技能 fiftyone-dataset-inference
📊
fiftyone-dataset-inference
安全 🌐
網路存取⚙️
外部命令
使用推論建立 FiftyOne 資料集
載入本地媒體檔案到 FiftyOne 並執行 ML 模型推論需要了解資料集建立、標籤匯入和模型應用。此技能提供逐步指導，協助建立資料集、匯入標準格式的標籤，以及針對偵測、分類和分割任務套用 zoo 模型。
支援: Claude Codex Code(CC)
1
下載技能 ZIP
2
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
3
開啟並開始使用
測試它
正在使用「fiftyone-dataset-inference」。 Create a dataset from my_images folder and run YOLOv8 detection
預期結果:
- 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」。 Import my COCO dataset and compare ground truth with predictions
預期結果:
- 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
安全審計
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
已掃描檔案
590
分析行數
2
發現項
5
審計總數
風險因素
⚙️ 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
審計者: claude 查看審計歷史 →
品質評分
38
架構
100
可維護性
87
內容
21
社群
100
安全
91
規範符合性
你能建構什麼
載入圖片並偵測物體
從圖片目錄建立資料集，並使用 YOLOv8 或 Faster R-CNN 進行物體偵測
匯入 COCO 資料集
匯入現有的 COCO 格式資料集，並加入模型預測以與真實標籤比較
YOLO 資料集評估
匯入 YOLOv5 資料集格式，並使用 FiftyOne 視覺化評估模型效能
試試這些提示
僅載入圖片
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.
匯入含標籤的資料
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.
目錄分類
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.
自訂模型
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.
最佳實務
- 匯入前先探索目錄，偵測媒體類型和標籤格式
- 建立資料集前先與使用者確認資料集名稱和標籤欄位設定
- 當模型失敗時檢查缺少的相依性，並提議安裝必要的套件
避免
- 跳過目錄探索，在不知道格式的情況下嘗試匯入
- 未與使用者確認設定就建立資料集
- 忽略模型應用失敗時的相依性錯誤
常見問題
哪些平台支援此技能？
當 FiftyOne MCP 伺服器可用時，可與 Claude、Codex 和 Claude Code 搭配使用。
我可以匯入多少圖片？
資料集大小受限於系統記憶體。對於大型資料集，請使用較小的模型。
我可以與外部工具整合嗎？
使用 MCP 操作員。如需匯出或增強等功能，請安裝額外外掛。
我的資料安全嗎？
技能僅提供指示。所有資料存取都透過 FiftyOne MCP 伺服器工具進行。
為什麼我的匯入失敗了？
檢查檔案路徑是否為絕對路徑、格式是否符合支援的類型，以及相依性是否已安裝。
這與手動 FiftyOne 腳本有何不同？
提供經驗證的工作流程範本，可防止常見錯誤並確保遵循最佳實踐。