展开本页目录
开始前准备什么
- 下载独立练习包，阅读README的版本、套餐与实跑范围。
- 需要可用Appsmith实例、视觉模型和上传能力；社区代码Apache-2.0。图片为原创生成输入，未运行模型识别。
- 准备自己的可用模型与账户；不把示例模型占位名或地址当作已验证配置。
- 先分开照片和装箱清单
- 建立Filepicker与观察列表
- 接入实际支持视觉的模型
- 传图片和明确的可见边界
- 逐项人工确认遮挡
- 保存实际检查单
- 检查过度推断负例
1. 先分开照片和装箱清单
delivery-input.png 是本站原创生成的教学输入照片，不是到货实拍或模型检测结果。packing-list.csv 是待核对清单；照片可见数量须人工复核，不能倒推图上一定有几件。
bash
bash
python3 verify.py
2. 建立Filepicker与观察列表
在实际 Appsmith 添加 Filepicker、生成按钮和可编辑的检查项表。先让原图可查看，再显示识别结果，方便同屏回读遮挡位置。
3. 接入实际支持视觉的模型
官方 Vision 命令可用图片链接或base64，Filepicker data字段按当前版本核对。文档旧模型例子可能退役，使用自己实际可用的视觉模型。
4. 传图片和明确的可见边界
把 prompt.md 与真实上传的图片传入查询。将“图上可见”与“清单期待”作为两列，不能把清单当图像证据；未执行模型时不要制造检测框截图。
5. 逐项人工确认遮挡
对照照片数集线器、线缆和袋子；若生成照片本身数量与清单不同，记录差异。遮挡区域始终允许未知，不要求模型猜出牛皮纸下面是什么。
6. 保存实际检查单
按 actual-template.json 整理自己的观察，counts_are_photo_ground_truth 保持false，表示清单不是视觉真值证明。核验脚本只检查未知边界和本题字段，无法自动验证图片内数量。
bash
bash
python3 verify.py --actual my-visible-items.json7. 检查过度推断负例
负例会拒绝将遮挡区域补成确定数量或将清单自称视觉真值。保留原图、实际模型结果和人工修订三个文件。本站没有运行Appsmith Vision。
怎样确认已经完成
- 原始输入、来源和单位已保留，材料检查及两条故意错误样例均运行。
- 在真实工具保存原生输出，回读本题关键事实、缺值与来源；未运行部分仍标记未执行。
- 保存工具/模型版本和实际结果，人工修改与模型返回分开归档。
常见问题
Appsmith 图片识别应用需要哪些条件？
需要可用Appsmith实例、视觉模型和上传能力；社区代码Apache-2.0。图片为原创生成输入，未运行模型识别。
Appsmith 图片识别应用的图片和检查通过代表什么？
原始输入、人工参考与实际离线材料检查均有对应文件；官方图说明操作入口。目标软件和模型未执行的部分已在步骤中注明，不能用材料检查替代真实产品运行。