{"id":24984022,"url":"https://github.com/ctkqiang/yingyanai","last_synced_at":"2026-03-01T17:35:55.699Z","repository":{"id":275654227,"uuid":"926685000","full_name":"ctkqiang/YingYanAI","owner":"ctkqiang","description":"鹰眼 AI 是一个先进的计算机视觉平台，利用深度学习技术提供精确且高效的视觉智能解决方案。本系统致力于为各类视觉分析任务提供专业可靠的技术支持。一款革命性的计算机视觉系统，采用尖端人工智能技术，将图像分析提升至新高度。基于谷歌高效轻量级 MobileNetV2 架构，实现快速精准的视觉智能化。","archived":false,"fork":false,"pushed_at":"2025-03-02T16:16:21.000Z","size":214165,"stargazers_count":1,"open_issues_count":0,"forks_count":2,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-03-29T10:15:34.043Z","etag":null,"topics":["artifi","china","chinese","computer-vision","ctkqiang","deep-learning","fastapi","image-classification","image-processing","machine-learning","mobilenetv2","neural-network","nsfw-detection","nsfw-recognition","python","tensorflow","transfer-learning"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"other","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/ctkqiang.png","metadata":{"files":{"readme":"Readme.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2025-02-03T17:29:53.000Z","updated_at":"2025-02-17T16:31:38.000Z","dependencies_parsed_at":"2025-02-03T21:40:06.666Z","dependency_job_id":null,"html_url":"https://github.com/ctkqiang/YingYanAI","commit_stats":null,"previous_names":["ctkqiang/yingyanai"],"tags_count":2,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ctkqiang%2FYingYanAI","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ctkqiang%2FYingYanAI/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ctkqiang%2FYingYanAI/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/ctkqiang%2FYingYanAI/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/ctkqiang","download_url":"https://codeload.github.com/ctkqiang/YingYanAI/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":249740036,"owners_count":21318674,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["artifi","china","chinese","computer-vision","ctkqiang","deep-learning","fastapi","image-classification","image-processing","machine-learning","mobilenetv2","neural-network","nsfw-detection","nsfw-recognition","python","tensorflow","transfer-learning"],"created_at":"2025-02-04T09:41:59.769Z","updated_at":"2026-03-01T17:35:55.634Z","avatar_url":"https://github.com/ctkqiang.png","language":"Python","funding_links":["https://ko-fi.com/F1F5VCZJU","https://www.paypal.com/paypalme/ctkqiang"],"categories":[],"sub_categories":[],"readme":"# 🦅 鹰眼AI\n\n\u003e 像鹰一样锐利，如AI般智能\n\n一款革命性的计算机视觉系统，采用尖端人工智能技术，将图像分析提升至新高度。基于谷歌高效轻量级 MobileNetV2 架构，实现快速精准的视觉智能化。\n\n## 🌟 项目亮点\n\n鹰眼AI是新一代智能视觉平台，融合深度学习与迁移学习技术，打造高性能视觉分析引擎。系统继承 MobileNetV2 预训练模型的优秀特性，实现快速部署、高效推理、精准识别的完美统一。\n\n## 💫 核心优势\n\n- 🎯 智能图像分类 - 95%+ 的分类准确率\n- 🚀 高性能API服务 - 毫秒级响应速度\n- 🤖 自动化模型训练 - 一键启动迭代优化\n- ⚡️ 实时预测能力 - 支持流式数据处理\n- 📥 智能数据采集 - 自动构建训练数据集\n\n## 🛠 技术栈\n\n- 🧠 TensorFlow 2.x - 强大的深度学习引擎\n- ⚡️ FastAPI - 高性能异步Web框架\n- 📱 MobileNetV2 - 轻量级神经网络架构\n- 🐍 Python 3.6+ - 稳定可靠的开发语言\n\n## 项目结构\n\n```bash\nYiShouAI/\n├── src/                         # 源代码目录\n│   ├── YingYanAI.py             # 核心AI模型实现\n│   ├── app.py                   # FastAPI 服务实现\n│   ├── download_data.py         # 数据采集工具\n│   └── logger_config.py          # 日志配置\n├── tools/                       # 实用工具目录\n│   └── predict_test.py          # 预测功能测试工具\n├── models/                      # 模型存储目录\n│   ├── yingyan_model.h5         # 训练后的模型文件\n│   └── class_names.txt          # 类别名称映射文件\n├── images/                      # 图像数据目录\n│   ├── train/                   # 训练数据集\n│   │   ├── {关键词1}/            # 根据搜索关键词自动创建的类别目录\n│   │   └── {关键词2}/            # 根据搜索关键词自动创建的类别目录\n│   ├── validation/              # 验证数据集\n│   └── test/                    # 测试数据集\n├── log/                         # 日志文件目录\n│   └── *.log                    # 运行日志文件\n└── README.md                    # 项目说明文档\n```\n\n\n## 快速开始\n### 环境要求\n\n```bash\n# 安装依赖\npip install tensorflow fastapi uvicorn python-multipart pillow icrawler\n\n# 创建必要的目录\nmkdir -p images/train images/validation models log\n```\n\n\n### 数据采集与准备\n#### 使用数据采集工具：\n\n创建必要的数据目录：\n```bash\nmkdir -p images/{train,validation,test}\n```\n\n使用数据采集工具：\n```bash\npython src/download_data.py\n```\n\n关键词格式说明：\n\n- 使用下划线连接多个单词\n- 示例关键词格式：\n\n```plaintext\n  elon_musk          # 人物类别\n  cute_cat           # 动物类别\n  red_apple          # 物品类别\n  sport_car          # 交通工具\n  modern_building    # 建筑类别\n  m*a_kh*lifa        # 模糊匹配\n  mark_zuckerberg    # 人物类别\n```\n\n示例操作：\n```bash\n请输入搜索关键词: porn_nude # 限制级内容\n# 或\n请输入搜索关键词: apple     # 普通内容\n是否为训练集？(y/n): y\n需要下载多少张图片？(默认: 5): 10\n```\n\n注意：请确保在 images 目录下创建以下子目录：\n\n- train/ : 训练数据集\n- validation/ : 验证数据集\n- test/ : 测试数据集\n\n#### 直接训练模型\n\n完成数据采集后，可以直接运行模型训练：\n\n```bash\npython src/YingYanAI.py\n```\n\n训练过程输出示例：\n```bash\n[鹰眼 AI]: 2025-02-04 12:44:24,490 - **main** - INFO - TensorFlow 版本: 2.13.0\nFound 15 images belonging to 3 classes.\nFound 15 images belonging to 3 classes.\n[鹰眼 AI]: 2025-02-04 12:44:26,852 - **main** - INFO - 开始训练模型...\nEpoch 1/10\n1/1 [==============================] - 6s 6s/step - loss: 1.2042 - accuracy: 0.4000 - val_loss: 1.2801 - val_accuracy: 0.4667\nEpoch 2/10\n1/1 [==============================] - 2s 2s/step - loss: 1.3403 - accuracy: 0.4000 - val_loss: 1.1074 - val_accuracy: 0.5333\nEpoch 3/10\n1/1 [==============================] - 1s 1s/step - loss: 1.6560 - accuracy: 0.2667 - val_loss: 0.9599 - val_accuracy: 0.5333\nEpoch 4/10\n1/1 [==============================] - 2s 2s/step - loss: 1.5020 - accuracy: 0.4667 - val_loss: 0.8382 - val_accuracy: 0.7333\nEpoch 5/10\n1/1 [==============================] - 1s 1s/step - loss: 1.0760 - accuracy: 0.4667 - val_loss: 0.7422 - val_accuracy: 0.7333\nEpoch 6/10\n1/1 [==============================] - 1s 1s/step - loss: 1.0561 - accuracy: 0.6000 - val_loss: 0.6698 - val_accuracy: 0.8667\nEpoch 7/10\n1/1 [==============================] - 1s 1s/step - loss: 1.0602 - accuracy: 0.3333 - val_loss: 0.6113 - val_accuracy: 0.8667\nEpoch 8/10\n1/1 [==============================] - 1s 1s/step - loss: 0.6969 - accuracy: 0.8000 - val_loss: 0.5660 - val_accuracy: 0.8667\nEpoch 9/10\n1/1 [==============================] - 1s 1s/step - loss: 0.8998 - accuracy: 0.6000 - val_loss: 0.5307 - val_accuracy: 0.8667\nEpoch 10/10\n1/1 [==============================] - 2s 2s/step - loss: 0.9569 - accuracy: 0.7333 - val_loss: 0.5009 - val_accuracy: 0.8667\n[鹰眼 AI]: 2025-02-04 12:44:47,790 - **main** - INFO - 模型训练完成!\n[鹰眼 AI]: 2025-02-04 12:44:48,118 - **main** - INFO - 模型已保存至: models/yingyan_model.h5\n```\n训练过程监控:\n- 每个 epoch 会显示:\n  - loss: 训练损失值\n  - accuracy: 训练准确率\n  - val_loss: 验证损失值\n  - val_accuracy: 验证准确率\n- 训练完成后模型自动保存到 models/yingyan_model.h5\n- 详细日志记录在 log 目录下\n\n## 🖥 控制台应用程序\n\n### 启动控制台\n\n```bash\npython run.py\n```\n\n控制台应用程序提供以下功能：\n\n1. 启动 API 服务\n\n   - 启动 FastAPI 服务器\n   - 默认端口：8000\n   - 支持热重载\n\n2. 启动实时监控\n\n   - 打开摄像头进行实时内容识别\n   - 支持视频录制和截图\n   - 实时显示识别结果\n\n3. 训练模型\n\n   - 一键启动模型训练\n   - 自动保存训练结果\n   - 显示训练进度\n\n4. 系统状态\n\n   - 查看 AI 模型加载状态\n   - 检查 API 服务就绪情况\n   - 监控实时监控系统状态\n\n### 操作说明\n\n- 使用数字键 1-4 选择对应功能\n- 按 q 退出程序\n- 按 Enter 确认选择\n- 系统状态界面按任意键返回主菜单\n\n### 界面预览\n```bash\n╭───────────────────────────────────────────────────────────────────────────────────────────────────────────────╮\n│ │\n│ 鹰眼 AI 系统控制台 │\n│ ================= │\n│ │\n╰───────────────────────────────────────────────────────────────────────────────────────────────────────────────╯\n╭──────┬──────────────╮\n│ 选项 │ 描述          │\n├──────┼──────────────┤\n│ 1 │ 启动 API 服务    │\n│ 2 │ 启动实时监控      │\n│ 3 │ 训练模型         │\n│ 4 │ 系统状态         │\n│ q │ 退出系统         │\n╰──────┴──────────────╯\n请选择操作 [1/2/3/4/q]: \n```\n\n### 启动服务\n\n1. 开发环境\n```bash\ncd src \u0026\u0026 uvicorn app:app --host 0.0.0.0 --port 8000 --reload\n```\n\n2. 生产环境\n```bash\ncd src \u0026\u0026 uvicorn src.app:app --host 0.0.0.0 --port 8000 --workers 4\n```\n\n服务将在 http://localhost:8000 启动，可通过 http://localhost:8000/docs 访问交互式 API 文档。\n\n## API 使用说明\n\n### 预测接口\n\n- 端点：`POST /predict`\n- 功能：上传图片进行分类预测\n- 示例：\n\n```bash\ncurl -X POST \"http://localhost:8000/predict\" \\\n     -H \"accept: application/json\" \\\n     -H \"Content-Type: multipart/form-data\" \\\n     -F \"file=@/path/to/your/image.jpg\"\n```\n\n### 预测测试工具\n\n位于 tools/predict_test.py ，用于快速测试模型的预测功能。\n\n使用方法：\n\u003e 确保 API 服务已启动\n\n```bash\npython tools/predict_test.py\n```\n\n输出示例：\n\n```bash\n[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - 鹰眼 AI 图像预测测试工具启动\n[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - ==============================\n[鹰眼 AI] 请拖拽图片到此处: '/path/to/images/train/porn_nude/000001.jpg'\n[鹰眼 AI]: 2025-02-04 03:46:19,696 - **main** - INFO - 正在处理图片: 000001.jpg\n[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 预测结果:\n[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 类别: 1\n[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 置信度: 98.90%\n[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 是否包含限制级内容: 【是】\n```\n\n\n功能特点：\n\n- 支持拖拽图片文件进行测试\n- 自动验证图片格式（支持 jpg、jpeg、png、bmp）\n- 详细的日志记录\n- 友好的中文交互界面\n- 显示预测结果和置信度\n  \n示例输出:\n```bash\n[鹰眼 AI] 2024-02-04 15:30:45 - INFO - 鹰眼 AI 图像预测测试工具启动\n[鹰眼 AI] ==============================\n[鹰眼 AI] 请拖拽图片到此处: /path/to/image.jpg\n[鹰眼 AI] 正在处理图片: image.jpg\n[鹰眼 AI] 预测结果:\n[鹰眼 AI] 类别: 1\n[鹰眼 AI] 置信度: 95.23%\n```\n\n响应格式：\n\n```json\n{\n  \"success\": true,\n  \"predicted_class\": 0,\n  \"confidence\": 0.95\n}\n```\n\n### 实时监控功能\n\n使用实时监控工具可以通过摄像头进行即时内容识别：\n```bash\npython tools/live.py\n````\n\n功能特点：\n\n- 🎥 实时摄像头画面捕捉\n- 🔍 即时内容分析与识别\n- ⚡️ 毫秒级响应速度\n- 📊 实时显示识别结果\n- 📸 支持截图功能\n- 📹 自动录制视频\n  操作说明：\n\n- 按 'q' 键退出程序\n- 按 's' 键保存当前画面截图\n  显示信息：\n\n- 时间戳\n- 画面尺寸\n- 识别结果（安全/限制级）\n- 识别置信度\n  存储位置：\n\n- 视频文件： videos/capture\\_[时间戳].mp4\n- 截图文件： screenshots/screenshot\\_[时间戳].jpg\n  注意：首次运行前请确保已完成模型训练，且模型文件存在于 models 目录下。\n\n\n## 特性\n\n- 自动数据增强\n- 迁移学习\n- 模型自动训练\n- RESTful API\n- 实时预测\n- 详细的日志记录\n\n## 注意事项\n\n- 确保训练数据集在 `images/train` 目录下按类别分类\n- 验证数据集放置在 `images/validation` 目录下\n- 首次启动服务时如果没有预训练模型会自动开始训练\n- 所有操作日志都会记录在 `log` 目录下\n\n## 系统要求\n\n- CPU 或 GPU (推荐)\n- 内存：4GB 以上\n- 磁盘空间：500MB 以上\n\n## 算法\n![鹰眼AI系统流程图](https://github.com/ctkqiang/YingYanAI/blob/main/assets/algorithm.png?raw=true)\n\n## 实时监控系统算法\n![鹰眼AI系统流程图](https://github.com/ctkqiang/YingYanAI/blob/main/assets/live.png?raw=true)\n\n\n\n## 评估模型：\n在 `src/YingYanAI.py` 中添加以下代码来评估模型性能：\n\n```python\nfrom sklearn.metrics import classification_report\n\n# 加载测试数据\n\ntest_generator = val_datagen.flow_from_directory(\n  \"images/test\",\n  target_size=img_size,\n  batch_size=batch_size,\n  class_mode=\"categorical\",\n  shuffle=False\n)\n\n# 评估模型\n\npredictions = yyi.model.predict(test_generator)\ny_pred = tf.argmax(predictions, axis=1).numpy()\ny_true = test_generator.classes\n\nprint(classification_report(y_true, y_pred))\n\n```\n\n## 预测新图像：\n使用保存的模型对新图像进行预测：\n```python\nfrom tensorflow.keras.models import load_model\n\nmodel = load_model(\"models/yingyan_model.h5\")\nimage_path = \"path_to_image.jpg\"\n\nimg = tf.keras.preprocessing.image.load_img(image_path, target_size=(224, 224))\nimg_array = tf.keras.preprocessing.image.img_to_array(img)\nimg_array = tf.expand_dims(img_array, 0) # 添加批次维度\n\npredictions = model.predict(img_array)\n\nprint(f\"预测结果: {predictions}\")\n```\n\n## 参数说明\n## 参数说明\n\n| 参数名     | 说明               | 默认值           |\n| ---------- | ------------------ | ---------------- |\n| train_dir  | 训练数据目录路径   | `\"images/train\"` |\n| img_size   | 图像处理的目标尺寸 | `(224, 224)`     |\n| batch_size | 批处理大小         | `32`             |\n| epochs     | 训练周期数         | `10`             |\n\n\u003e 注：\n\u003e\n\u003e - img_size 必须为 (224, 224)，这是 MobileNetV2 的要求\n\u003e - batch_size 可根据可用内存大小调整\n\u003e - epochs 可根据训练效果调整\n\n## 模型架构\n1. MobileNetV2：作为基础特征提取器，使用 ImageNet 预训练权重。\n2. 全局平均池化：将特征图压缩为一维向量。\n3. Dropout：随机丢弃 50% 神经元，防止过拟合。\n4. 全连接分类层：使用 Softmax 激活函数进行多分类。\n\n## 性能评估\n#### 评估指标\n- 准确率 (Accuracy)：模型预测正确的比例。\n- 召回率 (Recall)：真正例中被正确预测的比例。\n- F1 分数：综合衡量模型的精度和召回率。\n\n\n## 模型评估报告\n\n| 类别         | Precision | Recall | F1-Score | Support |\n| ------------ | --------- | ------ | -------- | ------- |\n| 0            | 0.95      | 0.94   | 0.95     | 34      |\n| 1            | 0.96      | 0.97   | 0.96     | 36      |\n| **准确率**   | -         | -      | 0.95     | 70      |\n| **宏平均**   | 0.95      | 0.95   | 0.95     | 70      |\n| **加权平均** | 0.95      | 0.95   | 0.95     | 70      |\n\n\u003e 注：\n\u003e\n\u003e - Precision: 精确率\n\u003e - Recall: 召回率\n\u003e - F1-Score: F1 分数\n\u003e - Support: 样本数量\n\n## 许可证\n\n本项目采用 **木兰宽松许可证 (Mulan PSL)** 进行许可。  \n有关详细信息，请参阅 [LICENSE](LICENSE) 文件。\n\n[![License: Mulan PSL v2](https://img.shields.io/badge/License-Mulan%20PSL%202-blue.svg)](http://license.coscl.org.cn/MulanPSL2)\n\n\n## 🌟 开源项目赞助计划\n\n### 用捐赠助力发展\n\n感谢您使用本项目！您的支持是开源持续发展的核心动力。  \n每一份捐赠都将直接用于：  \n✅ 服务器与基础设施维护  \n✅ 新功能开发与版本迭代  \n✅ 文档优化与社区建设\n\n点滴支持皆能汇聚成海，让我们共同打造更强大的开源工具！\n\n---\n\n### 🌐 全球捐赠通道\n\n#### 国内用户\n\n\u003cdiv align=\"center\" style=\"margin: 40px 0\"\u003e\n\n\u003cdiv align=\"center\"\u003e\n\u003ctable\u003e\n\u003ctr\u003e\n\u003ctd align=\"center\" width=\"300\"\u003e\n\u003cimg src=\"https://github.com/ctkqiang/ctkqiang/blob/main/assets/IMG_9863.jpg?raw=true\" width=\"200\" /\u003e\n\u003cbr /\u003e\n\u003cstrong\u003e🔵 支付宝\u003c/strong\u003e\n\u003c/td\u003e\n\u003ctd align=\"center\" width=\"300\"\u003e\n\u003cimg src=\"https://github.com/ctkqiang/ctkqiang/blob/main/assets/IMG_9859.JPG?raw=true\" width=\"200\" /\u003e\n\u003cbr /\u003e\n\u003cstrong\u003e🟢 微信支付\u003c/strong\u003e\n\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/table\u003e\n\u003c/div\u003e\n\u003c/div\u003e\n\n#### 国际用户\n\n\u003cdiv align=\"center\" style=\"margin: 40px 0\"\u003e\n  \u003ca href=\"https://qr.alipay.com/fkx19369scgxdrkv8mxso92\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Alipay-全球支付-00A1E9?style=flat-square\u0026logo=alipay\u0026logoColor=white\u0026labelColor=008CD7\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://ko-fi.com/F1F5VCZJU\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Ko--fi-买杯咖啡-FF5E5B?style=flat-square\u0026logo=ko-fi\u0026logoColor=white\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://www.paypal.com/paypalme/ctkqiang\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/PayPal-安全支付-00457C?style=flat-square\u0026logo=paypal\u0026logoColor=white\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://donate.stripe.com/00gg2nefu6TK1LqeUY\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Stripe-企业级支付-626CD9?style=flat-square\u0026logo=stripe\u0026logoColor=white\"\u003e\n  \u003c/a\u003e\n\u003c/div\u003e\n\n---\n\n### 📌 开发者社交图谱\n\n#### 技术交流\n\n\u003cdiv align=\"center\" style=\"margin: 20px 0\"\u003e\n  \u003ca href=\"https://github.com/ctkqiang\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/GitHub-开源仓库-181717?style=for-the-badge\u0026logo=github\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://stackoverflow.com/users/10758321/%e9%92%9f%e6%99%ba%e5%bc%ba\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Stack_Overflow-技术问答-F58025?style=for-the-badge\u0026logo=stackoverflow\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://www.linkedin.com/in/ctkqiang/\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/LinkedIn-职业网络-0A66C2?style=for-the-badge\u0026logo=linkedin\"\u003e\n  \u003c/a\u003e\n\u003c/div\u003e\n\n#### 社交互动\n\n\u003cdiv align=\"center\" style=\"margin: 20px 0\"\u003e\n  \u003ca href=\"https://www.instagram.com/ctkqiang\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Instagram-生活瞬间-E4405F?style=for-the-badge\u0026logo=instagram\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://twitch.tv/ctkqiang\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/Twitch-技术直播-9146FF?style=for-the-badge\u0026logo=twitch\"\u003e\n  \u003c/a\u003e\n  \n  \u003ca href=\"https://github.com/ctkqiang/ctkqiang/blob/main/assets/IMG_9245.JPG?raw=true\" target=\"_blank\"\u003e\n    \u003cimg src=\"https://img.shields.io/badge/微信公众号-钟智强-07C160?style=for-the-badge\u0026logo=wechat\"\u003e\n  \u003c/a\u003e\n\u003c/div\u003e\n\n---\n\n🙌 感谢您成为开源社区的重要一员！  \n💬 捐赠后欢迎通过社交平台与我联系，您的名字将出现在项目致谢列表！\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fctkqiang%2Fyingyanai","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fctkqiang%2Fyingyanai","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fctkqiang%2Fyingyanai/lists"}