القائمة
GeoDeep — librería Python para detección de objetos y segmentación semántica en rasters geoespaciales (GeoTIFFs) con modelos ONNX
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/Ntizar/NtizarBrainMasterMind --skill geodeepيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
| name | geodeep |
| version | 1.0.0 |
| description | GeoDeep — librería Python para detección de objetos y segmentación semántica en rasters geoespaciales (GeoTIFFs) con modelos ONNX |
Librería Python rápida y ligera para detección de objetos y segmentación semántica en rásters geoespaciales (GeoTIFFs), con modelos pre-construidos incluidos. Detecta coches, edificios y más desde ortofotos.
GeoTIFF / Orthophoto
↓
GeoDeep (ONNX models)
├── Detección de objetos → GeoJSON (bounding boxes)
└── Segmentación semántica → GeoJSON (polygons) / raster mask
Stack: Python, ONNX Runtime, rasterio, PyTorch, GeoTIFF
pip install -U geodeep
# Detección de objetos (coches)
from geodeep import detect
bboxes, scores, classes = detect('orthophoto.tif', 'cars')
geojson = detect('orthophoto.tif', 'cars', output_type="geojson")
# Segmentación semántica (edificios)
from geodeep import segment
polygons = segment('orthophoto.tif', 'buildings')
# Exportar mask georreferenciada
segment('orthophoto.tif', 'buildings', output_type='mask')
# Listar modelos disponibles
# geodeep --list-models
Modelos disponibles: cars, buildings, trees, pools, solar-panels, y más
Catálogo de Addy Osmani de skills engineering para AI coding agents — 8 slash commands mapeados al SDLC (spec → plan → build → test → review → ship).
Generación de informes y documentos profesionales mediante LLM. Arquitectura prompt→LLM→HTML capítulo, plantillas por sección, integración con datos de appState, y patrón demo interactivo. Aplicable a PMST, informes técnicos, auditorías, y cualquier documento estructurado.
AI Engineering Hub — catálogo de proyectos y tutoriales de ingeniería de IA con Jupyter notebooks.