DamoFD模型与ChatGPT联动智能问答系统设计1. 引言想象一下这样的场景你给系统一张照片它不仅能识别出照片中的人脸还能跟你聊照片里的人是谁、在做什么、甚至分析他们的情绪状态。这种融合视觉和语言的智能交互正是DamoFD人脸检测模型与ChatGPT结合所能实现的奇妙体验。在实际应用中很多企业都需要处理大量的图像数据比如安防监控需要快速识别人员身份社交平台想要自动生成图片描述教育机构希望开发互动式学习工具。传统方案往往需要分别处理视觉和语言部分流程复杂且效果割裂。本文将带你设计一个完整的智能问答系统通过DamoFD精准的人脸检测能力与ChatGPT强大的自然语言理解相结合实现真正的多模态交互体验。无论你是开发者、产品经理还是技术爱好者都能从这个方案中获得实用的技术思路和实现方法。2. 系统架构设计2.1 整体工作流程这个智能问答系统的核心思路很直观先用DamoFD看懂图像再用ChatGPT理解问题并生成回答。具体来说当用户上传一张图片并提出问题时系统会经历以下几个步骤首先DamoFD模型对输入图像进行人脸检测识别出所有人脸的位置、关键点眼睛、鼻子、嘴角等以及相关的属性信息。这些视觉信息被转换成结构化的数据包括人脸数量、位置坐标、特征向量等。然后系统将视觉分析结果与用户的文本问题一起组合成ChatGPT能够理解的提示词。这个步骤很关键需要把冰冷的数字坐标转换成有意义的语言描述。接着ChatGPT基于组合后的信息生成自然语言回答。它不仅能够回答简单的是非问题还能进行推理分析比如判断人物的情绪状态、估计年龄范围甚至猜测人物之间的关系。最后系统将生成的回答返回给用户完成一次完整的多模态交互。2.2 技术组件选型在选择技术方案时我们重点考虑了性能、易用性和成本因素。DamoFD-0.5G作为人脸检测组件以其轻量高效的特点成为理想选择。这个模型在保持高精度的同时计算量仅为0.5G FLOPs非常适合实时应用场景。对于语言模型部分我们选择ChatGPT的API接口。这样既避免了本地部署大模型的硬件要求又能享受到持续更新的模型能力。通过API调用我们可以灵活控制对话的上下文长度和响应风格。系统后端采用FastAPI框架这是一个现代高效的Python Web框架特别适合构建API服务。它支持异步处理能够高效地处理并发请求这对于需要同时处理图像和文本的多模态系统尤为重要。数据存储方面我们使用Redis作为缓存层存储临时的会话状态和处理结果。对于需要持久化的数据如用户历史记录和系统日志则使用PostgreSQL数据库。3. 核心实现步骤3.1 环境准备与依赖安装首先需要搭建基础的开发环境。建议使用Python 3.8或以上版本创建一个独立的虚拟环境来管理依赖包。# 创建虚拟环境 python -m venv multimodal-env source multimodal-env/bin/activate # Linux/Mac # 或者 multimodal-env\Scripts\activate # Windows # 安装核心依赖 pip install torch torchvision pip install modelscope1.5.0 pip install openai pip install fastapi uvicorn pip install redis psycopg2-binary pip install pillow opencv-python除了Python依赖还需要准备模型访问权限。对于DamoFD模型可以通过ModelScope平台获取from modelscope import snapshot_download model_dir snapshot_download(damo/cv_ddsar_face-detection_iclr23-damofd)对于ChatGPT部分需要注册OpenAI账号并获取API密钥。建议将密钥存储在环境变量中避免硬编码在代码里。3.2 人脸检测模块实现DamoFD模型的集成相对 straightforward。我们创建一个专门的处理类来封装人脸检测功能import cv2 import numpy as np from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks class FaceDetector: def __init__(self, model_namedamo/cv_ddsar_face-detection_iclr23-damofd): self.face_detection pipeline( taskTasks.face_detection, modelmodel_name ) def detect_faces(self, image_path): 检测图像中的人脸并返回结构化结果 # 支持本地路径和URL result self.face_detection(image_path) # 解析检测结果 faces [] if boxes in result: for i, box in enumerate(result[boxes]): face_info { index: i, bbox: box[:4].tolist(), # 人脸框坐标 score: float(result[scores][i]), # 置信度 landmarks: result[keypoints][i].tolist() if keypoints in result else [] } faces.append(face_info) return { face_count: len(faces), faces: faces, image_size: result.get(img_scale, [0, 0]) } def draw_detection_result(self, image_path, output_path): 可视化检测结果 img cv2.imread(image_path) result self.detect_faces(image_path) for face in result[faces]: x1, y1, x2, y2 map(int, face[bbox]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制关键点 for landmark in face[landmarks]: x, y map(int, landmark) cv2.circle(img, (x, y), 2, (0, 0, 255), -1) cv2.imwrite(output_path, img) return output_path这个类提供了基本的人脸检测功能和结果可视化方法在实际使用中可以进一步扩展比如添加人脸特征提取、属性分析等功能。3.3 多模态问答处理问答处理是整个系统的核心需要巧妙地将视觉信息转化为语言模型能理解的提示词。下面是一个基本的实现框架import openai import json from typing import List, Dict class MultimodalQA: def __init__(self, openai_api_key: str): openai.api_key openai_api_key self.face_detector FaceDetector() def generate_prompt(self, image_path: str, question: str) - str: 生成结合视觉信息的提示词 # 首先进行人脸检测 detection_result self.face_detector.detect_faces(image_path) # 将检测结果转换为自然语言描述 visual_description self._describe_detection_result(detection_result) # 组合成完整的提示词 prompt f基于以下图像分析结果回答问题。 图像分析结果 {visual_description} 用户问题{question} 请根据图像分析结果给出准确、详细的回答。如果无法从图像信息中得出答案请如实说明。 return prompt def _describe_detection_result(self, result: Dict) - str: 将检测结果转换为描述性文本 description f图像中检测到 {result[face_count]} 张人脸。\n for i, face in enumerate(result[faces]): description f\n第 {i1} 张人脸 description f位置在图像中的 ({face[bbox][0]}, {face[bbox][1]}) 到 ({face[bbox][2]}, {face[bbox][3]}) 区域 description f检测置信度 {face[score]:.2f}。 if face[landmarks]: description 检测到五官关键点。 return description def ask_question(self, image_path: str, question: str) - str: 处理用户问答 prompt self.generate_prompt(image_path, question) try: response openai.ChatCompletion.create( modelgpt-3.5-turbo, messages[ {role: system, content: 你是一个多模态AI助手能够根据图像分析结果回答用户问题。}, {role: user, content: prompt} ], max_tokens500, temperature0.7 ) return response.choices[0].message.content except Exception as e: return f回答问题时报错{str(e)}这个实现考虑了错误处理和提示词优化在实际应用中还可以根据具体需求调整提示词的格式和内容。4. 实际应用案例4.1 智能相册管理在现代智能手机相册中我们经常需要查找特定人物的照片。传统的相册应用通常基于人脸识别进行分类但缺乏自然语言的交互能力。使用我们的系统用户可以直接用自然语言查询找出所有包含小明和小红一起的照片或者显示上个月拍摄的笑着的人像照片。系统会先用人脸检测识别照片中的人物和表情然后通过ChatGPT理解查询意图最终返回符合要求的结果。这种交互方式比传统的标签筛选更加直观和灵活特别是对于复杂的查询条件比如找出背景是海边并且大家都在笑的照片。4.2 安防监控问答在安防监控场景中值班人员经常需要快速了解监控画面中的情况。传统方案需要人工查看每个摄像头画面效率低下且容易遗漏重要信息。集成我们的系统后安保人员可以直接询问第三号摄像头现在有多少人、有没有戴帽子的人出现在入口处或者最近一小时有没有陌生面孔出现。系统会实时分析监控画面提取人脸信息并结合历史数据给出准确回答。这不仅大大提高了监控效率还能实现智能预警和异常检测。4.3 互动教育应用在教育领域这个系统可以用于开发互动学习工具。比如在语言学习中学生可以上传一张包含多人的图片然后练习用目标语言描述图片内容。系统能够帮助学生检查描述的准确性图片中真的有五个人吗、左边第二个人的衣服是什么颜色的。这种互动式的学习方式比传统的背诵练习更加生动有效。另一个应用场景是社交技能训练特别适合自闭症谱系障碍的儿童。系统可以分析社交场景图片帮助孩子理解人物的情绪状态和社交信号。5. 优化与实践建议5.1 性能优化策略在实际部署时性能往往是关键考虑因素。以下是一些有效的优化建议首先考虑缓存策略。对于静态图像可以缓存DamoFD的检测结果避免重复计算。使用Redis存储最近处理过的图像哈希值和对应的检测结果可以显著减少计算开销。import hashlib import redis class CachedFaceDetector(FaceDetector): def __init__(self, redis_urlredis://localhost:6379): super().__init__() self.redis_client redis.from_url(redis_url) def detect_faces_with_cache(self, image_path): # 生成图像哈希作为缓存键 with open(image_path, rb) as f: image_hash hashlib.md5(f.read()).hexdigest() cache_key fface_detection:{image_hash} cached_result self.redis_client.get(cache_key) if cached_result: return json.loads(cached_result) # 缓存不存在执行检测 result self.detect_faces(image_path) # 缓存结果设置1小时过期 self.redis_client.setex(cache_key, 3600, json.dumps(result)) return result其次优化提示词设计。经过测试结构化程度更高的提示词往往能获得更好的回答质量。可以考虑使用模板化的提示词def generate_structured_prompt(detection_result, question): template ## 图像分析报告 ### 基本信息 - 图像尺寸: {width} x {height} - 人脸数量: {face_count} ### 人脸详情 {face_details} ### 用户问题 {question} 请基于以上分析报告回答问题注意 1. 只根据提供的图像信息回答 2. 如果信息不足请说明 3. 保持回答准确简洁 face_details for i, face in enumerate(detection_result[faces]): face_details f{i1}. 位置: {face[bbox]}, 置信度: {face[score]:.2f}\n return template.format( widthdetection_result[image_size][0], heightdetection_result[image_size][1], face_countdetection_result[face_count], face_detailsface_details, questionquestion )5.2 错误处理与降级方案在实际应用中需要充分考虑各种异常情况并准备降级方案网络异常处理。当OpenAI API不可用时可以降级到本地的小型语言模型或者返回预设的模板回答。同样如果DamoFD模型加载失败可以使用OpenCV的Haar级联分类器作为备用方案。def robust_face_detection(image_path, primary_detector): try: return primary_detector.detect_faces(image_path) except Exception as e: print(f主检测器失败: {e}, 使用备用方案) return fallback_face_detection(image_path) def fallback_face_detection(image_path): 使用OpenCV Haar级联分类器的备用方案 face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.1, 4) return { face_count: len(faces), faces: [{bbox: [x, y, xw, yh], score: 1.0} for (x, y, w, h) in faces], image_size: img.shape[:2] }输入验证也很重要。在处理用户上传的图片前需要验证文件格式、大小和内容避免恶意文件导致系统异常。6. 总结通过将DamoFD人脸检测模型与ChatGPT相结合我们实现了一个真正意义上的多模态智能问答系统。这个方案的优势在于既利用了计算机视觉的精准分析能力又发挥了大型语言模型的自然语言理解和生成能力。在实际使用中这种技术组合展现出了强大的实用性。无论是智能相册管理、安防监控还是教育应用都能看到明显的效果提升。用户可以用最自然的语言与系统交互获得基于视觉内容的智能回答。从技术实现角度看整个系统的搭建并不复杂。基于ModelScope和OpenAI提供的成熟服务开发者可以快速构建出可用的原型。真正的挑战在于提示词工程和性能优化这些都需要在实际场景中不断迭代和改进。未来这种多模态交互方式还有很大的发展空间。比如加入更细粒度的情感分析、行为识别或者结合语音输入输出都能让系统变得更加智能和自然。随着模型的不断进化我们有望看到更多创新的应用场景出现。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
DamoFD模型与ChatGPT联动：智能问答系统设计
发布时间：2026/7/24 11:46:39
DamoFD模型与ChatGPT联动智能问答系统设计1. 引言想象一下这样的场景你给系统一张照片它不仅能识别出照片中的人脸还能跟你聊照片里的人是谁、在做什么、甚至分析他们的情绪状态。这种融合视觉和语言的智能交互正是DamoFD人脸检测模型与ChatGPT结合所能实现的奇妙体验。在实际应用中很多企业都需要处理大量的图像数据比如安防监控需要快速识别人员身份社交平台想要自动生成图片描述教育机构希望开发互动式学习工具。传统方案往往需要分别处理视觉和语言部分流程复杂且效果割裂。本文将带你设计一个完整的智能问答系统通过DamoFD精准的人脸检测能力与ChatGPT强大的自然语言理解相结合实现真正的多模态交互体验。无论你是开发者、产品经理还是技术爱好者都能从这个方案中获得实用的技术思路和实现方法。2. 系统架构设计2.1 整体工作流程这个智能问答系统的核心思路很直观先用DamoFD看懂图像再用ChatGPT理解问题并生成回答。具体来说当用户上传一张图片并提出问题时系统会经历以下几个步骤首先DamoFD模型对输入图像进行人脸检测识别出所有人脸的位置、关键点眼睛、鼻子、嘴角等以及相关的属性信息。这些视觉信息被转换成结构化的数据包括人脸数量、位置坐标、特征向量等。然后系统将视觉分析结果与用户的文本问题一起组合成ChatGPT能够理解的提示词。这个步骤很关键需要把冰冷的数字坐标转换成有意义的语言描述。接着ChatGPT基于组合后的信息生成自然语言回答。它不仅能够回答简单的是非问题还能进行推理分析比如判断人物的情绪状态、估计年龄范围甚至猜测人物之间的关系。最后系统将生成的回答返回给用户完成一次完整的多模态交互。2.2 技术组件选型在选择技术方案时我们重点考虑了性能、易用性和成本因素。DamoFD-0.5G作为人脸检测组件以其轻量高效的特点成为理想选择。这个模型在保持高精度的同时计算量仅为0.5G FLOPs非常适合实时应用场景。对于语言模型部分我们选择ChatGPT的API接口。这样既避免了本地部署大模型的硬件要求又能享受到持续更新的模型能力。通过API调用我们可以灵活控制对话的上下文长度和响应风格。系统后端采用FastAPI框架这是一个现代高效的Python Web框架特别适合构建API服务。它支持异步处理能够高效地处理并发请求这对于需要同时处理图像和文本的多模态系统尤为重要。数据存储方面我们使用Redis作为缓存层存储临时的会话状态和处理结果。对于需要持久化的数据如用户历史记录和系统日志则使用PostgreSQL数据库。3. 核心实现步骤3.1 环境准备与依赖安装首先需要搭建基础的开发环境。建议使用Python 3.8或以上版本创建一个独立的虚拟环境来管理依赖包。# 创建虚拟环境 python -m venv multimodal-env source multimodal-env/bin/activate # Linux/Mac # 或者 multimodal-env\Scripts\activate # Windows # 安装核心依赖 pip install torch torchvision pip install modelscope1.5.0 pip install openai pip install fastapi uvicorn pip install redis psycopg2-binary pip install pillow opencv-python除了Python依赖还需要准备模型访问权限。对于DamoFD模型可以通过ModelScope平台获取from modelscope import snapshot_download model_dir snapshot_download(damo/cv_ddsar_face-detection_iclr23-damofd)对于ChatGPT部分需要注册OpenAI账号并获取API密钥。建议将密钥存储在环境变量中避免硬编码在代码里。3.2 人脸检测模块实现DamoFD模型的集成相对 straightforward。我们创建一个专门的处理类来封装人脸检测功能import cv2 import numpy as np from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks class FaceDetector: def __init__(self, model_namedamo/cv_ddsar_face-detection_iclr23-damofd): self.face_detection pipeline( taskTasks.face_detection, modelmodel_name ) def detect_faces(self, image_path): 检测图像中的人脸并返回结构化结果 # 支持本地路径和URL result self.face_detection(image_path) # 解析检测结果 faces [] if boxes in result: for i, box in enumerate(result[boxes]): face_info { index: i, bbox: box[:4].tolist(), # 人脸框坐标 score: float(result[scores][i]), # 置信度 landmarks: result[keypoints][i].tolist() if keypoints in result else [] } faces.append(face_info) return { face_count: len(faces), faces: faces, image_size: result.get(img_scale, [0, 0]) } def draw_detection_result(self, image_path, output_path): 可视化检测结果 img cv2.imread(image_path) result self.detect_faces(image_path) for face in result[faces]: x1, y1, x2, y2 map(int, face[bbox]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制关键点 for landmark in face[landmarks]: x, y map(int, landmark) cv2.circle(img, (x, y), 2, (0, 0, 255), -1) cv2.imwrite(output_path, img) return output_path这个类提供了基本的人脸检测功能和结果可视化方法在实际使用中可以进一步扩展比如添加人脸特征提取、属性分析等功能。3.3 多模态问答处理问答处理是整个系统的核心需要巧妙地将视觉信息转化为语言模型能理解的提示词。下面是一个基本的实现框架import openai import json from typing import List, Dict class MultimodalQA: def __init__(self, openai_api_key: str): openai.api_key openai_api_key self.face_detector FaceDetector() def generate_prompt(self, image_path: str, question: str) - str: 生成结合视觉信息的提示词 # 首先进行人脸检测 detection_result self.face_detector.detect_faces(image_path) # 将检测结果转换为自然语言描述 visual_description self._describe_detection_result(detection_result) # 组合成完整的提示词 prompt f基于以下图像分析结果回答问题。 图像分析结果 {visual_description} 用户问题{question} 请根据图像分析结果给出准确、详细的回答。如果无法从图像信息中得出答案请如实说明。 return prompt def _describe_detection_result(self, result: Dict) - str: 将检测结果转换为描述性文本 description f图像中检测到 {result[face_count]} 张人脸。\n for i, face in enumerate(result[faces]): description f\n第 {i1} 张人脸 description f位置在图像中的 ({face[bbox][0]}, {face[bbox][1]}) 到 ({face[bbox][2]}, {face[bbox][3]}) 区域 description f检测置信度 {face[score]:.2f}。 if face[landmarks]: description 检测到五官关键点。 return description def ask_question(self, image_path: str, question: str) - str: 处理用户问答 prompt self.generate_prompt(image_path, question) try: response openai.ChatCompletion.create( modelgpt-3.5-turbo, messages[ {role: system, content: 你是一个多模态AI助手能够根据图像分析结果回答用户问题。}, {role: user, content: prompt} ], max_tokens500, temperature0.7 ) return response.choices[0].message.content except Exception as e: return f回答问题时报错{str(e)}这个实现考虑了错误处理和提示词优化在实际应用中还可以根据具体需求调整提示词的格式和内容。4. 实际应用案例4.1 智能相册管理在现代智能手机相册中我们经常需要查找特定人物的照片。传统的相册应用通常基于人脸识别进行分类但缺乏自然语言的交互能力。使用我们的系统用户可以直接用自然语言查询找出所有包含小明和小红一起的照片或者显示上个月拍摄的笑着的人像照片。系统会先用人脸检测识别照片中的人物和表情然后通过ChatGPT理解查询意图最终返回符合要求的结果。这种交互方式比传统的标签筛选更加直观和灵活特别是对于复杂的查询条件比如找出背景是海边并且大家都在笑的照片。4.2 安防监控问答在安防监控场景中值班人员经常需要快速了解监控画面中的情况。传统方案需要人工查看每个摄像头画面效率低下且容易遗漏重要信息。集成我们的系统后安保人员可以直接询问第三号摄像头现在有多少人、有没有戴帽子的人出现在入口处或者最近一小时有没有陌生面孔出现。系统会实时分析监控画面提取人脸信息并结合历史数据给出准确回答。这不仅大大提高了监控效率还能实现智能预警和异常检测。4.3 互动教育应用在教育领域这个系统可以用于开发互动学习工具。比如在语言学习中学生可以上传一张包含多人的图片然后练习用目标语言描述图片内容。系统能够帮助学生检查描述的准确性图片中真的有五个人吗、左边第二个人的衣服是什么颜色的。这种互动式的学习方式比传统的背诵练习更加生动有效。另一个应用场景是社交技能训练特别适合自闭症谱系障碍的儿童。系统可以分析社交场景图片帮助孩子理解人物的情绪状态和社交信号。5. 优化与实践建议5.1 性能优化策略在实际部署时性能往往是关键考虑因素。以下是一些有效的优化建议首先考虑缓存策略。对于静态图像可以缓存DamoFD的检测结果避免重复计算。使用Redis存储最近处理过的图像哈希值和对应的检测结果可以显著减少计算开销。import hashlib import redis class CachedFaceDetector(FaceDetector): def __init__(self, redis_urlredis://localhost:6379): super().__init__() self.redis_client redis.from_url(redis_url) def detect_faces_with_cache(self, image_path): # 生成图像哈希作为缓存键 with open(image_path, rb) as f: image_hash hashlib.md5(f.read()).hexdigest() cache_key fface_detection:{image_hash} cached_result self.redis_client.get(cache_key) if cached_result: return json.loads(cached_result) # 缓存不存在执行检测 result self.detect_faces(image_path) # 缓存结果设置1小时过期 self.redis_client.setex(cache_key, 3600, json.dumps(result)) return result其次优化提示词设计。经过测试结构化程度更高的提示词往往能获得更好的回答质量。可以考虑使用模板化的提示词def generate_structured_prompt(detection_result, question): template ## 图像分析报告 ### 基本信息 - 图像尺寸: {width} x {height} - 人脸数量: {face_count} ### 人脸详情 {face_details} ### 用户问题 {question} 请基于以上分析报告回答问题注意 1. 只根据提供的图像信息回答 2. 如果信息不足请说明 3. 保持回答准确简洁 face_details for i, face in enumerate(detection_result[faces]): face_details f{i1}. 位置: {face[bbox]}, 置信度: {face[score]:.2f}\n return template.format( widthdetection_result[image_size][0], heightdetection_result[image_size][1], face_countdetection_result[face_count], face_detailsface_details, questionquestion )5.2 错误处理与降级方案在实际应用中需要充分考虑各种异常情况并准备降级方案网络异常处理。当OpenAI API不可用时可以降级到本地的小型语言模型或者返回预设的模板回答。同样如果DamoFD模型加载失败可以使用OpenCV的Haar级联分类器作为备用方案。def robust_face_detection(image_path, primary_detector): try: return primary_detector.detect_faces(image_path) except Exception as e: print(f主检测器失败: {e}, 使用备用方案) return fallback_face_detection(image_path) def fallback_face_detection(image_path): 使用OpenCV Haar级联分类器的备用方案 face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.1, 4) return { face_count: len(faces), faces: [{bbox: [x, y, xw, yh], score: 1.0} for (x, y, w, h) in faces], image_size: img.shape[:2] }输入验证也很重要。在处理用户上传的图片前需要验证文件格式、大小和内容避免恶意文件导致系统异常。6. 总结通过将DamoFD人脸检测模型与ChatGPT相结合我们实现了一个真正意义上的多模态智能问答系统。这个方案的优势在于既利用了计算机视觉的精准分析能力又发挥了大型语言模型的自然语言理解和生成能力。在实际使用中这种技术组合展现出了强大的实用性。无论是智能相册管理、安防监控还是教育应用都能看到明显的效果提升。用户可以用最自然的语言与系统交互获得基于视觉内容的智能回答。从技术实现角度看整个系统的搭建并不复杂。基于ModelScope和OpenAI提供的成熟服务开发者可以快速构建出可用的原型。真正的挑战在于提示词工程和性能优化这些都需要在实际场景中不断迭代和改进。未来这种多模态交互方式还有很大的发展空间。比如加入更细粒度的情感分析、行为识别或者结合语音输入输出都能让系统变得更加智能和自然。随着模型的不断进化我们有望看到更多创新的应用场景出现。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
 syscall for unknown directory, fd 4)
)
