dsh-deepseek-vision：爲文本 DeepSeek 模型增加圖片識別工具
dsh-deepseek-vision 是一款 MIT 許可證的 DSH 插件，旨在爲僅支持文本的 DeepSeek 模型提供圖片識別能力。該插件通過註冊 `deepseek_vision` 工具，允許模型提交本地圖片路徑（支持 PNG、JPG、WebP、GIF，不支持 HEIC）及可選提示詞。調用時，插件利用 DSH 子進程服務以數組參數方式安全調用本地 `deepseek-vision-cli`，將圖片發送至 DeepSeek Web 端點進行識別，並將描述文本返回給模型。 用戶需通過手動登錄助手或 Token 登錄建立 Web 會話，Token 僅保存在本地緩存。安裝支持本地目錄或 Re
閱讀全文dsh-vision-imagen：DeepSeek Harness 的視覺識別與圖像生成插件
dsh-vision-imagen 是由 xuxun-oss 維護的 DeepSeek Harness（DSH）插件，旨在橋接 Google Gemini 的多模態能力，支持部分 OpenAI 兼容後端。它允許用戶在常規 DeepSeek 會話中直接進行圖片識別、文本生圖及改圖，無需手動切換模型。核心功能包括使用 `vision_read` 進行 OCR 和圖像分析，`generate_image` 進行帶自檢迭代的文生圖，以及 `edit_image` 進行圖像優化。插件支持 Gemini 和 OpenAI 兼容後端（如 GPT-4o、Qwen-VL 等），具備自動降級機制。安裝需 Node
閱讀全文dsh-mimo-vision-hint：零依賴提示 DSH 把圖像識別分派給 opencode-go mimo-v2.5 子代理
dsh-mimo-vision-hint 是由 Isekai-Mfu 維護的零依賴 DSH profile bundle 插件（MIT 許可）。它不註冊模型工具，也不提供 cordis 服務，僅通過注入系統提示，指導代理將圖像識別任務分派給 opencode-go 的 mimo-v2.5 子代理；若 workflow 調用失敗，則自動回退至 read_image。該插件適用於已配置 opencode-go provider、mimo-v2.5 模型及 workflow 工具的 DSH 部署環境。 安裝時可通過命令 `dsh plugin --profile web add github:Ise
閱讀全文xiaoxianyu-office/dsh-image-tools：爲 DeepSeek Harness 純文本會話增加識圖能力
`xiaoxianyu-office/dsh-image-tools` 是一款 DSH 插件，旨在爲 `deepseek-v4-pro` 等純文本模型賦予識圖能力。該插件通過自動將聊天圖片落盤至工作區、動態禁用原生 `read_image` 工具，並引導模型使用 `image_recognize` 工具委派視覺子 Agent（如 `xiaomi/mimo-v2.5`）來識別圖像。它支持 `standard`、`code` 等多種預設會話，能根據當前模型能力動態判定攔截或橋接策略，並具備首次安裝嚮導及故障自檢功能。識圖輸出遵循嚴格規範，要求使用像素座標、`#RRGGBB` 色值，並對圖中未出現或
閱讀全文dsh-vision：爲 DeepSeek Harness 增加識圖工具的插件
dsh-vision 是由 Terry12138qy 維護的 DeepSeek Harness (DSH) bundle 插件，採用 MIT 許可證。該插件旨在解決 DSH 主模型缺乏原生圖像識別能力的問題，通過封裝識圖流程，將本地圖片路徑或網絡 URL 發送至阿里雲百鍊或智譜多模態模型，最終返回中文文字描述，供 agent 或 Code Mode 調用。 核心功能包括自動讀取並編碼圖片，優先調用主模型 `qwen3.5-omni-plus`，在失敗（如額度、限流等）時自動切換備用模型 `glm-4.6v-flash` 重試。支持通過 `await tools.vision(...)` 進行代
閱讀全文使用PaddlePaddle搭建一個可以識別數千中動物
本文介紹了使用PaddlePaddle實現動物識別的項目。首先，通過幾行代碼即可完成動物識別任務；其次提供了GUI界面操作，方便用戶上傳圖片進行識別；最後，通過Flask Web接口支持Android調用，實現了跨平臺的應用。該項目包括模型路徑、圖片讀取和預測結果輸出等細節，並附有運行截圖展示其實現效果。
閱讀全文基於PaddlePaddle2.0驗證碼端到端的識別
你的代碼已經涵蓋了驗證碼識別項目的大部分內容，包括數據處理、模型訓練和推理。以下是對你提供的代碼進行的一些改進和完善建議： ### 1. 數據預處理 確保圖像的尺寸一致（27x72），因爲這是你在訓練時使用的輸入尺寸。 ### 2. 模型定義 你的 `Model` 類已經很好地封裝了網絡結構，但可以進一步優化和添加一些註釋以方便理解。 ### 3. 訓練過程 在訓練過程中，確保使用多卡訓練時
閱讀全文基於MNN在Android手機上實現圖像分類
這是一個關於如何在Android應用中實現圖像分類的詳細指南。你已經成功地使用了TensorFlow Lite進行圖像分類，並展示瞭如何通過調用相機和選擇圖片兩種方式來獲取輸入數據，然後將這些數據傳遞給模型以進行預測。 ### 主要內容總結 1. **初始化模型**：首先加載預訓練好的`mobilenet_v2_1.0_224.tflite`模型，並創建一個分類器實例。 2. **讀取圖片並進
閱讀全文基於Paddle Lite在Android手機上實現圖像分類
感謝您分享這個基於Paddle Lite進行圖像分類的Android應用開發實例。您的項目不僅涵蓋了如何從圖片中獲取類別，還介紹了通過攝像頭即時識別圖像的方法，這使得用戶可以在實際應用場景中快速瞭解被拍攝物體的信息。 下面我將對您提供的內容做進一步優化和補充，並提供一些建議來改進用戶體驗或提高代碼效率： ### 1. 項目結構與資源管理 確保項目中的文件結構清晰（如：`assets/image
閱讀全文基於Tensorflow2 Lite在Android手機上實現圖像分類
這個項目主要實現了一個基於TensorFlow Lite的圖像分類應用，能夠使用Android設備上的攝像頭或相冊中的圖片進行物體識別，並提供即時預測功能。以下是對該項目的核心步驟和關鍵代碼的詳細解析： ### 項目結構 - **TFLiteModel**: 包含模型相關配置。 - **MainActivity**: 主界面，用於啓動相機或選擇圖片進行分類。 - **RunClassifier
閱讀全文基於PaddlePaddle實現的密度估計模型CrowdNet
以上就是關於人流密度預測的詳細教程。通過這個項目，您可以瞭解如何使用PaddlePaddle來解決實際問題，並且從訓練到預測都有詳細的步驟指導。 如果您在運行過程中遇到任何問題，或者有任何疑問，請隨時在評論區提問！我們也會持續關注反饋，以幫助更多想要進入AI領域的朋友們。希望這個案例能夠幫助大家更好地理解數據處理和模型訓練的過程。
閱讀全文《PaddlePaddle從入門到煉丹》十五——把預測模型部署到Android手機上
感謝您的分享和詳細的筆記，這爲想要學習如何在Android應用中集成PaddlePaddle進行圖像識別的開發者提供了很好的參考。下面我將對您提供的信息做一總結，並補充一些可能有助於理解的內容： ### 1. 環境準備 - **開發環境**：確保安裝了最新版本的Android Studio。 - **權限配置**：在`AndroidManifest.xml`中添加必要的權限，如讀寫外部存儲。
閱讀全文《PaddlePaddle從入門到煉丹》十一——自定義圖像數據集識別
這篇筆記主要介紹瞭如何使用PaddlePaddle進行圖像分類任務的訓練和預測，具體包括以下幾個部分： ### 1. 準備數據集 作者從一個包含6類水果圖片的數據集中提取了240張圖片作爲訓練集，並將其整理爲CSV文件格式。 ### 2. 構建模型 使用PaddlePaddle定義了一個簡單的LeNet模型結構。該模型包括兩個卷積層、兩個池化層和全連接層，最後通過Softmax進行分類。 #
閱讀全文《PaddlePaddle從入門到煉丹》四——卷積神經網絡
這個教程詳細介紹瞭如何使用PaddlePaddle框架訓練並預測手寫數字識別模型。以下是關鍵步驟的總結和進一步解釋： ### 1. 準備數據集 首先通過`fetch MNIST data`命令從PaddlePaddle中獲取MNIST數據集，這是一個廣泛用於訓練機器學習模型的數據集。 ```python import paddle.v2 as paddle from paddle.v2.da
閱讀全文《我的PaddlePaddle學習之路》筆記十二——可視化工具VisualDL的使用
這個筆記詳細介紹瞭如何使用PaddlePaddle和VisualDL來進行卷積神經網絡訓練的可視化。以下是對筆記內容的關鍵點總結： ### 使用PaddlePaddle與VisualDL進行CNN訓練及訓練過程可視化 #### 1. 準備工作 - **安裝環境**：確保已經安裝了Python、PaddlePaddle以及VisualDL。 - **依賴庫導入**： ```python
閱讀全文《我的PaddlePaddle學習之路》筆記七——車牌端到端的識別
這個項目主要介紹瞭如何使用PaddlePaddle框架來訓練一個識別車牌號碼的模型。下面我會總結一下關鍵步驟和概念，並提供一些優化建議。 ### 關鍵步驟總結 1. **數據準備**： - 收集並預處理車牌圖片。 - 創建標籤字典，將字符映射到索引。 2. **模型構建**： - 使用PaddlePaddle框架創建一個端到端的識別模型。 - 模型包括輸入層、卷積層、
閱讀全文《我的PaddlePaddle學習之路》筆記六——驗證碼端到端的識別
這篇文章詳細介紹了使用PaddlePaddle進行車牌識別的過程，從安裝環境、讀取數據集、構建模型到訓練和測試。以下是文章中的幾個關鍵點的總結： ### 1. 環境搭建 作者首先爲PaddlePaddle創建了虛擬環境，並配置了CUDA/CUDNN版本。 ### 2. 數據集準備 使用了一個包含大量車牌圖像的數據集，這些數據在GitHub上公開可用，且每個車牌都有一個標籤。作者通過解析文件
閱讀全文《我的PaddlePaddle學習之路》筆記五——驗證碼的識別
你的教程詳細地介紹瞭如何使用PaddlePaddle來識別驗證碼，從數據集的準備、模型的設計到最終的訓練與預測過程。這一系列步驟非常適合用於理解和學習深度學習的基本流程和技巧，特別是在OCR（光學字符識別）領域中的應用。 ### 代碼結構解析 1. **數據預處理**： - `read_file` 函數用於讀取圖像文件，並將其轉換爲適合模型輸入的格式。 - `load_and_tr
閱讀全文《我的PaddlePaddle學習之路》筆記四——自定義圖像數據集的識別
這個系列的筆記主要介紹如何使用PaddlePaddle實現一個簡單的圖像識別任務，包括數據準備、模型構建與訓練、以及結果預測。以下是每個部分的主要內容總結： ### 1. 環境搭建和初始設置 - **環境配置**：首先需要安裝Python3並確保其運行正常。 - **下載預處理腳本**：使用`DownloadImages.py`腳本從百度圖片中批量下載需要識別的圖片。這個腳本可以根據關鍵詞進行
閱讀全文《我的PaddlePaddle學習之路》筆記三——CIFAR彩色圖像識別
這個項目是一個使用PaddlePaddle實現的CIFAR-10圖像分類模型，整個代碼結構清晰、註釋詳細。下面是對每個部分的主要功能和原理進行簡要說明： ### 1. `vgg.py` 這是一個包含VGG網絡定義的文件。VGG是一種經典的卷積神經網絡架構，在此文件中它被轉化爲PaddlePaddle的實現形式。 #### 主要內容： - **定義了VGG網絡結構**：包括多個卷積層、池化層和全
閱讀全文