senior-computer-vision
Создавайте продакшн-системы компьютерного зрения на базе ИИ
Também disponível em: davila7
Создавайте корпоративные решения компьютерного зрения с обнаружением объектов, сегментацией изображений и анализом видео в реальном времени. Этот навык дает экспертные рекомендации по PyTorch, OpenCV, YOLO и vision transformers для продакшн-развертывания.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "senior-computer-vision". How do I set up a training pipeline for detecting custom objects in images?
Resultado esperado:
- • Подготовьте датасет в формате YOLO (один .txt файл на изображение с координатами ограничивающих рамок)
- • Используйте Ultralytics YOLO CLI или PyTorch DataLoader с кастомными аугментациями
- • Начните с предобученных весов YOLOv8 и дообучайте 50–100 эпох
- • Валидируйте с помощью mAP@0.5 и анализа confusion matrix
- • Экспортируйте в ONNX или TensorRT для продакшн-инференса
A utilizar "senior-computer-vision". What architecture should I use for real-time video analysis at 30 FPS?
Resultado esperado:
- • Рассмотрите YOLOv8n или YOLOv9 для лучшего баланса скорость/точность
- • Используйте пакетную обработку кадров для максимальной загрузки GPU
- • Примените квантизацию модели (INT8) для ускорения в 2–3 раза
- • Развертывайте с TensorRT на NVIDIA GPU для оптимальной производительности
- • Добавьте асинхронную обработку с отдельными потоками инференса и постобработки
A utilizar "senior-computer-vision". How do I optimize a vision model for edge deployment?
Resultado esperado:
- • Примените пост-обучающую квантизацию до INT8 с помощью TensorRT или ONNX Runtime
- • Используйте прунинг модели для удаления избыточных каналов и слоев
- • Рассмотрите knowledge distillation для переноса точности на более компактную модель
- • Раннее тестируйте на целевом железе, чтобы подтвердить целевые показатели
- • Профилируйте с помощью torch.cuda.memory_stats() для выявления узких мест
Auditoria de Segurança
SeguroAll 69 static findings are false positives. The scanner incorrectly flagged documentation keywords (SAM, encryption, algorithm) and markdown code formatting without understanding context. The skill contains legitimate computer vision documentation and Python CLI templates with no network calls, cryptographic operations, or credential handling. Safe for marketplace distribution.
Fatores de risco
⚙️ Comandos externos (1)
Pontuação de qualidade
O Que Você Pode Construir
Обучение кастомных моделей зрения
Создавайте и разворачивайте модели обнаружения объектов, адаптированные под ваш датасет, с продакшн-готовыми пайплайнами обучения
Оптимизация пайплайнов инференса
Снижайте задержку и повышайте пропускную способность для моделей зрения с помощью квантизации и оптимизации моделей
Проектирование продуктов с vision AI
Планируйте и проектируйте функции компьютерного зрения в продуктах с учетом масштабируемости и затрат
Tente Estes Prompts
Help me set up a YOLO object detection pipeline for [USE_CASE]. What steps do I need to prepare my dataset and train a model?
Create a step-by-step plan for implementing semantic segmentation using [FRAMEWORK] for a [USE_CASE] application.
Design a production deployment architecture for real-time object detection that handles [THROUGHPUT] requests per second with latency under [LATENCY]ms.
Analyze and optimize my computer vision inference pipeline. Current setup: [DESCRIBE_ARCHITECTURE]. Target: reduce latency by 50% while maintaining accuracy.
Melhores Práticas
- Всегда начинайте с предобученных моделей и дообучения вместо обучения с нуля, чтобы снизить требования к данным и улучшить сходимость
- Внедряйте комплексные аугментации данных, включая случайные флипы, color jitter и mosaic augmentation для устойчивых моделей
- Используйте контроль версий для датасетов, моделей и конфигураций обучения, чтобы обеспечить воспроизводимость экспериментов
Evitar
- Обучение с случайной инициализацией без transfer learning — это тратит вычисления и требует огромных датасетов
- Пропуск проверки качества данных — некорректно размеченные изображения или несогласованные аннотации сильно ухудшают качество модели
- Развертывание моделей без мониторинга дрейфа данных и concept drift в продакшн-средах
Perguntas Frequentes
Какие фреймворки поддерживает этот навык?
Может ли этот навык помочь с анализом видео?
Нужен ли мне GPU для обучения?
Как работать с несбалансированными датасетами?
Какие метрики точности нужно отслеживать?
Можно ли развернуть на облачных платформах?
Detalhes do Desenvolvedor
Autor
alirezarezvaniLicença
MIT
Repositório
https://github.com/alirezarezvani/claude-skills/tree/main/engineering-team/senior-computer-visionReferência
main