AlphaMoatによると、2026-10時点でComputer Vision Expertのダウンロード数は9,564、スター数は5で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中2,876位、デザイン・メディアでは1,116件中375位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 6492 | 3 | - |
| SkillHub ↗ | 9564 | 5 | — |
プラットフォームごとに集計方法と集計時点が異なります。
リアルタイムの検出、分割、視覚言語モデル、空間分析について設計と最適化の助言を行い、NMS を使わない端末内の推論、指示文で切り出すゼロショットの分割、奥行きの推定、三次元の再構成まで扱います。返すのは設計の指針と取捨選択で、モデルの学習やサービスの配備は行いません。
資料公開日 2026-10-27
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 9564 | — | 5 |
| 2026-09 | 6800 | — | 5 |
| 2026-08 | 6189 | +3.6% | 5 |
| 2026-07 | 5975 | +6.1% | 5 |
| 2026-06 | 5632 | +4.4% | 4 |
| 2026-05 | 5394 | — | 4 |
| 2026-03 | 4419 | — | 2 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
--- name: computer-vision-expert description: SOTA Computer Vision Expert (2026). Specialized in YOLO26, Segment Anything 3 (SAM 3), Vision Language Models, and real-time spatial analysis. --- # Computer Vision Expert (SOTA 2026) **Role**: Advanced Vision Systems Architect & Spatial Intelligence Expert ## Purpose
To provide expert guidance on designing, implementing, and optimizing state-of-the-art computer vision pipelines. From real-time object detection with YOLO26 to foundation model-based segmentation with SAM 3 and visual reasoning with VLMs.
## When to Use
- Designing high-performance real-time detection systems (YOLO26).
- Implementing zero-shot or text-guided segmentation tasks (SAM 3).
- Building spatial awareness, depth estimation, or 3D reconstruction systems.
- Optimizing vision models for edge device deployment (ONNX, TensorRT, NPU).
- Needing to bridge classical geometry (calibration) with modern deep learning.
## Capabilities
### 1. Unified Real-Time Detection (YOLO26)
- **NMS-Free Architecture**: Mastery of end-to-end inference without Non-Maximum Suppression (reducing latency and complexity).
- **Edge Deployment**: Optimization for low-power hardware using Distribution Focal Loss (DFL) removal and MuSGD optimizer.
- **Improved Small-Object Recognition**: Expertise in using ProgLoss and STAL assignment for high precision in IoT and industrial settings.
### 2. Promptable Segmentation (SAM 3)
- **Text-to-Mask**: Ability to segment objects using natural language descriptions (e.g., "the blue container on the right").
- **SAM 3D**: Reconstructing objects, scenes, and human bodies in 3D from single/multi-view images.
- **Unified Logic**: One model for detection, segmentation, and tracking with 2x accuracy over SAM 2.
### 3. Vision Language Models (VLMs)
- **Visual Grounding**: Leveraging Florence-2, PaliGemma 2, or Qwen2-VL for semantic scene understanding.
- **Visual Question Answering (VQA)**: Extracting structured data from visual inputs through conversational reasoning.
### 4. Geometry & Reconstruction
- **Depth Anything V2**: State-of-the-art monocular depth estimation for spatial awareness.
- **Sub-pixel Calibration**: Chessboard/Charuco pipelines for high-precision stereo/multi-camera rigs.
- **Visual SLAM**: Real-time localization and mapping for autonomous systems.
## Patterns
### 1. Text-Guided Vision Pipelines
- Use SAM 3's text-to-mask capability to isolate specific parts during inspection without needing custom detectors for every variation.
- Combine YOLO26 for fast "candidate proposal" and SAM 3 for "precise mask refinement".
### 2. Deployment-First Design
- Leverage YOLO26's simplified ONNX/TensorRT exports (NMS-free).
- Use MuSGD for significantly faster training convergence on custom datasets.
### 3. Progressive 3D Scene Reconstruction
- Integrate monocular depth maps with geometric homographies to build accurate 2.5D/3D representations of scenes.
## Anti-Patterns
- **Manual NMS Post-processing**: Stick to NMS-free architectures (YOLO26/v10+) for lower overhead.
- **Click-Only Segmentation**: Forgetting that SAM 3 eliminates the need for manual point prompts in many scenarios via text grounding.
- **Legacy DFL Exports**: Using outdated export pipelines that don't take advantage of YOLO26's simplified module structure.
## Sharp Edges (2026)
| Issue | Severity | Solution |
|-------|----------|----------|
| SAM 3 VRAM Usage | Medium | Use quantized/distilled versions for local GPU inference. |
| Text Ambiguity | Low | Use descriptive prompts ("the 5mm bolt" instead of just "bolt"). |
| Motion Blur | Medium | Optimize shutter speed or use SAM 3's temporal tracking consistency. |
| Hardware Compatibility | Low | YOLO26 simplified architecture is highly compatible with NPU/TPUs. |
## Related Skills
`ai-engineer`, `robotics-expert`, `research-engineer`, `embedded-systems`
通过同一个AI创作工具完成AI图片、视频、音乐与语音创作,查找公开社交数据,编辑视觉成果,并集中查看和管理生成资产。Beatra 全能创作支持AI图片生成(文生图)、AI视频生成(图生视频)和AI视频编辑,通过AI音乐生成把想法做成歌曲或纯音乐,也可用AI语音生成(文字转语音)、多语言旁白和AI语音克隆完成跨媒介内容;还能查找抖音数据、小红书数据,以及 YouTube、TikTok、Instagram 与 X 上的公开帖子、笔记、评论、账号和趋势,把社交媒体数据用于竞品调研和创作。它是一款面向AI内容创作与多模态内容创作的AI创作套件,用起来就是一个把图片、视频、音乐与语音收在同一处的AI创作助手,适用于社交内容、产品展示、营销素材、课程、播客、短片和跨媒介项目;还能在不同媒介间复用原始素材、已有成果和查到的公开资料,查看制作进度、返回文件、实际用量和积分记录。
用一张人像和一段短脚本或语音,制作有明确讲述内容的数字人口播视频。可使用现成录音,也可以先选择音色,把脚本生成旁白,让画面中的人物随声音完成稳定、自然的口播。适合 AI 主播、虚拟主播视频、数字人讲解、让照片说话、照片说话视频、产品讲解视频、数字人培训视频、公告和社交口播,并在交付后检查人物一致性、声音清晰度、口型同步和动作稳定性。一节课的讲解也能做成课程口播。
ContextWeaveアーキテクチャ図ワンショット生成
将一段活动描述、一张产品照片或品牌参考图,转化为抓人眼球的活动海报、宣传 banner 或社交媒体配图。这款 AI海报设计与制作工具生成图片丰富的海报,在海报排版上搭配清晰视觉层级、按品类匹配的风格和预留文字区域,覆盖活动、音乐节、电影、产品发布和促销场景。你可以把它当作 AI宣传单制作工具来制作促销宣传单,当作活动海报设计工具,当作电影海报生成器,当作音乐节海报设计工具,当作产品发布会海报的 banner设计 AI,或当作平面设计海报工作室。从活动主题出发,用品牌风格参考图变换产品或场景照片,或在已认可草稿上做定向精修,完成可印刷或可分享的成品。
抖音短视频双路径生产体系(单 Skill 版)。Path A[付费·高质量]:策略大脑→(可选:素材混剪/AI高光提取)→脚本优化→AI生图/素材准备→配音渲染(百炼/GPT-SoVITS/CosyVoice/VoxCPM2+剪映/Remotion/ffmpeg/数字人)。Path B[免费·动画风]:采集热点→脚本→edge-tts免费配音+HyperFrames开源渲染→MP4,零云费开箱快。触发词分层:①"抖音短视频/选题规划/合规闸门/运营策略" ②"口播脚本/AI生图/AI配音/视频渲染/Remotion渲染" ③"蹭热点/快速出片/免费做视频" ④"混剪/高光提取/素材粗剪/autoclip
GPT Image 2.5生图是一款 AI 工具,用 GPT-Image-2.5 和 ChatGPT Images 2.5 出一张图。GPT Image 2.5 Studio 支持 gpt-image-2.5-flare 与 gpt-image-2.5-sunburst,可文生图或参考图生图,做中文海报、商品图、信息图和社媒画面。
用 MiniMax H3 这款 AI视频生成器创作高质感 2K AI 视频。从文字创意出发完成文生视频,让静态图片自然动起来,用首尾画面做首尾帧视频的完整转场,也可以结合图片、视频和音频参考,以多模态视频生成塑造统一场景。适合 AI 广告视频、电商产品视频、品牌宣传视频、动态海报、游戏 UI、电影片头和社交短视频创作,形成电影感画面与同步的原生立体声。使用 Beatra 账号即可开始,创作进度与成片集中管理。
输入品牌名称、行业方向或参考图,生成专业 AI Logo、品牌标识和应用图标。这款 AI logo 设计工具从你的品牌简报出发——公司名、行业气质、配色偏好——先探索多个商标设计方向,再用精确品牌色、简洁几何和可缩放构图精修最强概念。制作企业 logo、创业公司标志、字母标、徽章、组合标识和 VI设计中的主标,从网站 favicon 到门头招牌都清晰可辨。从文字描述出发,将已有草图和品牌素材转化为精致标识,或在已认可草稿上做定向精修。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。