Habilidades fiftyone-embeddings-visualization
📦
fiftyone-embeddings-visualization
Revisión del contenido r1 Seguro ⚙️ Comandos externos🌐 Acceso a red
Visualizar embeddings de FiftyOne
Los datasets de imágenes pueden ocultar clústeres, valores atípicos y problemas de etiquetas. Esta habilidad guía a Claude, Codex y Claude Code a través de visualizaciones de embeddings de FiftyOne.
Compatible con: Claude Codex Code(CC)
Instalar con mi Agente
Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.
Solicitud de agente
Review the Skillstore skill "fiftyone-embeddings-visualization" from https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization.md and its manifest at https://skillstore.io/api/skills/adonaivera-fiftyone-embeddings-visualization/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.
Recursos legibles por agentes
Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.
Pruébalo
Usando "fiftyone-embeddings-visualization". Visualiza mi dataset product-images con UMAP.
Resultado esperado:
- El contexto del dataset está configurado como product-images.
- Se encontraron embeddings CLIP existentes y se usaron para una visualización 2D llamada exploration.
- Abre la FiftyOne App y elige la brain key exploration en el panel Embeddings.
Usando "fiftyone-embeddings-visualization". Encuentra valores atípicos probables en mi dataset de vida silvestre.
Resultado esperado:
- Se calculó una puntuación de unicidad para el dataset.
- Las muestras con mayor unicidad están ordenadas primero para su revisión.
- Los puntos aislados en el panel Embeddings son buenos candidatos para comprobaciones de anotación.
Usando "fiftyone-embeddings-visualization". Compara ground truth y predicciones en el espacio de embeddings.
Resultado esperado:
- Se preparó una vista de embeddings 2D para la revisión del modelo.
- Colorea por ground truth para inspeccionar la estructura de clases y luego colorea por predicciones para comparar el comportamiento del modelo.
- Las regiones donde los colores divergen son lugares probables para inspeccionar errores de predicción.
Auditoría de seguridad
Segurov8 • 5/7/2026 Abrir el informe versionado
All static command findings are Markdown code fences, inline parameter names, or FiftyOne MCP examples rather than executable Ruby or shell backticks. The network findings are localhost app directions and public documentation links, and no prompt injection, exfiltration intent, or malicious behavior was found.
1
Archivos escaneados
531
Líneas analizadas
0
Elementos de revisión
0
Falsos positivos ignorados
Factores de riesgo
⚙️ Comandos externos (77)
SKILL.md:22 SKILL.md:30-32 SKILL.md:32-36 SKILL.md:36-38 SKILL.md:38-42 SKILL.md:42-48 SKILL.md:48-52 SKILL.md:52-63 SKILL.md:63-66 SKILL.md:66-68 SKILL.md:68-73 SKILL.md:73-79 SKILL.md:79-82 SKILL.md:82-92 SKILL.md:92-95 SKILL.md:95-101 SKILL.md:101-106 SKILL.md:106-110 SKILL.md:110-115 SKILL.md:115-126 SKILL.md:126-129 SKILL.md:129-130 SKILL.md:130-131 SKILL.md:131-132 SKILL.md:132 SKILL.md:133 SKILL.md:136-137 SKILL.md:137-138 SKILL.md:138-139 SKILL.md:139-144 SKILL.md:144-165 SKILL.md:165-168 SKILL.md:168 SKILL.md:169-170 SKILL.md:170-177 SKILL.md:177-179 SKILL.md:179 SKILL.md:182-187 SKILL.md:187-196 SKILL.md:196-204 SKILL.md:204-215 SKILL.md:215-227 SKILL.md:227-237 SKILL.md:237-240 SKILL.md:240-242 SKILL.md:242-250 SKILL.md:250-251 SKILL.md:251-252 SKILL.md:252-253 SKILL.md:253-254 SKILL.md:254-258 SKILL.md:258 SKILL.md:262-263 SKILL.md:263-264 SKILL.md:264-265 SKILL.md:265-271 SKILL.md:271-293 SKILL.md:293-297 SKILL.md:297-338 SKILL.md:338-342 SKILL.md:342-380 SKILL.md:380-384 SKILL.md:384-420 SKILL.md:420-424 SKILL.md:424-458 SKILL.md:458-464 SKILL.md:464-468 SKILL.md:468 SKILL.md:472 SKILL.md:474-475 SKILL.md:475-477 SKILL.md:477-478 SKILL.md:478 SKILL.md:479 SKILL.md:484-485 SKILL.md:485-498 SKILL.md:498
🌐 Acceso a red (9)
La auditoría estática y semántica completada más reciente no detectó hallazgos de seguridad confirmados. Esto no demuestra que el skill no tenga efectos secundarios.
Auditado por: codex Ver historial de auditorías →
Compartir y citar este informe
Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.
Copiar enlace del informe
https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportInsignia Markdown
[](https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization?utm_source=security_passport_badge)Insignia HTML
<a href="https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/adonaivera-fiftyone-embeddings-visualization/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Tarjeta para insertar
<iframe src="https://skillstore.io/embed/skills/adonaivera-fiftyone-embeddings-visualization.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Citas académicas (APA · BibTeX · CFF)
Cita APA
AdonaiVera. (2026). fiftyone-embeddings-visualization security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8Cita BibTeX
@techreport{adonaivera-adonaivera-fiftyone-embeddings-visualization-2026,
author = {AdonaiVera},
title = {fiftyone-embeddings-visualization security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "fiftyone-embeddings-visualization security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
- name: "AdonaiVera"
date-released: "2026-07-05"
url: "https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8"
identifiers:
- type: other
value: "skillstore:adonaivera-fiftyone-embeddings-visualization:audit:8"
description: "Skillstore immutable audit report identifier"
Puntuación de Skillstore
Por qué esta puntuación Confianza de la evidencia: Alto 55
Arquitectura
85
Mantenibilidad
87
Contenido
72
Comunidad
78
Cumplimiento de la especificación
Lo que puedes crear
Explorar la estructura del dataset
Visualiza clústeres de imágenes, revisa regiones densas y encuentra muestras aisladas antes del etiquetado o la revisión de calidad.
Diagnosticar errores del modelo
Compara patrones de ground truth y predicciones en el espacio de embeddings para localizar clases confusas y posibles errores.
Revisar la calidad de la representación
Compara embeddings de CLIP, DINOv2, ResNet o MobileNet con vistas UMAP, t-SNE o PCA.
Prueba estos prompts
Visualizar un dataset
Usa el flujo de trabajo de visualización de embeddings de FiftyOne para el dataset my-dataset. Comprueba si existen embeddings, crea una vista UMAP 2D si es necesario y dime cómo abrirla en la aplicación.
Encontrar valores atípicos
Analiza el dataset my-dataset para buscar imágenes inusuales. Calcula embeddings si es necesario, crea una visualización centrada en valores atípicos y explica dónde debo inspeccionar las muestras aisladas.
Comparar clases
Crea una visualización de embeddings para my-dataset y guíame para colorear puntos por ground truth y predicciones. Destaca señales de solapamiento de clases o problemas de etiquetas.
Comparar modelos de embeddings
Para my-dataset, compara visualizaciones de embeddings de CLIP y DINOv2. Reutiliza campos existentes cuando estén disponibles, elige métodos de reducción adecuados y resume las diferencias visuales.
Mejores prácticas
- Descubre los operadores y esquemas disponibles antes de elegir parámetros.
- Reutiliza los campos de embeddings existentes cuando sea posible para evitar cálculos repetidos.
- Empieza con un subconjunto en datasets muy grandes antes de procesar cada muestra.
Evitar
- No filtres muestras por brain key al abrir el panel Embeddings.
- No asumas que UMAP está disponible cuando umap-learn no está instalado.
- No calcules nuevos embeddings cuando ya exista un campo adecuado.
Preguntas frecuentes
¿Qué me ayuda a visualizar esta habilidad?
Ayuda a visualizar muestras de imágenes como puntos 2D basados en embeddings del modelo.
¿Requiere FiftyOne?
Sí. Requiere un servidor MCP de FiftyOne en ejecución y la FiftyOne App.
¿Qué modelos de embeddings sugiere?
Sugiere CLIP, DINOv2, ResNet50 y MobileNet según el objetivo del análisis.
¿Puede encontrar valores atípicos?
Sí. Puede calcular puntuaciones de unicidad y mostrar puntos aislados en una vista de embeddings.
¿Puede usar embeddings existentes?
Sí. El flujo de trabajo comprueba si existen campos de embeddings antes de calcular nuevos.
¿Qué ocurre si UMAP no está instalado?
El flujo de trabajo puede preguntar antes de instalar umap-learn, o usar t-SNE o PCA en su lugar.
Detalles del desarrollador
Autor
AdonaiVeraLicencia
MIT
Revisión de Skillstore
r1
Aviso de versión
El autor no declaró una versión.
Ref.
6eec4a59f63ff83440a84c18d1aef79743bc714e
Actualidad del mantenimiento
18/7/2026
Uso
5 descargas · 320 vistas
Estructura de archivos
📄 SKILL.md