最新

# 展示 HN: AstroLens -- 观察天空并发现未被记录的事物的人工智能 * [GitHub链接](https://github.com/samantaba/astroLens)（MIT 许可证，Python） AstroLens 是一个开源工具，能够从天空调查（如 SDSS、ZTF、DECaLS、Pan-STARRS、哈勃等）下载图像，经过视觉变换器 + 异常检测集成 + YOLOv8 流程处理，计算星系形态，并将所有结果与 SIMBAD/NED/VizieR 进行交叉引用。它设计为能够自主运行数天。 * *来自为期三天的验证运行结果*（无人工干预）： 在 [LinkedIn 发布的结果](https://www.linkedin.com/pulse/astrolens-v110-teaching-ai-watch-sky-what-found-saman-t--cowlc/?trackingId=FHEvANnfTNa175SFOJs6bw%3D%3D) 中： - 分析了来自 7 个来源的 20,997 张图像 - 在 354 个天空区域中发现了 3,458 个异常候选者 - 独立恢复了 SN 2014J（M82 中的 Ia 型超新星）、NGC 3690（星系合并）和 SDSS J0252+0039（引力透镜） - YOLO 瞬态检测的 mAP50 从 51.5% 提升至 99.5%，通过在运行过程中收集的数据进行训练 - 进行了 140 次自我纠正循环，零错误 * *使其有趣的地方*：该流程具有自我纠正能力——它会调整 OOD 阈值，根据异常产出重新平衡调查来源，重新校准参考分布，并自主处理错误。这不是一个批处理任务；它是一个持续运行的系统，随着运行时间的增加而不断改进。 * *诚实的局限性*：它发现的是已知对象，而非新发现——这验证了流程的有效性，但真正的考验是将其指向探索较少的区域。天文图像上的 OOD 检测本质上是嘈杂的（“不寻常的星系”和“成像伪影”之间的界限模糊）。自我纠正系统有所帮助，但误报仍然是一个挑战。 该工具可以在笔记本电脑上运行（CPU/MPS/CUDA）。提供桌面应用、网页界面、命令行界面和 Docker 支持。 使用 Python 3.10+、FastAPI、PyTorch、Ultralytics 和 PyQt5 构建。

在本指南中，我们将演示如何规划您的 n8n 工作流。