fiftyone-dataset-inference
Создание наборов данных FiftyOne с выводом модели
Загрузка локальных медиафайлов в FiftyOne и выполнение вывода модели машинного обучения требует понимания создания наборов данных, импорта меток и применения моделей. Этот навык предоставляет пошаговые инструкции по созданию наборов данных, импорту меток в стандартных форматах и применению моделей zoo для задач обнаружения, классификации и сегментации.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "fiftyone-dataset-inference". Create a dataset from my_images folder and run YOLOv8 detection
النتيجة المتوقعة:
- 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
استخدام "fiftyone-dataset-inference". Import my COCO dataset and compare ground truth with predictions
النتيجة المتوقعة:
- 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
التدقيق الأمني
آمنPure 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.
عوامل الخطر
🌐 الوصول إلى الشبكة (5)
⚙️ الأوامر الخارجية (97)
درجة الجودة
ماذا يمكنك بناءه
Загрузка изображений и обнаружение объектов
Создайте набор данных из каталога изображений и примените YOLOv8 или Faster R-CNN для обнаружения объектов
Импорт набора данных COCO
Импортируйте существующий набор данных в формате COCO и добавьте прогнозы модели для сравнения с эталонной разметкой
Оценка набора данных YOLO
Импортируйте набор данных в формате YOLOv5 и оцените производительность модели с помощью визуализации FiftyOne
جرّب هذه الموجهات
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.
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.
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.
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.
أفضل الممارسات
- Всегда сначала исследуйте каталог, чтобы определить типы медиафайлов и форматы меток перед импортом
- Подтвердите название набора данных и настройки поля меток с пользователем перед созданием наборов данных
- Проверяйте отсутствующие зависимости при сбое моделей и предлагайте установить необходимые пакеты
تجنب
- Пропуск исследования каталога и попытка импорта без знания формата
- Создание наборов данных без подтверждения настроек с пользователем
- Игнорирование ошибок зависимостей при сбое применения модели