技能 fiftyone-embeddings-visualization
📦
fiftyone-embeddings-visualization
內容修訂 r1 安全 ⚙️ 外部命令🌐 網路存取
視覺化 FiftyOne Embeddings
影像資料集可能隱藏叢集、離群值與標籤問題。此技能會引導 Claude、Codex 和 Claude Code 使用 FiftyOne embedding 視覺化。
支援: Claude Codex Code(CC)
使用我的智慧代理安裝
將此請求複製給你的智慧代理，其中包含權威 Skill 頁面和清單。
智能體請求
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.你的智慧代理仍應顯示其計畫，並依安全政策請求必要確認。
Agent 可讀資源
當 AI Agent、爬蟲或腳本需要乾淨脈絡、而不是讀取完整頁面時，請使用這些連結。
測試它
正在使用「fiftyone-embeddings-visualization」。 Visualize my product-images dataset with UMAP.
預期結果:
- 資料集情境已設定為 product-images。
- 已找到現有的 CLIP embeddings，並用於名為 exploration 的 2D 視覺化。
- 開啟 FiftyOne App，並在 Embeddings panel 中選擇 exploration brain key。
正在使用「fiftyone-embeddings-visualization」。 Find likely outliers in my wildlife dataset.
預期結果:
- 已為資料集計算 uniqueness score。
- 最高 uniqueness 的樣本已排序在最前面，便於審查。
- Embeddings panel 中的孤立點是進行標註檢查的良好候選項。
正在使用「fiftyone-embeddings-visualization」。 Compare ground truth and predictions in embedding space.
預期結果:
- 已為模型審查準備 2D embedding 視圖。
- 依 ground truth 著色以檢查類別結構，接著依 predictions 著色以比較模型行為。
- 顏色出現分歧的區域，可能是應檢查預測錯誤的位置。
安全審計
安全v8 • 2026/7/5 開啟版本化報告
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
已掃描檔案
531
分析行數
0
複核項目
0
已忽略的誤報
風險因素
⚙️ 外部命令 (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
最近一次完成的靜態與語意稽核未偵測到已確認的安全發現。這並不能證明該 Skill 沒有副作用。
審計單位: codex 檢視審計紀錄 →
分享與引用此報告
分享版本化評估報告、中性徽章、嵌入卡片與引用。Skillstore 只報告證據，不判斷該 Skill 是否安全。
複製報告連結
https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/adonaivera-fiftyone-embeddings-visualization?utm_source=security_passport_badge)HTML 徽章
<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>嵌入卡片
<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>學術引用 (APA · BibTeX · CFF)
APA 引用
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 引用
@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 評分
評分依據 證據置信度: 高 55
架構
85
可維護性
87
內容
72
社群
78
規範符合度
你可以打造什麼
探索資料集結構
在標註或品質審查之前，視覺化影像叢集、檢視密集區域，並找出孤立樣本。
診斷模型錯誤
在 embedding 空間中比較 ground truth 與預測模式，以找出容易混淆的類別與可能的錯誤。
審查表徵品質
使用 UMAP、t-SNE 或 PCA 視圖比較 CLIP、DINOv2、ResNet 或 MobileNet embeddings。
試試這些提示
視覺化資料集
Use the FiftyOne embeddings visualization workflow for dataset my-dataset. Check for existing embeddings, create a 2D UMAP view if needed, and tell me how to open it in the app.
尋找離群值
Analyze dataset my-dataset for unusual images. Compute embeddings if needed, create an outlier-focused visualization, and explain where I should inspect isolated samples.
比較類別
Create an embedding visualization for my-dataset and guide me through coloring points by ground truth and predictions. Highlight signs of class overlap or label issues.
比較 Embedding 模型
For my-dataset, compare CLIP and DINOv2 embedding visualizations. Reuse existing fields when available, choose suitable reduction methods, and summarize the visual differences.
最佳實務
- 在選擇參數之前，探索可用的 operators 和 schemas。
- 盡可能重用現有的 embedding fields，以避免重複計算。
- 對非常大型的資料集，先從子集開始，再處理每個樣本。
避免
- 開啟 Embeddings panel 時，不要依 brain key 篩選樣本。
- 當未安裝 umap-learn 時，不要假設 UMAP 可用。
- 當已有合適的 field 時，不要計算新的 embeddings。
常見問題
這個技能能幫我視覺化什麼？
它可根據模型 embeddings，將影像樣本視覺化為 2D 點。
它需要 FiftyOne 嗎？
是。它需要執行中的 FiftyOne MCP server 和 FiftyOne App。
它會建議哪些 embedding 模型？
它會根據分析目標建議 CLIP、DINOv2、ResNet50 和 MobileNet。
它可以找出離群值嗎？
可以。它可以計算 uniqueness scores，並在 embedding 視圖中顯示孤立點。
它可以使用現有的 embeddings 嗎？
可以。此工作流程會先檢查現有的 embedding fields，再計算新的 embeddings。
如果未安裝 UMAP 會怎麼樣？
此工作流程可以在安裝 umap-learn 前先詢問，或改用 t-SNE 或 PCA。
開發者詳細資訊
作者
AdonaiVera授權
MIT
Skillstore 修訂
r1
版本提示
作者未聲明版本。
引用
6eec4a59f63ff83440a84c18d1aef79743bc714e
維護新鮮度
2026/7/18
使用量
5 次下載 · 320 次瀏覽
檔案結構
📄 SKILL.md