스킬 fiftyone-embeddings-visualization
📦
fiftyone-embeddings-visualization
콘텐츠 리비전 r1 안전 ⚙️ 외부 명령어🌐 네트워크 접근
FiftyOne 임베딩 시각화
이미지 데이터셋에는 클러스터, 이상치, 라벨 문제가 숨어 있을 수 있습니다. 이 스킬은 Claude, Codex, Claude Code가 FiftyOne 임베딩 시각화를 수행하도록 안내합니다.
지원: Claude Codex Code(CC)
내 에이전트로 설치
이 요청을 에이전트에 복사하세요. 공식 Skill 페이지와 매니페스트가 포함되어 있습니다.
에이전트 요청
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.에이전트는 계속해서 계획을 표시하고 보안 정책에서 요구하는 확인을 요청해야 합니다.
에이전트가 읽기 쉬운 리소스
AI 에이전트, 크롤러, 스크립트가 전체 페이지 대신 정리된 컨텍스트만 필요할 때 이 링크를 사용하세요.
테스트해 보기
"fiftyone-embeddings-visualization" 사용 중입니다. Visualize my product-images dataset with UMAP.
예상 결과:
- 데이터셋 컨텍스트가 product-images로 설정되었습니다.
- 기존 CLIP 임베딩을 찾아 exploration이라는 이름의 2D 시각화에 사용했습니다.
- FiftyOne App을 열고 Embeddings 패널에서 exploration brain key를 선택하세요.
"fiftyone-embeddings-visualization" 사용 중입니다. Find likely outliers in my wildlife dataset.
예상 결과:
- 데이터셋에 대해 uniqueness score가 계산되었습니다.
- 가장 높은 uniqueness 샘플이 검토를 위해 먼저 정렬됩니다.
- Embeddings 패널의 고립된 포인트는 주석 확인에 적합한 후보입니다.
"fiftyone-embeddings-visualization" 사용 중입니다. Compare ground truth and predictions in embedding space.
예상 결과:
- 모델 검토를 위한 2D 임베딩 뷰가 준비되었습니다.
- 클래스 구조를 검사하려면 정답 라벨로 색상을 지정한 다음, 모델 동작을 비교하려면 예측값으로 색상을 지정하세요.
- 색상이 달라지는 영역은 예측 오류를 검사하기에 좋은 위치일 가능성이 큽니다.
보안 감사
안전v8 • 2026. 7. 5. 버전별 보고서 열기
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
스캔된 파일
531
분석된 줄 수
0
검토 항목
0
오탐 무시됨
위험 요인
⚙️ 외부 명령어 (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
가장 최근에 완료된 정적·의미론적 감사에서 확인된 보안 발견 사항이 감지되지 않았습니다. 이는 스킬에 부작용이 없음을 증명하지 않습니다.
감사자: codex 감사 이력 보기 →
이 보고서 공유 및 인용
버전이 지정된 평가 보고서, 중립 배지, 임베드 카드 및 인용을 공유하세요. Skillstore는 근거를 보고하지만 이 Skill의 안전 여부를 판단하지 않습니다.
보고서 링크 복사
https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 배지
[](https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization?utm_source=security_passport_badge)HTML 배지
<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>임베드 카드
<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>학술 인용 (APA · BibTeX · CFF)
APA 인용
AdonaiVera. (2026). fiftyone-embeddings-visualization security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8BibTeX 인용
@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"
Skillstore 점수
이 점수의 이유 증거 신뢰도: 높음 55
아키텍처
85
유지보수성
87
콘텐츠
72
커뮤니티
78
사양 준수
만들 수 있는 것
데이터셋 구조 탐색
라벨링 또는 품질 검토 전에 이미지 클러스터를 시각화하고, 밀집 영역을 검토하며, 고립된 샘플을 찾습니다.
모델 오류 진단
임베딩 공간에서 정답 라벨과 예측 패턴을 비교하여 혼동되는 클래스와 가능성 높은 오류를 찾습니다.
표현 품질 검토
UMAP, t-SNE 또는 PCA 뷰로 CLIP, DINOv2, ResNet 또는 MobileNet 임베딩을 비교합니다.
이 프롬프트를 사용해 보세요
데이터셋 시각화
dataset my-dataset에 대해 FiftyOne 임베딩 시각화 워크플로를 사용하세요. 기존 임베딩이 있는지 확인하고, 필요한 경우 2D UMAP 뷰를 만든 다음, 앱에서 여는 방법을 알려주세요.
이상치 찾기
dataset my-dataset에서 특이한 이미지를 분석하세요. 필요한 경우 임베딩을 계산하고, 이상치 중심 시각화를 만든 다음, 고립된 샘플을 어디에서 검사해야 하는지 설명하세요.
클래스 비교
my-dataset에 대한 임베딩 시각화를 만들고, 정답 라벨과 예측값을 기준으로 포인트에 색상을 지정하는 과정을 안내하세요. 클래스 겹침 또는 라벨 문제의 징후를 강조하세요.
임베딩 모델 비교
my-dataset에 대해 CLIP 및 DINOv2 임베딩 시각화를 비교하세요. 사용 가능한 경우 기존 필드를 재사용하고, 적절한 차원 축소 방법을 선택한 다음, 시각적 차이를 요약하세요.
모범 사례
- 매개변수를 선택하기 전에 사용 가능한 연산자와 스키마를 검색하세요.
- 반복 계산을 피하기 위해 가능하면 기존 임베딩 필드를 재사용하세요.
- 매우 큰 데이터셋의 경우 모든 샘플을 처리하기 전에 부분 집합으로 시작하세요.
피하기
- Embeddings 패널을 열 때 brain key로 샘플을 필터링하지 마세요.
- umap-learn이 설치되어 있지 않을 때 UMAP을 사용할 수 있다고 가정하지 마세요.
- 적합한 필드가 이미 있는 경우 새 임베딩을 계산하지 마세요.
자주 묻는 질문
이 스킬은 무엇을 시각화하는 데 도움이 되나요?
모델 임베딩을 기반으로 이미지 샘플을 2D 포인트로 시각화하는 데 도움이 됩니다.
FiftyOne이 필요한가요?
예. 실행 중인 FiftyOne MCP 서버와 FiftyOne App이 필요합니다.
어떤 임베딩 모델을 제안하나요?
분석 목표에 따라 CLIP, DINOv2, ResNet50, MobileNet을 제안합니다.
이상치를 찾을 수 있나요?
예. uniqueness score를 계산하고 임베딩 뷰에서 고립된 포인트를 표시할 수 있습니다.
기존 임베딩을 사용할 수 있나요?
예. 워크플로는 새 임베딩을 계산하기 전에 기존 임베딩 필드를 확인합니다.
UMAP이 설치되어 있지 않으면 어떻게 되나요?
워크플로는 umap-learn 설치 전에 확인을 요청하거나, 대신 t-SNE 또는 PCA를 사용할 수 있습니다.
개발자 세부 정보
작성자
AdonaiVera라이선스
MIT
Skillstore 리비전
r1
버전 안내
작성자가 버전을 선언하지 않았습니다.
참조
6eec4a59f63ff83440a84c18d1aef79743bc714e
유지보수 최신성
2026. 7. 23.
사용량
5 다운로드 · 320 조회
파일 구조
📄 SKILL.md