ChatGPT的截图识别功能测评:开启图像中的文字与信息的新纪元 您所在的位置:网站首页 头像截图识别图像 ChatGPT的截图识别功能测评:开启图像中的文字与信息的新纪元

ChatGPT的截图识别功能测评:开启图像中的文字与信息的新纪元

2024-04-11 07:06| 来源: 网络整理| 查看: 265

文章目录 通过截图识别菜品利用截图检测数学公式根据截图生成前端UI代码可视化图像复现案例一案例二 更多可以使用的方向

制作人:川川 辛苦测评,如果对你有帮助支持一下书籍:https://item.jd.com/14049708.html

通过截图识别菜品

想象一下这种场景:你拿出手机,对着一道美味的麻婆豆腐拍照,但你不知道它的名字。通过图像识别和人工智能,你可以轻松解决这个问题。只需上传图片,AI就能为你识别并告诉你这是麻婆豆腐。这种技术的单一性和人工智能的结合,使我们的生活更加便捷。

问一个麻婆豆腐看看?回复如下: 在这里插入图片描述 问一个红烧猪蹄看看?回复如下: 在这里插入图片描述 再来问一个红烧茄子,回复如下: 在这里插入图片描述

利用截图检测数学公式

现在,让我们考虑一个考研高数选择题的场景。你有一张数学题的照片,但你想要答案。通过截图和人工智能,你可以得到准确的答案。这种技术的单一性和人工智能的结合,使学习变得更加高效。

这里我选一个考研高数的选择题测试: 在这里插入图片描述 再选一个选择题: 在这里插入图片描述 既然都识别完全正确,给出答案更是我想要的,可以看到答案完全正确! 在这里插入图片描述

根据截图生成前端UI代码

你可以让AI通过截图生成前端UI代码,省去了繁琐的编码工作。这使得单一性和人工智能的结合成为了开发者的利器。你只需提供截图,AI就能为你生成相应的前端UI代码,让你的应用界面设计变得更加简单。

提问: 在这里插入图片描述

给我生成代码: 在这里插入图片描述 运行效果如下,基本已经实现: 在这里插入图片描述

继续让他帮我复现一个UI: 在这里插入图片描述

根据代码,我得到结果如下UI结果: 在这里插入图片描述

可视化图像复现

人工智能不仅可以识别图像,还能生成代码,帮助你可视化图像复现。你可以上传一张图像,然后AI会生成代码,让你可以轻松地可视化相似的图像。这一技术的单一性和人工智能的结合,为图像处理提供了新的可能性。

案例一

例如这个图: 在这里插入图片描述 返回代码如下:

import numpy as np import matplotlib.pyplot as plt # 生成模拟数据 np.random.seed(0) num_samples_per_group = 150 # 为G1生成数据 g1_dc1 = np.concatenate([np.random.normal(-0.05, 0.01, 90), np.random.normal(0.015, 0.01, 60)]) g1_dc2 = np.concatenate([np.random.normal(0.03, 0.02, 90), np.random.normal(0.08, 0.02, 60)]) # 为G2生成数据 g2_dc1 = np.random.normal(-0.04, 0.01, num_samples_per_group) g2_dc2 = np.random.normal(0.005, 0.01, num_samples_per_group) # 为G3生成数据 g3_dc1 = np.concatenate([np.random.normal(0.015, 0.01, 60), np.random.normal(0.045, 0.005, 90)]) g3_dc2 = np.concatenate([np.random.normal(-0.07, 0.01, 60), np.random.normal(-0.02, 0.005, 90)]) # 绘制图像 plt.scatter(g1_dc1, g1_dc2, color='blue', label='G1') plt.scatter(g2_dc1, g2_dc2, color='green', label='G2') plt.scatter(g3_dc1, g3_dc2, color='red', label='G3') # 设置标题和轴标签 plt.title('Diffusion Map') plt.xlabel('DC1') plt.ylabel('DC2') plt.legend() # 显示图像 plt.show()

结果如下,可以看到基本实现,具体只不过就是数据的调整: 在这里插入图片描述

案例二

复现这个图: 在这里插入图片描述

返回代码如下:

import matplotlib.pyplot as plt import pandas as pd # 创建数据 data = { 'sample': ['M1', 'M2', 'M3', 'M8', 'M9', 'M10'], 'group': ['G1', 'G1', 'G1', 'G2', 'G2', 'G2'], 'PC1': [0.5, -0.4, 0.2, -0.5, 0, 0.5], 'PC2': [0.5, -0.4, 0.2, 0.3, 0, -0.2] } df = pd.DataFrame(data) color_map = {'G1': 'blue', 'G2': 'red'} # 绘制散点图 for group, color in color_map.items(): mask = df['group'] == group plt.scatter(df[mask]['PC1'], df[mask]['PC2'], color=color, s=100, label=group) plt.title('PCA Plot1') plt.xlabel('PC1') plt.ylabel('PC2') plt.grid(True) plt.axhline(0, color='black',linewidth=0.5) plt.axvline(0, color='black',linewidth=0.5) plt.legend() plt.show()

运行如下,可以看到基本复现,完全OK: 在这里插入图片描述

更多可以使用的方向

除了上述应用,单一性和人工智能的结合还可以应用于文本识别、对象识别、数据提取、翻译、辅助视觉障碍人士、图像搜索、图像编辑和增强、教育与学习、问题解决以及比较与分析等领域。这个结合为各种领域带来了更多可能性。



【本文地址】

公司简介

联系我们

今日新闻

    推荐新闻

    专题文章
      CopyRight 2018-2019 实验室设备网 版权所有