dsh-deepseek-vision：为文本 DeepSeek 模型增加图片识别工具
dsh-deepseek-vision 是一款 MIT 许可证的 DSH 插件，旨在为仅支持文本的 DeepSeek 模型提供图片识别能力。该插件通过注册 `deepseek_vision` 工具，允许模型提交本地图片路径（支持 PNG、JPG、WebP、GIF，不支持 HEIC）及可选提示词。调用时，插件利用 DSH 子进程服务以数组参数方式安全调用本地 `deepseek-vision-cli`，将图片发送至 DeepSeek Web 端点进行识别，并将描述文本返回给模型。 用户需通过手动登录助手或 Token 登录建立 Web 会话，Token 仅保存在本地缓存。安装支持本地目录或 Re
阅读全文dsh-vision-imagen：DeepSeek Harness 的视觉识别与图像生成插件
dsh-vision-imagen 是由 xuxun-oss 维护的 DeepSeek Harness（DSH）插件，旨在桥接 Google Gemini 的多模态能力，支持部分 OpenAI 兼容后端。它允许用户在常规 DeepSeek 会话中直接进行图片识别、文本生图及改图，无需手动切换模型。核心功能包括使用 `vision_read` 进行 OCR 和图像分析，`generate_image` 进行带自检迭代的文生图，以及 `edit_image` 进行图像优化。插件支持 Gemini 和 OpenAI 兼容后端（如 GPT-4o、Qwen-VL 等），具备自动降级机制。安装需 Node
阅读全文dsh-mimo-vision-hint：零依赖提示 DSH 把图像识别分派给 opencode-go mimo-v2.5 子代理
dsh-mimo-vision-hint 是由 Isekai-Mfu 维护的零依赖 DSH profile bundle 插件（MIT 许可）。它不注册模型工具，也不提供 cordis 服务，仅通过注入系统提示，指导代理将图像识别任务分派给 opencode-go 的 mimo-v2.5 子代理；若 workflow 调用失败，则自动回退至 read_image。该插件适用于已配置 opencode-go provider、mimo-v2.5 模型及 workflow 工具的 DSH 部署环境。 安装时可通过命令 `dsh plugin --profile web add github:Ise
阅读全文xiaoxianyu-office/dsh-image-tools：为 DeepSeek Harness 纯文本会话增加识图能力
`xiaoxianyu-office/dsh-image-tools` 是一款 DSH 插件，旨在为 `deepseek-v4-pro` 等纯文本模型赋予识图能力。该插件通过自动将聊天图片落盘至工作区、动态禁用原生 `read_image` 工具，并引导模型使用 `image_recognize` 工具委派视觉子 Agent（如 `xiaomi/mimo-v2.5`）来识别图像。它支持 `standard`、`code` 等多种预设会话，能根据当前模型能力动态判定拦截或桥接策略，并具备首次安装向导及故障自检功能。识图输出遵循严格规范，要求使用像素坐标、`#RRGGBB` 色值，并对图中未出现或
阅读全文dsh-vision：为 DeepSeek Harness 增加识图工具的插件
dsh-vision 是由 Terry12138qy 维护的 DeepSeek Harness (DSH) bundle 插件，采用 MIT 许可证。该插件旨在解决 DSH 主模型缺乏原生图像识别能力的问题，通过封装识图流程，将本地图片路径或网络 URL 发送至阿里云百炼或智谱多模态模型，最终返回中文文字描述，供 agent 或 Code Mode 调用。 核心功能包括自动读取并编码图片，优先调用主模型 `qwen3.5-omni-plus`，在失败（如额度、限流等）时自动切换备用模型 `glm-4.6v-flash` 重试。支持通过 `await tools.vision(...)` 进行代
阅读全文使用PaddlePaddle搭建一个可以识别数千中动物
本文介绍了使用PaddlePaddle实现动物识别的项目。首先，通过几行代码即可完成动物识别任务；其次提供了GUI界面操作，方便用户上传图片进行识别；最后，通过Flask Web接口支持Android调用，实现了跨平台的应用。该项目包括模型路径、图片读取和预测结果输出等细节，并附有运行截图展示其实现效果。
阅读全文基于PaddlePaddle2.0验证码端到端的识别
你的代码已经涵盖了验证码识别项目的大部分内容，包括数据处理、模型训练和推理。以下是对你提供的代码进行的一些改进和完善建议： ### 1. 数据预处理 确保图像的尺寸一致（27x72），因为这是你在训练时使用的输入尺寸。 ### 2. 模型定义 你的 `Model` 类已经很好地封装了网络结构，但可以进一步优化和添加一些注释以方便理解。 ### 3. 训练过程 在训练过程中，确保使用多卡训练时
阅读全文基于MNN在Android手机上实现图像分类
这是一个关于如何在Android应用中实现图像分类的详细指南。你已经成功地使用了TensorFlow Lite进行图像分类，并展示了如何通过调用相机和选择图片两种方式来获取输入数据，然后将这些数据传递给模型以进行预测。 ### 主要内容总结 1. **初始化模型**：首先加载预训练好的`mobilenet_v2_1.0_224.tflite`模型，并创建一个分类器实例。 2. **读取图片并进
阅读全文基于Paddle Lite在Android手机上实现图像分类
感谢您分享这个基于Paddle Lite进行图像分类的Android应用开发实例。您的项目不仅涵盖了如何从图片中获取类别，还介绍了通过摄像头实时识别图像的方法，这使得用户可以在实际应用场景中快速了解被拍摄物体的信息。 下面我将对您提供的内容做进一步优化和补充，并提供一些建议来改进用户体验或提高代码效率： ### 1. 项目结构与资源管理 确保项目中的文件结构清晰（如：`assets/image
阅读全文基于Tensorflow2 Lite在Android手机上实现图像分类
这个项目主要实现了一个基于TensorFlow Lite的图像分类应用，能够使用Android设备上的摄像头或相册中的图片进行物体识别，并提供实时预测功能。以下是对该项目的核心步骤和关键代码的详细解析： ### 项目结构 - **TFLiteModel**: 包含模型相关配置。 - **MainActivity**: 主界面，用于启动相机或选择图片进行分类。 - **RunClassifier
阅读全文基于PaddlePaddle实现的密度估计模型CrowdNet
以上就是关于人流密度预测的详细教程。通过这个项目，您可以了解如何使用PaddlePaddle来解决实际问题，并且从训练到预测都有详细的步骤指导。 如果您在运行过程中遇到任何问题，或者有任何疑问，请随时在评论区提问！我们也会持续关注反馈，以帮助更多想要进入AI领域的朋友们。希望这个案例能够帮助大家更好地理解数据处理和模型训练的过程。
阅读全文《PaddlePaddle从入门到炼丹》十五——把预测模型部署到Android手机上
感谢您的分享和详细的笔记，这为想要学习如何在Android应用中集成PaddlePaddle进行图像识别的开发者提供了很好的参考。下面我将对您提供的信息做一总结，并补充一些可能有助于理解的内容： ### 1. 环境准备 - **开发环境**：确保安装了最新版本的Android Studio。 - **权限配置**：在`AndroidManifest.xml`中添加必要的权限，如读写外部存储。
阅读全文《PaddlePaddle从入门到炼丹》十一——自定义图像数据集识别
这篇笔记主要介绍了如何使用PaddlePaddle进行图像分类任务的训练和预测，具体包括以下几个部分： ### 1. 准备数据集 作者从一个包含6类水果图片的数据集中提取了240张图片作为训练集，并将其整理为CSV文件格式。 ### 2. 构建模型 使用PaddlePaddle定义了一个简单的LeNet模型结构。该模型包括两个卷积层、两个池化层和全连接层，最后通过Softmax进行分类。 #
阅读全文《PaddlePaddle从入门到炼丹》四——卷积神经网络
这个教程详细介绍了如何使用PaddlePaddle框架训练并预测手写数字识别模型。以下是关键步骤的总结和进一步解释： ### 1. 准备数据集 首先通过`fetch MNIST data`命令从PaddlePaddle中获取MNIST数据集，这是一个广泛用于训练机器学习模型的数据集。 ```python import paddle.v2 as paddle from paddle.v2.da
阅读全文《我的PaddlePaddle学习之路》笔记十二——可视化工具VisualDL的使用
这个笔记详细介绍了如何使用PaddlePaddle和VisualDL来进行卷积神经网络训练的可视化。以下是对笔记内容的关键点总结： ### 使用PaddlePaddle与VisualDL进行CNN训练及训练过程可视化 #### 1. 准备工作 - **安装环境**：确保已经安装了Python、PaddlePaddle以及VisualDL。 - **依赖库导入**： ```python
阅读全文《我的PaddlePaddle学习之路》笔记七——车牌端到端的识别
这个项目主要介绍了如何使用PaddlePaddle框架来训练一个识别车牌号码的模型。下面我会总结一下关键步骤和概念，并提供一些优化建议。 ### 关键步骤总结 1. **数据准备**： - 收集并预处理车牌图片。 - 创建标签字典，将字符映射到索引。 2. **模型构建**： - 使用PaddlePaddle框架创建一个端到端的识别模型。 - 模型包括输入层、卷积层、
阅读全文《我的PaddlePaddle学习之路》笔记六——验证码端到端的识别
这篇文章详细介绍了使用PaddlePaddle进行车牌识别的过程，从安装环境、读取数据集、构建模型到训练和测试。以下是文章中的几个关键点的总结： ### 1. 环境搭建 作者首先为PaddlePaddle创建了虚拟环境，并配置了CUDA/CUDNN版本。 ### 2. 数据集准备 使用了一个包含大量车牌图像的数据集，这些数据在GitHub上公开可用，且每个车牌都有一个标签。作者通过解析文件
阅读全文《我的PaddlePaddle学习之路》笔记五——验证码的识别
你的教程详细地介绍了如何使用PaddlePaddle来识别验证码，从数据集的准备、模型的设计到最终的训练与预测过程。这一系列步骤非常适合用于理解和学习深度学习的基本流程和技巧，特别是在OCR（光学字符识别）领域中的应用。 ### 代码结构解析 1. **数据预处理**： - `read_file` 函数用于读取图像文件，并将其转换为适合模型输入的格式。 - `load_and_tr
阅读全文《我的PaddlePaddle学习之路》笔记四——自定义图像数据集的识别
这个系列的笔记主要介绍如何使用PaddlePaddle实现一个简单的图像识别任务，包括数据准备、模型构建与训练、以及结果预测。以下是每个部分的主要内容总结： ### 1. 环境搭建和初始设置 - **环境配置**：首先需要安装Python3并确保其运行正常。 - **下载预处理脚本**：使用`DownloadImages.py`脚本从百度图片中批量下载需要识别的图片。这个脚本可以根据关键词进行
阅读全文《我的PaddlePaddle学习之路》笔记三——CIFAR彩色图像识别
这个项目是一个使用PaddlePaddle实现的CIFAR-10图像分类模型，整个代码结构清晰、注释详细。下面是对每个部分的主要功能和原理进行简要说明： ### 1. `vgg.py` 这是一个包含VGG网络定义的文件。VGG是一种经典的卷积神经网络架构，在此文件中它被转化为PaddlePaddle的实现形式。 #### 主要内容： - **定义了VGG网络结构**：包括多个卷积层、池化层和全
阅读全文