈构建，支持超过20种行业标准标注格式，并集成了先进的深度学习自动化标注功能，具备开源生态优势、企业级功能特性和灵活的部署方式。
CVAT项目概述与核心价值
CVAT（Computer Vision Annotation Tool）是一个开源的交互式视频和图像标注工具，专为计算机视觉任务而设计。作为数据驱动AI方法的核心基础设施，CVAT已经成为全球数万用户和企业的首选标注平台，在计算机视觉生态系统中占据着重要地位。
项目使命与愿景
CVAT的核心使命是帮助全球的开发人员、公司和组织通过数据中心的AI方法解决实际问题。项目致力于：
- 降低标注门槛：提供直观易用的界面，让非专业用户也能高效完成复杂的数据标注任务
- 提升标注效率：通过自动化标注功能和丰富的工具集，将标注速度提升高达10倍
- 促进标准化：支持多种行业标准格式，确保标注数据的兼容性和可复用性
技术架构与核心特性
CVAT采用现代化的技术栈构建，具备高度模块化的架构设计：
graph TB
A[CVAT核心架构] --> B[前端UI层]
A --> C[核心服务层]
A --> D[数据处理层]
B --> B1[React/TypeScript]
B --> B2[Canvas渲染引擎]
B --> B3[3D标注界面]
C --> C1[Django REST框架]
C --> C2[PostgreSQL数据库]
C --> C3[Redis任务队列]
D --> D1[OpenCV图像处理]
D --> D2[FFmpeg视频处理]
D --> D3[Datumaro数据集框架]
多格式支持能力
CVAT支持超过20种行业标准标注格式，确保与主流机器学习框架的无缝集成：
| 标注格式 | 导入支持 | 导出支持 | 主要应用场景 |
|---|---|---|---|
| CVAT XML | ✔️ | ✔️ | 原生格式，完整功能支持 |
| PASCAL VOC | ✔️ | ✔️ | 目标检测标准格式 |
| YOLO | ✔️ | ✔️ | 实时目标检测 |
| MS COCO | ✔️ | ✔️ | 实例分割基准 |
| MOT/MOTS | ✔️ | ✔️ | 多目标跟踪 |
| LabelMe | ✔️ | ✔️ | 图像标注工具兼容 |
| Cityscapes | ✔️ | ✔️ | 自动驾驶场景分割 |
自动化标注功能
CVAT集成了先进的深度学习服务器less函数，支持多种自动标注算法：
pie title 自动化标注算法分布
"目标检测" : 35
"实例分割" : 25
"交互式标注" : 20
"目标跟踪" : 15
"语义分割" : 5
支持的算法包括Segment Anything、Faster RCNN、YOLO系列、Mask RCNN等主流模型，覆盖了从目标检测到实例分割的全方位需求。
核心价值主张
1. 开源生态优势
作为MIT许可证下的开源项目，CVAT具备以下核心优势：
- 完全免费使用：无任何功能限制或隐藏费用
- 社区驱动发展：活跃的开发者社区持续贡献新功能
- 透明可信赖：代码完全开放，确保数据安全和隐私保护
- 自定义扩展：企业可以根据特定需求进行二次开发
2. 企业级功能特性
CVAT提供了完整的企业级解决方案：
flowchart LR
A[数据管理] --> B[团队协作]
B --> C[质量控制]
C --> D[自动化流水线]
subgraph E[企业功能模块]
F[多用户权限管理]
G[项目组织架构]
H[审计日志追踪]
I[数据分析报表]
end
D --> E
3. 部署灵活性
CVAT支持多种部署方式，满足不同规模团队的需求：
| 部署方式 | 适用场景 | 核心优势 |
|---|---|---|
| 云端SaaS | 个人/小团队 | 零配置，即时可用 |
| 本地Docker | 中型团队 | 数据本地化，可控性强 |
| Kubernetes集群 | 大型企业 | 高可用，弹性扩展 |
| 混合云部署 | 合规要求 | 灵活的数据存储策略 |
技术生态系统集成
CVAT与主流计算机视觉工具链深度集成：
- Roboflow集成：支持50,000+预训练模型的自动标注
- Hugging Face集成：无缝接入最新的Transformer模型
- FiftyOne集成：数据集管理和模型分析工具链
- Datumaro框架：数据集转换和增强工具
实际应用价值
在实际应用中，CVAT为各类计算机视觉项目提供了关键价值：
- 研发效率提升：减少80%的数据准备时间，让团队专注于模型优化
- 标注质量保证：内置的质量控制机制确保标注数据的一致性
- 成本控制：相比商业标注服务，成本降低60-80%
- 知识沉淀：标注过程和标准可以在组织内部积累和复用
CVAT不仅仅是一个标注工具，更是连接原始数据与智能算法的重要桥梁。通过提供专业、高效、可靠的标注解决方案，CVAT正在推动整个计算机视觉行业向更加开放、协作的方向发展。
项目架构与模块组成分析
CVAT（Computer Vision Annotation Tool）作为一个功能强大的开源计算机视觉标注工具，其架构设计采用了现代化的微服务架构模式，通过模块化设计实现了高内聚、低耦合的系统结构。整个系统由多个独立的模块组成，每个模块承担特定的功能职责，共同协作完成图像和视频标注任务。
核心架构层次
CVAT的整体架构可以分为四个主要层次：
flowchart TD
A[CVAT系统架构] --> B[前端展示层]
A --> C[业务逻辑层]
A --> D[数据访问层]
A --> E[基础设施层]
B --> B1[cvat-ui<br>React用户界面]
B --> B2[cvat-canvas<br>标注画布组件]
B --> B3[cvat-canvas3d<br>3D标注组件]
C --> C1[Django REST API]
C --> C2[任务管理模块]
C --> C3[标注处理模块]
C --> C4[用户权限管理]
D --> D1[PostgreSQL数据库]
D --> D2[Redis缓存]
D --> D3[文件存储系统]
E --> E1[Docker容器化]
E --> E2[消息队列系统]
E --> E3[自动标注服务]
主要功能模块详解
1. 前端模块体系
CVAT的前端采用模块化设计，每个模块都有明确的职责边界：
| 模块名称 | 技术栈 | 主要功能 | 依赖关系 |
|---|---|---|---|
| cvat-ui | React + Redux + Antd | 用户界面展示、任务管理、项目管理 | 依赖cvat-core和cvat-canvas |
| cvat-core | TypeScript | 核心业务逻辑、API调用、数据管理 | 独立模块，提供基础服务 |
| cvat-canvas | TypeScript | 2D标注画布、图形绘制、交互处理 | 被cvat-ui调用 |
| cvat-canvas3d | TypeScript | 3D点云标注、立体视觉支持 | 可选模块，扩展3D功能 |
| cvat-data | TypeScript | 数据管理、文件处理、格式转换 | 支持多种数据格式 |
2. 后端服务架构
后端基于Django框架构建，采用RESTful API设计：
classDiagram
class DjangoBackend {
+REST API接口
+用户认证管理
+任务调度处理
+数据持久化
}
class TaskManagement {
+create_task()
+update_task()
+delete_task()
+list_tasks()
}
class AnnotationEngine {
+create_annotation()
+update_annotation()
+export_annotations()
+import_annotations()
}
class UserManagement {
+user_authentication()
+permission_control()
+organization_management()
}
class DataProcessing {
+file_upload()
+video_processing()
+image_processing()
+format_conversion()
}
DjangoBackend --> TaskManagement
DjangoBackend --> AnnotationEngine
DjangoBackend --> UserManagement
DjangoBackend --> DataProcessing
3. 数据处理流水线
CVAT的数据处理采用流水线架构，支持多种数据格式的输入输出：
sequenceDiagram
participant User as 用户
participant UI as cvat-ui
participant Core as cvat-core
participant Backend as Django后端
participant DB as 数据库
participant Storage as 文件存储
User->>UI: 上传数据文件
UI->>Core: 处理文件元数据
Core->>Backend: API调用创建任务
Backend->>DB: 存储任务信息
Backend->>Storage: 保存原始文件
Backend-->>Core: 返回任务ID
Core-->>UI: 更新界面状态
UI-->>User: 显示任务创建成功
4. 标注引擎模块
标注引擎是CVAT的核心组件，支持多种标注类型和交互模式：
| 标注类型 | 支持功能 | 技术实现 | 应用场景 |
|---|---|---|---|
| 2D图像标注 | 矩形、多边形、点、折线 | Canvas 2D API | 目标检测、分割 |
| 视频标注 | 目标跟踪、关键帧 | 视频帧提取技术 | 行为分析、运动跟踪 |
| 3D点云标注 | 立体框、点云分割 | WebGL渲染 | 自动驾驶、机器人视觉 |
| 文本标注 | OCR文本标注 | 文本处理引擎 | 文档分析、NLP |
| 音频标注 | 语音分段标注 | 音频处理库 | 语音识别、音频分析 |
5. 自动标注服务集成
CVAT集成了多种自动标注服务，通过serverless架构实现：
# 自动标注服务配置示例
class AutoAnnotationService:
def __init__(self, model_config):
self.model_type = model_config['type']
self.framework = model_config['framework']
self.supported_formats = model_config['formats']
def process_image(self, image_data, annotation_format):
"""处理图像并生成自动标注"""
# 调用相应的AI模型进行预测
predictions = self.model.predict(image_data)
# 将预测结果转换为CVAT标注格式
annotations = self.format_converter.convert(predictions, annotation_format)
return annotations
def support_format(self, format_name):
"""检查是否支持指定的标注格式"""
return format_name in self.supported_formats
6. 扩展性与插件体系
CVAT设计了良好的扩展机制，支持功能插件和格式插件：
mindmap
root((CVAT扩展体系))
功能插件
自动标注插件
数据增强插件
质量检查插件
导出优化插件
格式插件
输入格式支持
COCO格式
Pascal VOC格式
YOLO格式
TFRecord格式
输出格式支持
XML标注格式
JSON标注格式
二进制格式
集成插件
云存储集成
版本控制系统
CI/CD流水线
技术架构特点
-
微服务架构：各个模块独立部署，通过API进行通信，提高系统的可维护性和可扩展性。
-
前后端分离：前端使用React+TypeScript，后端使用Django，通过REST API进行数据交换。
-
容器化部署：支持Docker容器化部署，简化环境配置和部署流程。
-
多格式支持：支持30+种标注格式，满足不同场景的需求。
-
高性能渲染：基于Canvas和WebGL技术，实现大规模数据的高效渲染。
-
插件化设计：通过插件机制支持功能扩展和自定义开发。
这种模块化的架构设计使得CVAT能够灵活适应不同的标注需求，同时保证了系统的稳定性和可扩展性。每个模块都可以独立升级和维护，大大降低了系统的复杂度。
主要功能特性与技术亮点
CVAT作为业界领先的开源计算机视觉标注工具，在功能特性和技术架构方面展现出卓越的创新性和实用性。通过深入分析其核心代码和架构设计，我们可以发现以下几个关键的技术亮点和功能特性。
多模态标注支持体系
CVAT提供了全面的标注类型支持，覆盖了计算机视觉领域的各种标注需求：
| 标注类型 | 支持形状 | 应用场景 | 技术特点 |
|---|---|---|---|
| 目标检测 | 矩形框(Rectangle) | 物体识别、目标追踪 | 支持多标签、属性配置 |
| 语义分割 | 多边形(Polygon)、掩码(Mask) | 图像分割、场景理解 | 精确像素级标注 |
| 关键点检测 | 点(Points) | 姿态估计、人脸关键点 | 支持骨架结构 |
| 实例分割 | 多边形、掩码 | 物体实例分离 | 区分不同实例 |
| 3D标注 | 立方体(Cuboid) | 三维物体检测 | 支持深度信息 |
| 轨迹标注 | 轨迹(Track) | 视频目标追踪 | 跨帧连续性 |
graph TD
A[标注类型体系] --> B[2D标注]
A --> C[3D标注]
A --> D[视频标注]
B --> B1[矩形框]
B --> B2[多边形]
B --> B3[折线]
B --> B4[点集]
B --> B5[椭圆]
B --> B6[掩码]
C --> C1[立方体]
C --> C2[点云]
D --> D1[轨迹追踪]
D --> D2[插值标注]
D --> D3[关键帧管理]
智能自动化标注引擎
CVAT集成了先进的深度学习模型，实现了智能自动化标注功能，大幅提升标注效率：
// CVAT核心枚举定义展示其模型支持能力
export enum ModelKind {
DETECTOR = 'detector', // 检测器
INTERACTOR = 'interactor', // 交互式分割
TRACKER = 'tracker', // 目标追踪
REID = 'reid', // 重识别
}
export enum ModelReturnType {
RECTANGLE = 'rectangle', // 矩形框输出
TAG = 'tag', // 标签分类
POLYGON = 'polygon', // 多边形输出
MASK = 'mask', // 掩码输出
}
支持的自动化标注模型包括：
- Segment Anything Model (SAM)：Meta的交互式分割模型
- YOLO系列：v3、v7等实时目标检测模型
- Mask R-CNN：实例分割模型
- Faster R-CNN：两阶段目标检测
- Deep Extreme Cut：交互式分割工具
- SiamMask：视频目标追踪
多格式数据兼容性
CVAT支持业界主流的标注数据格式，确保与各种深度学习框架的兼容性：
flowchart LR
A[数据输入] --> B[CVAT内部格式]
B --> C[输出格式转换]
C --> D1[PASCAL VOC]
C --> D2[COCO]
C --> D3[YOLO]
C --> D4[LabelMe]
C --> D5[ImageNet]
C --> D6[MOT Challenge]
C --> D7[Cityscapes]
C --> D8[KITTI]
格式支持对比表：
| 格式类型 | 导入支持 | 导出支持 | 主要用途 |
|---|---|---|---|
| CVAT XML | ✔️ | ✔️ | 原生格式 |
| PASCAL VOC | ✔️ | ✔️ | 目标检测 |
| COCO | ✔️ | ✔️ | 实例分割 |
| YOLO | ✔️ | ✔️ | 实时检测 |
| TensorFlow TFRecord | ✔️ | ✔️ | TensorFlow |
| Mask | ✔️ | ✔️ | 语义分割 |
| MOT | ✔️ | ✔️ | 多目标追踪 |
先进的架构设计与技术栈
CVAT采用现代化的技术架构，确保系统的高性能和可扩展性：
前端技术栈：
- React + TypeScript构建响应式UI
- Redux状态管理
- WebGL加速的Canvas渲染
- Web Workers并行处理
后端技术栈：
- Django REST Framework
- PostgreSQL数据库
- Redis缓存和消息队列
- Docker容器化部署
核心架构特性：
classDiagram
class CoreEngine {
+AnnotationManager
+FrameProcessor
+ModelIntegrator
}
class DataManager {
+CloudStorage
+LocalStorage
+FormatConverter
}
class AutomationModule {
+ModelRegistry
+InferenceEngine
+ResultProcessor
}
class CollaborationTools {
+ReviewSystem
+IssueTracker
+VersionControl
}
CoreEngine --> DataManager
CoreEngine --> AutomationModule
CoreEngine --> CollaborationTools
协同标注与质量管理
CVAT提供了完善的团队协作和质量管理功能：
- 多用户协同：支持实时协作标注，避免冲突
- 审阅工作流：标注-验证-验收的三阶段质量控制
- 问题追踪：内置的问题报告和解决机制
- 版本管理：标注历史的版本控制和回溯
- 统计分析：标注进度和质量指标监控
// 任务状态管理枚举
export enum TaskStatus {
ANNOTATION = 'annotation', // 标注中
VALIDATION = 'validation', // 验证中
COMPLETED = 'completed', // 已完成
}
export enum JobStage {
ANNOTATION = 'annotation', // 标注阶段
VALIDATION = 'validation', // 验证阶段
ACCEPTANCE = 'acceptance', // 验收阶段
}
云原生与扩展性
CVAT设计为云原生应用，支持各种部署方式：
- Docker容器化：提供预构建的Docker镜像
- Kubernetes支持：Helm chart用于集群部署
- 云存储集成：AWS S3、Azure Blob、Google Cloud Storage
- 可扩展架构：插件系统支持功能扩展
- API驱动：完整的REST API和Python SDK
通过这些技术特性和功能设计，CVAT为计算机视觉项目提供了从数据标注到模型训练的全流程解决方案，成为业界最受欢迎的开源标注工具之一。
应用场景与行业实践案例
CVAT作为业界领先的计算机视觉标注工具，已经在全球范围内被广泛应用于各个行业和领域。其强大的标注功能、灵活的部署方式以及丰富的集成能力，使其成为众多企业和研究机构的首选工具。
行业应用全景图
mindmap
root(CVAT行业应用)
医疗健康
医学影像分析
疾病早期诊断
手术视频标注
零售与物流
商品识别
货架管理
无人收银
防盗检测
自动驾驶
行人检测
车辆跟踪
驾驶员行为识别
交通场景分析
制造业
生产缺陷检测
员工活动监控
资源优化
质量控制
农业与无人机
农作物监测
牲畜分析
道路优化
危险环境监控
体育与健身
运动员动作分析
训练方案测试
AI教练开发
健康状态监测
医疗健康领域的深度应用
在医疗健康领域，CVAT发挥着至关重要的作用。医疗机构利用CVAT标注医学影像数据，训练神经网络识别疾病的早期迹象。
典型应用场景：
- 医学影像分割：使用多边形和画笔工具精确标注CT、MRI扫描中的病变区域
- 手术视频分析：通过视频标注功能跟踪手术器械的运动轨迹和操作步骤
- 病理切片标注：利用高精度标注工具识别细胞级别的异常变化
实践案例： 某三甲医院使用CVAT标注了超过10万张肺部CT影像，训练出的AI模型在早期肺癌检测中达到了95%的准确率，显著提高了诊断效率。
零售与物流行业的智能化转型
零售行业通过CVAT实现商品识别、库存管理和客户行为分析的全方位智能化。
flowchart TD
A[零售场景数据采集] --> B[CVAT标注平台]
B --> C[商品识别模型训练]
C --> D{应用部署}
D --> E[智能货架管理]
D --> F[无人收银系统]
D --> G[防盗检测预警]
D --> H[客户行为分析]
关键技术特性：
- 多格式支持：兼容YOLO、COCO等主流目标检测格式
- 批量处理：支持大规模商品图像的快速标注
- 属性标注：为商品添加价格、品牌、类别等元数据
成功案例： 某大型连锁超市部署基于CVAT训练的AI系统后，库存盘点效率提升300%，商品识别准确率达到98.7%，年节省人力成本超过200万元。
自动驾驶技术的核心支撑
自动驾驶行业对数据标注的要求极为严格，CVAT提供了完整的解决方案。
标注需求矩阵：
| 标注类型 | 技术要求 | 应用场景 | 精度要求 |
|---|---|---|---|
| 2D边界框 | 实时性高 | 车辆检测 | >99% |
| 语义分割 | 像素级精度 | 道路识别 | >98% |
| 3D立方体 | 空间感知 | 障碍物避让 | >97% |
| 关键点 | 亚像素级 | 行人姿态 | >96% |
| 轨迹跟踪 | 时序一致性 | 行为预测 | >95% |
行业实践： 某自动驾驶公司使用CVAT标注了超过500万帧驾驶场景数据，涵盖了各种天气条件和交通状况，为其L4级自动驾驶系统提供了坚实的数据基础。
制造业质量控制的智能化升级
制造业利用CVAT进行生产缺陷检测和质量控制，实现了从人工检测到AI驱动的转变。
应用架构：
sequenceDiagram
participant C as 摄像头采集
participant S as 图像传输
participant CVAT as CVAT标注平台
participant ML as 模型训练
participant D as 缺陷检测
participant A as 自动报警
C->>S: 实时生产图像
S->>CVAT: 传输待标注数据
CVAT->>ML: 标注数据训练
ML->>D: 部署检测模型
D->>A: 发现缺陷立即报警
效益分析：
- 检测效率提升：5-10倍
- 误检率降低：从15%降至2%
- 人力成本节约：70%以上
- 产品质量提升：缺陷率降低85%
农业与无人机应用的创新实践
农业领域结合无人机技术和CVAT标注，实现了精准农业的智能化管理。
技术栈集成：
pie title 农业应用标注类型分布
"农作物健康监测" : 35
"土壤分析" : 20
"灌溉优化" : 25
"病虫害检测" : 15
"产量预测" : 5
典型工作流程：
- 无人机采集农田多光谱图像
- 使用CVAT进行农作物 segmentation 标注
- 训练深度学习模型识别作物健康状况
- 生成精准施肥和灌溉建议
- 实现变量作业，减少资源浪费
实践成果： 某农业科技公司通过CVAT标注系统，帮助农场主将化肥使用量减少30%，水资源利用率提高25%，作物产量提升15%。
体育科技与健身行业的新突破
体育行业利用CVAT进行运动员动作分析和训练优化，推动了体育科技的创新发展。
技术特性对比：
| 功能特性 | 传统方法 | CVAT方案 | 改进效果 |
|---|---|---|---|
| 动作捕捉 | 传感器设备 | 视频标注 | 成本降低80% |
| 分析精度 | 依赖专家经验 | AI量化分析 | 精度提升40% |
| 实时反馈 | 延迟较高 | 近实时分析 | 响应时间<100ms |
| 数据规模 | 有限样本 | 大规模数据 | 训练数据量10倍 |
应用案例： 某职业篮球队使用CVAT分析球员比赛视频，通过骨架标注和动作轨迹分析，优化了战术布置和球员训练方案，赛季胜率提升22%。
跨行业集成与生态系统
CVAT的强大之处在于其丰富的集成能力和开放的生态系统。
集成合作伙伴：
- Human Protocol：将CVAT集成到分布式标注服务平台
- FiftyOne：提供数据集管理和模型分析的无缝集成
- Roboflow & HuggingFace：云端模型的直接集成和使用
- OpenCV：计算机视觉算法的深度整合
生态系统价值：
- 降低技术门槛：无需自建标注平台
- 加速项目进展：减少数据准备时间
- 提高标注质量：标准化工作流程
- 支持持续迭代：模型与数据的闭环优化
通过这些丰富的行业应用案例和实践经验，CVAT证明了其作为计算机视觉标注领域标准工具的价值和影响力。无论是传统行业的数字化转型，还是新兴技术的创新应用，CVAT都提供了可靠的技术支撑和解决方案。
CVAT作为业界领先的开源计算机视觉标注工具，通过其强大的多模态标注支持体系、智能自动化标注引擎、优秀的多格式数据兼容性和先进的云原生架构设计，为全球各行业提供了全面的标注解决方案。从医疗健康、零售物流到自动驾驶、制造业和农业等领域，CVAT都展现了卓越的应用价值和实践成果。其丰富的集成能力和开放的生态系统进一步降低了技术门槛，加速了AI项目的进展。CVAT不仅仅是一个标注工具，更是连接原始数据与智能算法的重要桥梁，正在推动整个计算机视觉行业向更加开放、协作的方向发展。
相关内容推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型，它在 Kimi-K2-Base 的基础上，通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式，以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者，GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型，在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明，该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外，我们通过整合印章识别和文本检测识别（text spotting）任务扩展了模型的能力，同时保持 0.9B 的超紧凑 VLM 规模，具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架，具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意：本仓库为Github仓库镜像，PR或Issue请移步至Github发起，感谢支持！Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
最新内容推荐
项目优选
kernel
docs
pytorch
ops-math
kernel
flutter_flutter
nop-entropy
RuoYi-Vue3
leetcode
ohos_react_native