游客646fpuaxdayte_个人页

2026年01月

• 01.29 17:05:21
  发表了文章 2026-01-29 17:05:21

  实战：基于 LangChain + Multimodal RAG 构建视频知识库（数据清洗全流程）

  在构建多模态 RAG（检索增强生成）系统时，Video Embedding 的质量直接决定了召回率。然而，从公域获取的视频数据常带有平台水印（Watermark）和硬字幕，这会作为“高频噪声”导致向量检索偏差。本文分享一套基于 Python 的数据工程 Pipeline，摒弃复杂的 CV 修复算法，采用“解析优先”策略获取 Clean Raw Data。
• 01.28 15:21:59
  发表了文章 2026-01-28 15:21:59

  CV 模型训练避坑：视频分类任务中的“水印偏差（Watermark Bias）”消除策略

  在训练视频分类或动作识别模型（Action Recognition）时，数据集中的水印往往会成为模型“偷懒”的捷径，导致严重的过拟合。本文分析了这一现象，并提出了基于“源文件解析”的数据集构建方案。
• 01.27 17:31:42
  发表了文章 2026-01-27 17:31:42

  跨端应用静态资源极致优化：从 WebP 自动转换到资源管线重构

  在 Uni-app 或 Flutter 开发中，随着业务迭代，包体积（Bundle Size）往往会迅速膨胀。其中，图片和视频等静态资源通常占据了 70% 以上的空间。如何在保证视觉还原度的前提下实现极致压缩，是前端架构师必须解决的问题。本文将从 CI/CD 自动化压缩脚本入手，深入探讨资源管线的优化策略。
• 01.27 11:42:51
  发表了文章 2026-01-27 11:42:51

  Python 工业级视频流处理：从 FFmpeg 管道优化到非结构化数据清洗

  文章摘要：在多模态大模型（LMM）训练和计算机视觉落地的过程中，80% 的时间通常消耗在非结构化数据（视频、图像）的清洗与预处理上。不同于简单的脚本处理，生产环境下的视频流处理需要考虑内存泄漏、IO 瓶颈以及数据净度。本文将分享一套基于 Python + FFmpeg 管道（Pipe）的高并发处理方案，并探讨数据清洗环节的工程化实践。
• 01.25 20:35:11
  发表了文章 2026-01-25 20:35:11

  从 Figma 切图到 WebP 自动化构建流 (CI/CD)

  LCP (Largest Contentful Paint) 是衡量网页性能的核心指标。本文探讨如何在前端工程化中优化图片资源，分享一个 Node.js 脚本用于自动化压缩，并强调在构建前如何对原始素材进行“去噪”，以减小压缩体积。
• 01.24 11:45:17
  发表了文章 2026-01-24 11:45:17

  从单体应用到 Serverless：一款图片处理小程序的架构取舍与技术演进

  作为一名独立开发者，在构建图像处理应用时，往往面临着“既要又要”的诱惑：既想做视频处理，又想做图像修复，还想做风格迁移。然而，资源是有限的，算力是昂贵的。 本文将以**“香蕉一键去水印”**这款小程序为例，从技术架构的角度探讨：如何通过严格的“功能剪裁”和“算法优化”，在微信小程序这一轻量级载体上实现工业级的图像修复效果
• 01.23 11:15:18
  发表了文章 2026-01-23 11:15:18

  从 GAN 到 Diffusion：移动端图像去水印算法的“算力突围”实战解析

  深度解析图像修复（Image Inpainting）技术的演进。探讨如何在微信小程序 2MB 包体积限制下，利用 Serverless 架构实现快速去水印推理。“香蕉一键去水印”的技术架构案例分析。