par ComposioHQ
google-cloud-vision-automation aide les agents à lancer des workflows Google Cloud Vision via Composio Rube MCP, en recherchant les outils disponibles, en vérifiant la connexion google_cloud_vision et en exécutant des schémas validés.
par K-Dense-AI
histolab est une skill Python dédiée au prétraitement des images en lame entière (WSI) en pathologie numérique. Elle prend en charge la détection de tissu, l’extraction de tuiles et la normalisation des colorations pour les lames H&E, ce qui la rend utile pour la préparation de jeux de données, l’analyse rapide par tuiles et des workflows légers d’analyse de données. Installez et utilisez histolab avec des conseils pratiques sur les masques, les tilers et la gestion des lames.
par huggingface
huggingface-vision-trainer vous aide à installer et utiliser un skill Hugging Face pour des tâches d’entraînement vision : détection d’objets, classification d’images et segmentation SAM/SAM2. Il couvre la préparation des jeux de données, la configuration de GPU cloud, l’évaluation, la journalisation avec Trackio et l’envoi des résultats sur le Hub. Idéal pour l’automatisation backend et les workflows d’entraînement reproductibles.
par microsoft
Le skill azure-ai-vision-imageanalysis-py vous aide à installer et utiliser le SDK Azure AI Vision Image Analysis pour Python. Il couvre les légendes, les balises, les objets, l’OCR, la détection des personnes et le recadrage intelligent, avec des indications de configuration, d’authentification et d’environnement orientées backend pour des workflows de compréhension d’images basés sur Azure.
par microsoft
azure-ai-vision-imageanalysis-java vous aide à créer des applications Java d’analyse d’images avec Azure AI Vision. Utilisez-le pour la génération de légendes, l’OCR, la détection d’objets, le balisage, la détection de personnes, le recadrage intelligent et le développement d’API avec configuration du SDK, authentification et exemples.
par K-Dense-AI
Le skill transformers vous aide à utiliser Hugging Face Transformers pour le chargement de modèles, l’inférence, la tokenisation et le fine-tuning. C’est un guide pratique de transformers pour les tâches de machine learning, couvrant le texte, la vision, l’audio et les workflows multimodaux, avec des parcours clairs pour démarrer vite avec une base simple ou aller vers un entraînement personnalisé.
