搜索到
661
篇与
傻木
的结果
-
摄影老司机_给照片加边框 摄影老司机_给照片加边框工具**如果打不开,或者黑屏,什么都不显示请百度 搜索EdgeWebView2 安装后再运行看看不支持win7**提要求可以请描述清楚最好给出效果图说明!!!!我不想猜也猜不到猜出来最终改完可能不是你想要的我不想做无用功!!!!!!!!!!!!2026-05-25 更新细节调整增加时间显示标签删除了竖版相关控件边框颜色默认叠加,可以通过明度设置叠加深度https://abpyu.lanzoul.com/iOUDL3qcmqqb密码:51v42026-05-25 更新细节调整修复某些照片GPS不显示问题2026-05-24 更新增加了磨砂边框效果增加了字体大小调整各滑条增加了说明,鼠标悬停可显示出来2026-05-23 更新更换了尼康logo更新了富士和索尼logo,之前旧版有轻微白边2026-05-23 更新添加的元素,自动计算距离,等距分布尽可能减少手动调整位置以下为手机版,安卓版,华为手机似乎无法保存文件,我的vivo没问题https://abpyu.lanzoul.com/iZPh63q61jij密码:23bd手机版截图https://github.com/exif-js/exif-jshttps://github.com/hMatoba/piexifjshttps://github.com/lovell/sharphttps://github.com/MikeKovarik/exifr上面四个项目,是否有哪一个能匹敌 exiftool只需要读取照片的exif信息,例如相机名称,镜头名称,以及参数那些信息,照片被ps处理过,有些信息缺失了,使用exiftool可以还原,上述四个连接的js库是否可以做到还原信息?为什么电脑版的可以做到离线,手机版不能?本项目依赖exiftool,这个程序只能在电脑端运行,电脑版程序已打包这个插件,手机无法运行这个插件,只能依赖服务器那么多开源js库,为什么选择exiftool插件?JS 库（exif-js /piexifjs/sharp /exifr）都不能 “匹敌 exiftool”，也都做不到 exiftool 那种级别的 “还原 PS 丢失的 EXIF”。相机名称、镜头名称、拍摄参数，只要这些字段还在文件里没被真正删掉，这几个库都能读；但 PS 重写 / 清空 / 改写过的深层元数据（特别是 MakerNote、厂商私有标签、XMP 历史、Photoshop IRB 等），JS 库基本读不到，更不可能 “还原”。exiftool 强在哪（为什么能 “还原”）exiftool 是 Perl 写的全能元数据引擎，特点：支持：EXIF + XMP + IPTC + Photoshop IRB + MakerNote（几十家相机厂商私有数据）+ ICC + JFIF …能读：正常 EXIF + 被删但残留在文件里的元数据块 + PS 留下的隐藏段 + 厂商私有注释（MakerNote）所谓 “还原”：PS “存储为” 时，会扔掉 MakerNote、很多私有标签、XMP 历史但有时文件里还有旧数据残片，exiftool 能扫全文件、把这些碎片捞出来JS 库只解析标准 EXIF 段（APP1），根本不读 MakerNote、IRB、深层 XMP一句话：exiftool 是在 “整个文件里挖元数据”，JS 库只是 “读标准 EXIF 表头”。没有一个 JS 库能匹敌 exiftool，尤其是在 PS 处理过的照片上。2026-05-23 更新旧版只检索C盘的 WebView2,此版本在c盘检测不到时,再检测D盘如果检测不到,则提供友好提示界面将配置文件放在 %TEMP%\SamPhotoFrame 无论有无检索到WebView2,都会生成配置文件方便手动编辑,指定c盘d盘之外的WebView2路径2026-05-23 更新修复两个bug下载图片时,排版好的元素会有移位一字板排版logo和相机名称会有联动,这个不对2026-05-22 更新提升代码健壮性端口改成随机,避免端口冲突造成黑屏2026-05-22 更新图片可以直接拖进来可以不用点击右上角选择文件按钮经测试,1亿像素载入没有问题,体积60mb单张2026-05-22 更新修复了移动边框元素抖动问题,现在移动调整位置丝滑使用exiftool检测照片的exif信息ps输出的图片exif破坏严重,原先的js识别信息不准现在原厂和第三方镜头绝大部分都能准确识别了缺点是体积又大了十几mb还好,单文件38.6mb电脑硬件差点的,可能显示界面要慢点解压有个过程此版已修复镜头信息无法修改的bug2026-05-21 更新增加了扫描Edge和WebView2区分功能如果找不到WebView2会有提示2026-05-20 更新增加圆角效果增加投影效果增加输出分辨率调整,调整的是短边边长以后不会再到吾爱发帖2026-05-19 更新修复取色习惯失效的bug切换到EdgeWebView2引擎比旧版丝滑,不会花屏卡顿一般win11自带这个插件win10可能需要自己安装下如果你电脑安装了比较新版本的ps则自动调用ps自带的EdgeWebView2内核不用重新安装很多软件有集成EdgeWebView2内核,软件会自动检查实在检索不到,或者是版本过低会有提示由于换到系统EdgeWebView2内核了所以体积大幅降低,直接打包成单文件了另外,预览时会比较模糊,正常,为了效率输出时不会压缩再次更新,字体下拉框,显示的是你系统里面安装的中文字体,更新,主要减肥20mb改善1080屏幕的最小窗口状态将默认主题左右居中离线使用，不访问外网。这里是原创,不是转载使用简单,支持自定义主题自定义logo内置四个常用的logo为什么没有佳能?因为我没有佳能外框和内框是什么意思?外框就是纯色边框内框,就是将你上传的照片复制一张,放大,作为外框外框宽度可以自定义摄影师署名自定义相机型号有时候识别出来又臭又长,说的就是尼康,所以也加了可以自定义镜头型号也是,有时候很长,也加了自定义主题以及logo 还有esif信息,都可以通过鼠标拖拽缩放 -
-
基于FLUX.2-klein_二创的_人像修饰工具_AI修图 基于 FLUX.2-klein 二创的人像修饰工具核心特性适用范围：仅适用于单人人像修饰，对大头贴效果较好。注：受限于当前模型，无法处理多人（如两人或合影）场景，此为模型限制而非软件问题。分辨率支持：不限制最高像素（支持 4000w 像素输入与输出）。低于 1024 分辨率的图片会自动补齐至 1024。运行模式：提供单张模式与批量模式。硬件要求与性能表现显存需求：峰值需要 12GB 显存。速度参考（以 3000x4500 像素为例）：RTX 4060 Ti 16GB：约 60 秒/张。RTX 5090 32GB：约 14 秒/张。价格与试用授权费用：33 元（离线授权）。升级权益：后续新版升级免费。试用方案：供 72 小时无限制全功能试用。下载地址2.0 版下载：https://pan.baidu.com/s/18iM2sfSHhC3h9O6N3ZANdw?pwd=gpcb
-
傻木摄影_Bing每日壁纸_更新 新版下载链接下载地址： https://abpyu.lanzoul.com/iaHPs3peq8jg 提取码： e9ct🛠 更新说明更新原因： 旧版必应 API 连接失效。开发环境： 使用 Python 3.12 开发（不兼容 Win7）。版本特性： 尽可能保持原版样式（原版为易语言编写，此版使用 Python 重写）。新增功能： 已更新，可以设置壁纸显示方式（如平铺、拉伸等），通过任务栏图标右键进行设置。⚠️ 重要注意事项（必读）运行方式： 软件运行时是静默模式，双击运行不会弹出窗口。若需查看窗口，请在任务栏右下角找到图标，右键点击或左键双击。性能与网络：每日首次运行时，由于需要下载壁纸并加载 8 张 1080P 预览图（约消耗 17MB 流量），会进入短暂的“假死”状态，后台正在下载，请耐心等待。加载高分辨率壁纸受限于计算机性能与网络环境，加载较慢或点击图标无反应属于正常现象。分辨率说明：预览图采用 1080P 以节省流量；应用壁纸时采用 4K 高清 HD 壁纸（若有更高分辨率则优先下载最高分辨率）。API 状态： 若 Bing 改了 API 接口导致取不到图片实际连接，本软件将失效。📖 使用指南📂 文件与目录自动保存： 第一次运行后，会在软件根目录新建 JPG 目录，每日更新的壁纸会保存在此。开机自启： 已设置开机自动运行，每次开机都会自动下载今日壁纸并设为桌面。🖱 操作快捷键/交互预览操作：双击小图 $\rightarrow$ 显示大图（标题栏有注意事项）。双击大图 $\rightarrow$ 打开 Bing 搜索页。右键点击大图 $\rightarrow$ 关闭大图预览。右键点击小图 $\rightarrow$ 设为壁纸。切换壁纸： 右键任务栏图标 $\rightarrow$ 点击“前一张”（可查看最近一周的壁纸）。历史下载： 第一次运行可点击“最近一周”，直接下载最近一周的所有壁纸至 JPG 目录。今日搜索： 点击“Bing 今日” $\rightarrow$ 使用默认浏览器打开今日壁纸搜索页。窗口管理：点击右上角 X $\rightarrow$ 最小化到任务栏。彻底退出 $\rightarrow$ 任务栏图标右键选择“退出”，或使用任务管理器结束任务。🔄 自动刷新机制零点刷新： 每日零点会自动刷新壁纸，并有 2 秒延时以确保网络同步（若不刷新请检查计算机时间是否正确）。加载逻辑： 每日第一次运行延迟 6 秒后会自动加载预览；预览加载完后，在零点前不会重复加载，零点后会重新加载。📝 其他细节单实例运行： 只允许运行一个实例。杀毒软件： 部分杀毒软件可能会报毒（因编写环境原因），介意者请自行添加白名单。更新频率： 本站更新级别最高，一旦有新版本会优先发布于本站。
-
婺源・弦高城・弦高古城夜市 婺源・弦高城・西湖凼街区（也常称 弦高古城夜市）五一去了江西，这个景点并不在计划内，但是这个景点比其他景点显然更有看头。丝毫不比凤凰古城差，某些情况下,还远比凤凰古城好的多。本来不想写的。今天去了华强北，对华强北感慨非常：只要有一家卖充电宝的挣钱了，边上有十家店铺的话,立马这十家店铺全都上充电宝，自己把自己卷死了，全都跟着一起玩完。关于婺源再说婺源，这个字读 wu,雾。婺源古城是婺源古时候的中心区，非常有特色的古城区。门票： 不收门票氛围： 十分热闹特色： 几乎每家店都不重样，这个在中国十分罕见。个个古城,几乎都是什么挣钱来什么，但是在这里,每一家都不一样。当然了,我没有全部逛完，也没有真的去统计是不是全部都没有重复的，只是我目之所及，这就够了。对比感悟：逛华强北,逛两家店面,就等于把华强北千百家店铺逛完了，这就是华强北现在没落的原因。景点信息汇总婺源・弦高城・弦高古城夜市位置： 婺源县城（紫阳镇）老城核心区核心夜市街巷： 先儒街、油灯街、北门街 一带特色： 徽派古街、免费、鱼灯巡游、小吃、非遗、灯光夜景别称： 当地人 / 游客也叫 弦高古城夜市、婺源古城夜市、西湖凼夜市十分推荐!!!!
-
-
关于织布的忌讳 有件衣服，穿着十分不舒适。有点像洋布，就是那种小时候农村手工织的那种。就想起小时候农村织布的事，感慨良多：好些人都不在了，好多事都在记忆里一点点淡忘。关于织布的记忆与传承关于织布，有非常非常多的忌讳。当然了，这个是对于会织布的人讲的。我们这代，已经不会了，甚至于织布的机器都不全了。织布的忌讳非常非常非常多，多到什么地步呢？你平时说的好的那些词，放在织布这个行当里面，可能都是不受欢迎的：你看着线多长啊你看着卷的好厚啊这些你觉得是夸奖的，实际全都是不好的，主人家心里可能已经骂你骂的一头狗血了。一般人家牵布会选择风和日丽的、人少的地方。例如学生上学的日子，没小孩过去，自然就少了话语。逐渐消逝的技艺我们这代已经很少很少人知道这些了。下一代？就更不知道了。小时候电话都没有，更别提照片了。
-
朋友之间不应该推荐Ollama Ollama 最初凭借其作为首个简易的 llama.cpp 封装库而获得成功，随后却花了数年时间规避署名、误导用户，并转向云端，而这一切都建立在利用他人引擎赚取的风险投资之上。以下是完整的历史，以及为什么其他替代方案更胜一筹。Ollama 是运行本地 LLM 最流行的工具，但它不应该如此。它之所以能占据这个位置，是因为它开创了先河，成为第一个让 llama.cpp 不想编译 C++ 或编写服务器配置的用户也能轻松使用 LLM 的工具。这在当时确实是一项贡献。但此后，该项目多年来一直在系统性地掩盖其技术来源，误导用户对其运行的程序存在误解，并逐渐偏离了最初赢得用户信任的“本地优先”理念。与此同时，它还在接受风险投资。这不是一篇“正反两方都适用”的文章。我曾经用过 Ollama，现在已经不用了。以下是你也应该不用的原因。一个带有失忆症的 llama.cpp 包装器Ollama 的所有推理能力都源自 llama.cpp，这是一个由 Georgi Gerganov 于 2023 年 3 月创建的 C++ 推理引擎。Gerganov 的项目使得在消费级笔记本电脑上运行 LLaMA 模型成为可能。他仅用一个晚上就完成了第一个版本，并由此开启了整个本地 LLM 运动。如今，llama.cpp 在 GitHub 上拥有超过 10 万颗星，450 多位贡献者，并且是几乎所有基于 GGUF 的工具所依赖的基础。Ollama 由 Jeffrey Morgan 和 Michael Chiang 于 2021 年创立，他们此前都曾参与开发 Kitematic（后被 Docker 公司收购）。他们参加了 Y Combinator 2021 年冬季创业营，获得了种子轮融资，并于 2023 年正式上线。从一开始，他们的理念就是“面向机器学习模型的 Docker”，一个便捷的封装工具，只需一条命令即可下载并运行模型。其底层代码是 llama.cpp，它负责完成所有工作。许可与署名的缺失一年多以来，Ollama 的 README 文件中完全没有提及 llama.cpp。README 文件中没有，网站上也没有，他们的宣传材料中也没有。该项目的二进制发行版也没有包含其所分发的 llama.cpp 代码所需的 MIT 许可声明。MIT 许可只有一个主要要求：包含版权声明。Ollama 没有做到这一点。社区注意到了这个问题。GitHub 上的 #3185 号 issue 于 2024 年初提交，要求解决许可合规性问题。但维护者 400 多天都没有回应。直到 2024 年 4 月，#3697 号 issue 专门要求对 llama.cpp 进行致谢，几个小时后，社区 PR #3700 便随之而来。Ollama 的联合创始人 Michael Chiang 最终在 README 文件末尾添加了一行文字：“llama.cpp 项目由 Georgi Gerganov 创建。”对公关稿的回应颇具启发性。Ollama 团队写道：“我们花费大量时间修复和修补漏洞……随着时间的推移，我们将过渡到更系统化构建的引擎。” 言下之意：我们不会给 llama.cpp 署名，而且我们计划与之保持距离。让事情变得更糟的那把叉子自定义后端的性能倒退2025 年年中，Ollama 兑现了这一承诺。他们不再使用 llama.cpp 作为推理后端，而是直接基于 ggml 构建了一个自定义实现。他们给出的理由是稳定性，而 Ollama 的企业合作伙伴需要的是可靠性。结果却恰恰相反。Ollama 的自定义后端重新引入了 llama.cpp 多年前已经修复的 bug。社区成员在多个版本中都发现了结构化输出支持失效、视觉模型运行失败以及 GGML 断言崩溃等问题。在上游 llama.cpp 中运行良好的模型在 Ollama 中却无法正常工作，因为 Ollama 的实现缺少对模型所需张量类型的支持。Georgi Gerganov 本人也指出，Ollama 对 GGML 进行了分支并做出了错误的修改。基准测试结果说明了一切多项社区测试表明，在相同硬件和相同型号的处理器上：运行速度：llama.cpp 的运行速度比 Ollama 快 1.8 倍（161 tokens/s vs 89 tokens/s）。CPU 端差距：两者的差距高达 30% 至 50%。吞吐量：在 Qwen-3 Coder 32B 上，llama.cpp 的吞吐量比 Ollama 高出约 70%。性能上的不足源于 Ollama 的守护进程层、糟糕的 GPU 卸载启发式算法以及落后于上游的第三方后端。误导性的模型命名DeepSeek 于 2025 年 1 月发布了 R1 模型系列，而 Ollama 在其库和命令行界面中仅将其列为“DeepSeek-R1”，即较小的精简版本（如 DeepSeek-R1-Distill-Qwen-32B）。运行 ollama run deepseek-r1 会拉取一个 80 亿参数的 Qwen 衍生精简版，其行为与真实模型截然不同。这并非疏忽。DeepSeek 自己给这些型号起了“R1-Distill”前缀，Hugging Face 也正确地列出了它们。Ollama 却去掉了这个前缀，导致社交媒体上涌现出大量关于性能不佳的误导性讨论，这无疑损害了 DeepSeek 的声誉。GitHub 问题 #8557 和 #8698 请求将模型分离，但均被标记为重复并关闭。Ollama 知道其中的区别，但选择将其隐藏，大概是因为“DeepSeek-R1”的下载量比完整名称更高。闭源应用程序2025 年 7 月，Ollama 发布了一款适用于 macOS 和 Windows 的图形用户界面桌面应用程序。该程序在一个私有代码库中开发（github.com/ollama/app），没有提供许可证，源代码也不公开。对于一个以开源著称的项目来说，这无疑是一个令人震惊的举动。网站将下载按钮放在 GitHub 链接旁边，使用户误以为下载的是 MIT 许可的开源工具，而实际上下载的是一个未授权的闭源应用程序。正如 XDA 所说：“如果你的项目以开源为卖点，那么在发布时你就不能含糊其辞地说明哪些内容是开源的，哪些内容不是开源的。”模型文件：重新发明一个已解决的问题GGUF 的设计核心原则是单文件部署。所有聊天模板、停止令牌、模型元数据都嵌入在文件中，只需将 llama.cpp 指向它即可工作。Ollama 在此基础上添加了 Modelfile（灵感来自 Dockerfile），这反而增加了复杂性：模板匹配问题：Ollama 只能从硬编码列表中检测已知模板。如果 GGUF 嵌入了有效的 Jinja 模板但不在 Ollama 的列表内，它会回退到裸模板，破坏指令格式。用户必须手动转换语法，而 llama.cpp 直接读取即可。修改参数的噩梦：更改温度或系统提示时，用户必须执行 ollama show $\rightarrow$ 编辑 $\rightarrow$ ollama create。这个过程会复制整个模型（30 到 60 GB），仅仅是为了更改一个参数。相比之下，llama.cpp 只需命令行标志（如 --temp 0.7）。注册瓶颈与量化限制等待时间使用 llama.cpp，你可以通过一条命令直接从 Hugging Face 运行新模型。而使用 Ollama，你需要等待工作人员将模型打包、选择量化方式、转换模板并提交到注册表。这导致新模型发布后，用户往往会因为 Ollama 的环境问题（如模板错误）误以为是模型本身的问题。量化限制Ollama 仅支持特定的量化格式（Q4_K_S, Q4_K_M, Q8_0 等）。如果你需要 Q5_K_M、Q6_K 或任何 IQ 量化格式，除非自行量化，否则无法实现。对于一个标榜“最简便”的工具来说，让用户去别处寻找基本选项是极其矛盾的。云枢纽与安全性2025 年末，Ollama 推出了云托管模型。原本以本地私有推理著称的工具开始将请求路由到第三方云服务（如 MiniMax），但并未明确告知用户数据会被发送到外部服务器。安全隐患隐私担忧：对于托管在阿里云等平台上的模型，用户无法获得零数据保留保证。令牌泄露漏洞 (CVE-2025-51471)：该漏洞允许恶意注册表服务器诱骗 Ollama 发送身份验证令牌。对于一款以本地隐私保护为卖点的工具，这种架构层面的设计缺陷是致命的。VC 模式：商业逻辑的必然Ollama 的行为完全遵循了典型的初创公司增长模式：在开源平台上发布，基于 llama.cpp 构建，赢得社区信任。尽量减少归因，让产品在投资者眼中显得自给自足。创建锁定、专有且不兼容的格式（如哈希文件名存储模型）。启动闭源组件（GUI 应用）和云服务（货币化途径）。这种“厂商锁定”使得用户即便导入了模型，也难以直接在其他工具中使用这些文件。可以用什么代替Ollama 包装盒内的工具可以直接使用，且设置并不难：核心引擎与命令行llama.cpp：真正的引擎。拥有兼容 OpenAI 的 API 服务器、内置 Web UI，性能始终优于 Ollama，且完全由社区驱动（MIT 许可证）。Mozilla llamafile：将模型和运行时打包成单个可执行文件，实现“下载即用”。llama-swap + LiteLLM：通过单一接口处理多模型编排、加载与热替换。桌面图形用户界面 (GUI)Jan (AGPLv3)：本地优先的聊天应用，界面简洁，源代码完整且开源。koboldcpp (AGPL)：llama.cpp 的分支，内置 Web UI 和丰富配置，完全开源可审计。LM Studio (闭源)：虽然是闭源软件，但它提供了极佳的一键式操作和透明的参数控制，且对 llama.cpp 保持了良好的致谢精神，并非“寄生”。Msty：支持多模型并内置 RAG 功能的闭源 GUI。ramalama (Red Hat)：容器原生的模型运行器，明确标注上游依赖。大局观2023 年 3 月的一个晚上，Georgi Gerganov 编写了 llama.cpp，开启了本地 AI 革命。这项工作是本地推理技术保持开放性和可访问性的基础。Ollama 将这项工作封装成一个漂亮的 CLI 并以此获得风险投资，随后却在署名、项目 fork、闭源应用和云服务等每一个关键决策点上，选择了让自己在投资者眼中显得更加“自给自足”的道路。本地 LLM 生态系统不需要 Ollama，它只需要 llama.cpp。其余部分都是打包问题，而更好的打包方案已经存在。本文转载
网站版权本人所有，你要有本事，盗版不究。 sam@gpcb.net