技能 fiftyone-dataset-inference
📊
fiftyone-dataset-inference
安全 🌐
网络访问⚙️
外部命令
추론을 사용한 FiftyOne 데이터셋 생성
로컬 미디어 파일을 FiftyOne에 로드하고 ML 모델 추론을 실행하려면 데이터셋 생성, 레이블 가져오기, 모델 적용에 대한 이해가 필요합니다. 이 스킬은 데이터셋 생성, 표준 형식의 레이블 가져오기, 탐지, 분류 및 세그멘테이션 작업을 위한 zoo 모델 적용에 대한 단계별 가이드를 제공합니다.
支持: Claude Codex Code(CC)
1
下载技能 ZIP
2
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
3
开启并开始使用
测试它
正在使用“fiftyone-dataset-inference”。 my_images 폴더에서 데이터셋을 생성하고 YOLOv8 탐지 실행
预期结果:
- Dataset 'my_images' created with 150 samples
- Media imported successfully from /path/to/my_images
- Model 'yolov8n-coco-torch' applied with label field 'predictions'
- Results: 1,247 detections across 150 images
- Average confidence: 0.73
- Run set_view(exists=['predictions']) to filter samples with detections
正在使用“fiftyone-dataset-inference”。 COCO 데이터셋을 가져오고 ground truth와 예측 비교
预期结果:
- COCO dataset 'coco-data' imported with 500 samples
- Ground truth field 'ground_truth' contains 2,340 annotations
- Model 'faster-rcnn-resnet50-fpn-coco-torch' applied
- Predictions field 'predictions' contains 3,120 detections
- Use FiftyOne App to compare ground truth vs predictions
安全审计
安全v5 • 1/16/2026
Pure documentation skill containing only markdown workflow instructions. No executable code, no file access operations, no network operations. All functionality is delegated to legitimate MCP tools (@voxel51/io, @voxel51/zoo, @voxel51/utils) with transparent parameter passing. Static findings are pattern matching false positives on documentation text.
2
已扫描文件
590
分析行数
2
发现项
5
审计总数
风险因素
⚙️ 外部命令 (97)
SKILL.md:21 SKILL.md:22 SKILL.md:23 SKILL.md:36-38 SKILL.md:38-41 SKILL.md:41-43 SKILL.md:43-51 SKILL.md:51-53 SKILL.md:53-61 SKILL.md:61-64 SKILL.md:64-72 SKILL.md:72-81 SKILL.md:81-85 SKILL.md:85-93 SKILL.md:93-99 SKILL.md:99-101 SKILL.md:101-106 SKILL.md:106-115 SKILL.md:115-118 SKILL.md:118-129 SKILL.md:129-135 SKILL.md:135-137 SKILL.md:137-139 SKILL.md:139-143 SKILL.md:143-145 SKILL.md:145-151 SKILL.md:151-160 SKILL.md:160-164 SKILL.md:164-166 SKILL.md:166-170 SKILL.md:170-172 SKILL.md:172-178 SKILL.md:178 SKILL.md:178 SKILL.md:178 SKILL.md:178 SKILL.md:178 SKILL.md:178-179 SKILL.md:179 SKILL.md:179 SKILL.md:179 SKILL.md:179 SKILL.md:179-180 SKILL.md:180-181 SKILL.md:181-187 SKILL.md:187-188 SKILL.md:188-189 SKILL.md:189 SKILL.md:189-190 SKILL.md:190 SKILL.md:190-191 SKILL.md:191 SKILL.md:191-192 SKILL.md:192 SKILL.md:192 SKILL.md:192-193 SKILL.md:193 SKILL.md:193 SKILL.md:193-194 SKILL.md:194 SKILL.md:194-195 SKILL.md:195-196 SKILL.md:196-197 SKILL.md:197-201 SKILL.md:201 SKILL.md:201-204 SKILL.md:204-205 SKILL.md:205-208 SKILL.md:208-209 SKILL.md:209-210 SKILL.md:210-213 SKILL.md:213-214 SKILL.md:214-217 SKILL.md:217-218 SKILL.md:218-221 SKILL.md:221-222 SKILL.md:222-228 SKILL.md:228-259 SKILL.md:259-263 SKILL.md:263-296 SKILL.md:296-300 SKILL.md:300-321 SKILL.md:321-326 SKILL.md:326-334 SKILL.md:334-336 SKILL.md:336-357 SKILL.md:357-363 SKILL.md:363-368 SKILL.md:368-377 SKILL.md:377 SKILL.md:377-381 SKILL.md:381 SKILL.md:381-385 SKILL.md:385 SKILL.md:385-394 SKILL.md:394 SKILL.md:394-396
审计者: claude 查看审计历史 →
质量评分
38
架构
100
可维护性
87
内容
20
社区
100
安全
91
规范符合性
你能构建什么
이미지 로드 및 객체 탐지
이미지 디렉토리에서 데이터셋을 생성하고 객체 탐지를 위해 YOLOv8 또는 Faster R-CNN 적용
COCO 데이터셋 가져오기
기존 COCO 형식 데이터셋을 가져오고 ground truth와 비교하기 위한 모델 예측 추가
YOLO 데이터셋 평가
YOLOv5 데이터셋 형식을 가져오고 FiftyOne 시각화를 통해 모델 성능 평가
试试这些提示
이미지만 로드
Use the fiftyone-dataset-inference skill to create a dataset from /path/to/images. Load only media files, no labels. Name the dataset my-images. Then apply faster-rcnn-resnet50-fpn-coco-torch model for object detection.
레이블과 함께 가져오기
Use the fiftyone-dataset-inference skill to import a COCO dataset from /path/to/images and /path/to/annotations.json. Create dataset called coco-dataset with ground_truth field. Then apply yolov8n-coco-torch for predictions.
디렉토리 분류
Use the fiftyone-dataset-inference skill to create an image classification dataset from /path/to/dataset. The structure is folder-per-class (cats/, dogs/). Name the dataset classification-dataset with ground_truth field.
커스텀 모델
Use the fiftyone-dataset-inference skill to create a dataset called test-set from /path/to/images. Apply clip-vit-base32-torch model for embeddings. Launch the app to visualize results.
最佳实践
- 가져오기 전에 항상 디렉토리를 탐색하여 미디어 유형과 레이블 형식을 감지하세요
- 데이터셋을 생성하기 전에 데이터셋 이름과 레이블 필드 설정을 사용자와 확인하세요
- 모델이 실패할 때 누락된 종속성을 확인하고 필요한 패키지 설치를 제안하세요
避免
- 디렉토리 탐색을 건너뛰고 형식을 알지 못한 채 가져오기 시도
- 사용자와 설정을 확인하지 않고 데이터셋 생성
- 모델 적용이 실패할 때 종속성 오류 무시
常见问题
어떤 플랫폼이 이 스킬을 지원하나요?
FiftyOne MCP 서버를 사용할 수 있는 경우 Claude, Codex 및 Claude Code에서 작동합니다.
몇 개의 이미지를 가져올 수 있나요?
데이터셋 크기는 시스템 메모리에 의해 제한됩니다. 대용량 데이터셋에는 더 작은 모델을 사용하세요.
외부 도구와 통합할 수 있나요?
MCP 오퍼레이터를 사용합니다. 내보내기 또는 증강과 같은 기능을 위해 추가 플러그인을 설치하세요.
내 데이터가 안전한가요?
스킬은 지침만 제공합니다. 모든 데이터 액세스는 FiftyOne MCP 서버 도구를 통해 이루어집니다.
가져오기가 실패한 이유는 무엇인가요?
파일 경로가 절대 경로인지, 형식이 지원되는 유형과 일치하는지, 종속성이 설치되어 있는지 확인하세요.
수동 FiftyOne 스크립트와 어떻게 다른가요?
일반적인 오류를 방지하고 모범 사례를 보장하는 검증된 워크플로 템플릿을 제공합니다.