Eye

Ce que fait le modèle

• Un seul appel analyze renvoie des tags avec un indice de confiance, trois scores (esthétique, sélection et couverture) et les personnes, animaux de compagnie et visages présents sur la photo. Le même appel trouve le meilleur recadrage pour n'importe quel format, une correction de rotation et un embedding.
• Les tags couvrent le type de photo (capture d'écran, ticket de caisse, document, pièce d'identité, tableau blanc et plus), la qualité (nette, floue, bokeh) et les personnes (photo de groupe, portrait, tout le monde sourit). D'autres couvrent les raisons de garder ou de supprimer, le contenu sensible et 558 scènes.
• Chaque tag est calibré pour que 0,5 soit le seuil recommandé et 0,9 un seuil strict. À 0,5, un tag capture d'écran est juste 98 % du temps, un tag ticket de caisse 100 %, personnes 95 % et yeux fermés 92 %.
• Les tags de scène sont justes 88 % du temps en médiane. Les raisons de garder ou de supprimer, comme « sans intérêt » ou « mauvais cadrage », sont les moins fiables : réservez-les aux suggestions.
• Chaque visage reçoit ses propres tags : yeux fermés, sourire, regard vers l'objectif ou ailleurs, joie, surprise. Par défaut, Eye analyse jusqu'à 20 visages par photo.
• Eye.duplicates, Eye.best et Eye.similar travaillent sur toute une photothèque : groupes de quasi-doublons, éventuellement limités aux photos prises à quelques secondes d'intervalle, la photo à garder d'un ensemble, et des photos classées par similarité.
• Les analyses s'enregistrent dans le même JSON en Swift, Kotlin et JavaScript, pour qu'une application puisse les stocker et filtrer plus tard sans charger le modèle.
• parts choisit ce qui est calculé : photo, layout, faces et sharpness. Chaque partie demande une ou plusieurs exécutions du modèle, alors laissez de côté ce dont vous n'avez pas besoin.
• 48 MB en Core ML pour les plateformes Apple, sur le Neural Engine, et 66 MB en LiteRT pour Android, Linux, Windows, Node et le navigateur. Le SDK télécharge le modèle à la première utilisation et le met en cache.
• Dans le navigateur, Eye tourne sur le GPU via WebGPU quand le navigateur le prend en charge, et sinon sur le CPU via WebAssembly.

Prise en main

Ajoutez classification d'images à votre application iOS or macOS, Android or web en quelques lignes de code. Docs Eye.

// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "4.0.0")
// target dependency
.product(name: "Eye", package: "desert-ant-core")

import Eye

let eye = Eye()
let photo = try await eye.analyze(contentsOf: photoURL)

if photo.has(.screenshot) || photo.has(.receipt) { archive(photo) }
if photo.has(.sensitive, .strict) { hide(photo) }
photo.scores?.aesthetic           // 0.81: better than 81% of photos
let keeper = Eye.best(of: burst)

Add Eye from Desert Ant Labs to this Swift project (iOS, macOS).

What it does: Eye : étiquetage et notation des photos sur l'appareil.

SDK:

Swift (iOS, macOS)
Repo: https://github.com/Desert-Ant-Labs/desert-ant-core#readme
// Swift Package Manager
.package(url: "https://github.com/Desert-Ant-Labs/desert-ant-core.git", from: "4.0.0")
// target dependency
.product(name: "Eye", package: "desert-ant-core")

Reference:
- Model page: https://desertant.com/models/eye/
- Full catalog and other models: https://desertant.com/llms.txt

Add the SDK, then follow its README for the exact API and current version. Do not invent API names or method signatures; confirm them against the README.

// build.gradle.kts (Maven Central)
implementation("ai.desertant:eye:4.0.0")

import ai.desertant.eye.Eye
import ai.desertant.eye.Tags

Eye(context).use { eye ->
    val photo = eye.analyze(bitmap)
    if (photo.has(Tags.DOG) && !photo.has(Tags.BLURRY)) keep(photo)
    val groups = Eye.duplicates(library)
}

Add Eye from Desert Ant Labs to this Kotlin project (Android).

What it does: Eye : étiquetage et notation des photos sur l'appareil.

SDK:

Kotlin (Android)
Repo: https://github.com/Desert-Ant-Labs/desert-ant-core#readme
// build.gradle.kts (Maven Central)
implementation("ai.desertant:eye:4.0.0")

Reference:
- Model page: https://desertant.com/models/eye/
- Full catalog and other models: https://desertant.com/llms.txt

Add the SDK, then follow its README for the exact API and current version. Do not invent API names or method signatures; confirm them against the README.

npm i @desert-ant-labs/eye @litertjs/core   # browser
npm i @desert-ant-labs/eye                  # Node

import { Eye, Tag } from "@desert-ant-labs/eye";

const eye = await Eye.load();
const photo = await eye.analyze(image);
if (photo.has(Tag.dog) && !photo.has(Tag.blurry)) keep(photo);
const groups = Eye.duplicates(library, { dates });

Add Eye from Desert Ant Labs to this JavaScript / TypeScript project (Web, Node.js).

What it does: Eye : étiquetage et notation des photos sur l'appareil.

SDK:

JavaScript / TypeScript (Web, Node.js)
Repo: https://github.com/Desert-Ant-Labs/desert-ant-core#readme
npm i @desert-ant-labs/eye @litertjs/core   # browser
npm i @desert-ant-labs/eye                  # Node

Reference:
- Model page: https://desertant.com/models/eye/
- Full catalog and other models: https://desertant.com/llms.txt

Add the SDK, then follow its README for the exact API and current version. Do not invent API names or method signatures; confirm them against the README.

Spécifications

Vitesse

5,5 ms par photo sur le Neural Engine (Mac M6) ; 41 ms avec WebGPU dans Chrome

Exactitude

Au seuil de 0,5 : captures d'écran précises à 98 %, tickets de caisse à 100 %, scènes à 88 % en médiane

Tags

Type de photo, garder ou supprimer, qualité, personnes, visages, contenu sensible et 558 scènes

Taille sur l'appareil

48 MB Core ML (Apple) ; 66 MB LiteRT (Android, Linux, Windows, Node, navigateur)

Plateformes

iOS 18+, macOS 15+, tvOS 18+, visionOS 2+ (Core ML) ; Android, Linux, Windows (LiteRT) ; le navigateur et Node (LiteRT.js)

FAQ

Ressources

• Docs Eye
• Poids du modèle sur Hugging Face
• Modèles Swift
• Modèles Kotlin
• Modèles JS