computer-vision-expert
コンピュータビジョンシステムを構築する
最新のビジョンプロジェクトでは、検出、セグメンテーション、VLMs、深度、デプロイにわたる選択が必要です。このスキルは、実用的なコンピュータビジョンシステムのためのアーキテクチャ、モデル選定、最適化、エッジデプロイを支援します。
自分のエージェントでインストール
このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。
Review the Skillstore skill "computer-vision-expert" from https://skillstore.io/skills/sickn33-computer-vision-expert.md and its manifest at https://skillstore.io/api/skills/sickn33-computer-vision-expert/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。
エージェントが読めるリソース
AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。
テストする
「computer-vision-expert」を使用しています。 エッジGPU上で小さなボルト欠陥を検査する工場向け検査パイプラインが必要です。
期待される結果:
2段階のパイプラインを推奨します。候補領域のリアルタイム検出、欠陥境界のセグメンテーション、測定精度のためのキャリブレーションチェックです。トレーニング戦略を変更する前に、エッジでのレイテンシをプロファイリングしてください。
「computer-vision-expert」を使用しています。 照明が不安定な倉庫棚監査向けに視覚的質問応答が必要です。
期待される結果:
意味的チェックにはVLM、商品位置特定には検出器を使用し、撮影時に照明の正規化を行います。棚レベルの精度と例外レビュー時間に照らして検証してください。
「computer-vision-expert」を使用しています。 単眼カメラからロボットナビゲーション向けの深度推定が必要です。
期待される結果:
シーン事前知識のために単眼深度から始め、その後キャリブレーション、時間的平滑化、障害物固有の検証を追加します。絶対距離推定は安全性が重要な測定として扱ってください。
セキュリティ監査
安全The only static finding is a false positive caused by Markdown inline-code backticks around related skill names in SKILL.md line 70. No evidence found of command execution, prompt injection, data exfiltration intent, or executable code.
リスク要因
⚙️ 外部コマンド (1)
このレポートを共有・引用
バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。
レポートリンクをコピー
https://skillstore.io/skills/sickn33-computer-vision-expert/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdownバッジ
[](https://skillstore.io/skills/sickn33-computer-vision-expert?utm_source=security_passport_badge)HTMLバッジ
<a href="https://skillstore.io/skills/sickn33-computer-vision-expert?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-computer-vision-expert/security.svg" alt="Skillstore security assessment" loading="lazy"></a>埋め込みカード
<iframe src="https://skillstore.io/embed/skills/sickn33-computer-vision-expert.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学術引用 (APA · BibTeX · CFF)
APA形式の引用
sickn33. (2026). computer-vision-expert security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-computer-vision-expert/audits/4BibTeX形式の引用
@techreport{sickn33-sickn33-computer-vision-expert-2026,
author = {sickn33},
title = {computer-vision-expert security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-computer-vision-expert/audits/4},
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: "computer-vision-expert security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/sickn33-computer-vision-expert/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-computer-vision-expert:audit:4"
description: "Skillstore immutable audit report identifier"
Skillstore スコア
このスコアの理由 証拠の信頼度: 高作成できるもの
検査パイプラインを計画する
明確なレイテンシと精度の目標を備えた、視覚的品質検査のための検出、セグメンテーション、測定ステップを設計します。
製品機能向けのモデルを選択する
コンピュータビジョンのロードマップにコミットする前に、検出器、セグメンター、VLM、深度の選択肢を比較します。
エッジデプロイを最適化する
エクスポート形式、メモリ使用量、バッチ処理、ハードウェアアクセラレーションを確認して、制約のあるデバイス向けにビジョンモデルを準備します。
これらのプロンプトを試す
このプロジェクトに適したコンピュータビジョン手法の選定を手伝ってください: [goal], [data], [latency], [hardware]。検出、セグメンテーション、VLM、深度の選択肢を比較してください。
[object]の欠陥に対する視覚検査パイプラインを設計してください。撮影設定、モデルステージ、評価指標、失敗モード、デプロイ制約を含めてください。
[model]、[device]、[latency target]、[memory limit]に関する私のエッジデプロイ計画をレビューしてください。エクスポート、量子化、プロファイリングの手順を提案してください。
このマルチモーダルビジョンアーキテクチャを評価してください: [architecture summary]。精度、レイテンシ、キャリブレーション、データ、安全性、保守のリスクを見つけてください。
ベストプラクティス
- モデルを比較する前に、対象ハードウェア、フレームレート、精度目標、許容可能な失敗率を明示してください。
- パイプラインや評価に関する助言を求める際は、代表的な画像サンプルとエッジケースを使用してください。
- モデル選定、撮影設計、キャリブレーション、検証、デプロイ計画を明示的なステップに分けてください。
回避
- レイテンシ、メモリ、データ制約を定義する前に大規模な基盤モデルを選択すること。
- 物体ラベル、照明、スケール、位置が曖昧な場合に、テキストプロンプトだけに依存すること。
- 空間精度に依存するシステムで、キャリブレーションと測定検証を省略すること。