拓冰网站定制 
人工智能大模型数据工程数据清洗数据增强数据质检【免费下载链接】data-juicerData processing for and with foundation models! ➡️ ➡️ 项目地址https://gitcode.com/gh_mirrors/da/data-juicer点击查看免费下载导读image_face_blur_mapper是 Data-Juicer 数据加工流水线中的一个图像类 Mapper 算子用于自动检测图像中的人脸区域并对其施加模糊处理在数据清洗与隐私保护场景如人脸脱敏、公开数据集的匿名化处理中非常实用。它依托 OpenCV 的 Haar Cascade 分类器完成人脸检测并基于 Pillow 提供mean、box、gaussian三种模糊核。阅读本文后你将掌握该算子的参数语义、检测与模糊的底层实现链路、输出文件命名规则以及如何在process流水线中配置与验证它。算子定位Mapper、CPU 与图像类型该算子属于mapper映射器类型它对每一条样本做一对多的字段级变换本文场景中是逐张替换检测到人脸的原图而不是像 filter 那样丢弃样本。其标签为cpu, image意味着它不需要 GPU直接运行在 CPU 上即可完成人脸检测与模糊适合大规模纯 CPU 的清洗流水线。算子类的定义位于 data_juicer/ops/mapper/image_face_blur_mapper.py通过三个装饰器完成注册UNFORKABLE.register_module(OP_NAME) OPERATORS.register_module(OP_NAME) LOADED_IMAGES.register_module(OP_NAME) class ImageFaceBlurMapper(Mapper):OPERATORS将算子注册进全局算子注册表使其可以在 YAML 配置的process列表中按算子名被实例化LOADED_IMAGES标记该算子会消费已加载的图像从而参与 data_juicer/ops/op_fusion.py 中的算子融合op fusion优化避免相邻的图像类算子重复加载同一张图片UNFORKABLE声明该算子不可被 fork 切分执行提示执行器在并行调度时采取相应策略OpenCV 分类器对象在多进程 fork 场景下存在共享风险。从源码结构看它继承自 data_juicer/ops/base_op.py 中的Mapper基类因此天然具备process/process_single的统一调用接口可直接嵌入 Data-Juicer 的 DAG 执行器如 data_juicer/core/executor/default_executor.py中运行。参数配置详解算子对外暴露五个参数与文档参数表一一对应name 参数名type 类型default 默认值desc 说明cv_classifierclass strOpenCV 人脸检测分类器路径。默认使用随 opencv-contrib-python 分发的haarcascade_frontalface_alt.xml。blur_typeclass strgaussian模糊核类型可选[mean, box, gaussian]。radiustyping.Annotated[float, Ge(ge0)]即NonNegativeFloat2模糊核半径非负浮点数。save_dirclass strNone生成图像文件的保存目录未指定时输出保存到与输入文件相同的目录也可通过环境变量DJ_PRODUCED_DATA_DIR统一指定。args额外位置参数透传给基类。kwargs额外关键字参数其中scaleFactor、minNeighbors、minSize、maxSize会被提取用于人脸检测。分类器参数cv_classifiercv_classifier为空字符串时代码自动拼接 OpenCV 自带的级联分类器路径见源码 第 67-68 行if cv_classifier : cv_classifier os.path.join(cv2.data.haarcascades, haarcascade_frontalface_alt.xml)cv2.data.haarcascades指向 opencv-contrib-python 安装目录下的级联分类器数据文件夹因此开箱即用、无需额外下载模型。若你希望使用更精确的正脸/侧脸检测如haarcascade_frontalface_default.xml、haarcascade_profileface.xml可直接传入该 XML 的绝对路径。随后分类器通过 data_juicer/utils/model_utils.py 中的prepare_opencv_classifier加载为cv2.CascadeClassifier再经prepare_model(model_typeopencv_classifier, model_pathcv_classifier)model_utils.py包装成可被get_model延迟加载的模型键存入统一的模型仓库MODEL_ZOO中复用避免重复实例化。模糊类型blur_type与半径radius三个取值分别映射到 Pillow 的三种滤波器源码第 76-81 行if blur_type mean: self.blur ImageFilter.BLUR elif blur_type box: self.blur ImageFilter.BoxBlur(radius) else: self.blur ImageFilter.GaussianBlur(radius)meanPillow 的ImageFilter.BLUR即 5×5 的均值box滤波radius 参数对其不生效boxImageFilter.BoxBlur(radius)按半径取正方形邻域均值模糊强度随半径线性增强gaussianImageFilter.GaussianBlur(radius)按半径做高斯核卷积边缘过渡更柔和也是默认选项。传入非法类型或负数半径时构造器会直接抛出ValueError第 69-74 行if blur_type not in [mean, box, gaussian]: raise ValueError(...) if radius 0: raise ValueError(Radius must be 0. )需要特别说明虽然radius的类型注解是Ge(ge0)的非负浮点数但源码中仍保留了radius 0的运行时校验两处共同保证了参数合法性。人脸检测的隐式参数kwargs源码中定义了一组人脸检测的默认超参数第 33-38 行_default_kwargs { scaleFactor: 1.1, minNeighbors: 3, minSize: None, maxSize: None, }这些参数会在__init__中与用户传入的kwargs合并仅当用户显式传入同名 key 时覆盖默认值最终透传给cv2.CascadeClassifier.detectMultiScale。含义如下scaleFactor检测窗口的缩放步长越小检测越精细但越慢1.1是性能与召回率的常用平衡点minNeighbors候选矩形被确认为人脸所需的最少邻居数量越大误检越少但可能漏检minSize/maxSize允许的人脸最小/最大尺寸像素可用于过滤过小或过大的误检框。保存目录save_dir与DJ_PRODUCED_DATA_DIRsave_dir用于指定输出图像的存放目录。其优先级与行为在 data_juicer/utils/file_utils.py 的transfer_filename中定义Priority: save_dir DJ_PRODUCED_DATA_DIR original data directory (default)显式传入save_dir输出写入save_dir/...按原路径结构组织未传save_dir但设置了环境变量DJ_PRODUCED_DATA_DIR输出写入DJ_PRODUCED_DATA_DIR/{op_name}/...两者都未设置在原图所在目录下生成__dj__produced_data__/{op_name}/子目录存放结果即文档所述保存到与输入文件相同目录的机制。无论哪种方式输出文件名都会追加__dj_hash_#hash#形式的唯一哈希标记哈希由算子初始化参数、进程 ID 与 UTC 时间戳共同计算file_utils.py既避免并发写冲突也保证相同参数重跑时文件可被追踪替换。处理流程与源码实现链路算子核心逻辑集中在process_single源码第 92-147 行对每条样本的处理可分为五个阶段空样本短路样本中不存在image_key字段或字段为空时直接返回样本并将source_file置空不触发任何检测。图像加载通过load_data_with_context配合load_image惰性加载样本中的全部图像若开启了 context 模式已加载图像会缓存进样本上下文供算子融合复用。人脸检测逐张调用 data_juicer/utils/mm_utils.py 中的detect_facesdef detect_faces(image, detector, **extra_kwargs): img pil_to_opencv(image) # PIL → OpenCV BGR 格式 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度 dets detector.detectMultiScale(gray, **extra_kwargs) # 将检测框裁剪到图像边界内防止越界 ... return rectified_dets检测框以[x, y, w, h]列表返回并且会被强制裁剪到图像边界内x/y不小于 0、w/h不超出宽高避免模糊 ROI 越界导致的异常。 4.模糊与落盘对每个检测框(x, y, w, h)先image.crop(box)截取 ROI再filter(self.blur)施加所选模糊核最后paste回原图副本第 121-126 行。处理后的新图通过transfer_filename生成新路径并保存未检测到人脸的原图则保持原路径不变因此无脸图片不会被复制或重写。 5.样本字段回写更新sample[image_key]为新的文件路径列表同时维护source_file字段标记哪些文件是派生产物并在存在image_bytes_keybytes 形式图像时同步替换为模糊后的字节数据保证下游算子与导出流程读取到的是最新内容。在数据流水线中的配置示例在 Data-Juicer 的 YAML 配置中将该算子加入process列表即可例如参考 demos/process_simple/process.yaml 的整体结构# global parameters project_name: demo-face-blur dataset_path: ./demos/data/demo-dataset-images.jsonl # 含 images 字段的多模态数据集 np: 4 # 并行子进程数 export_path: ./outputs/demo-face-blur/processed.jsonl # process schedule process: - image_face_blur_mapper: blur_type: gaussian # mean / box / gaussian radius: 2 # 高斯或 box 模糊半径非负 # cv_classifier: # 留空使用默认 haarcascade_frontalface_alt.xml # save_dir: ./outputs/blurred_images # 也可通过 DJ_PRODUCED_DATA_DIR 指定运行时可通过环境变量统一设置产物目录export DJ_PRODUCED_DATA_DIR/data/blurred python tools/process_data.py --config your_config.yaml这样所有 mapper 生成的图像都会落在/data/blurred/image_face_blur_mapper/下便于集中管理。单元测试与行为验证仓库在 tests/ops/mapper/test_image_face_blur_mapper.py 中为该算子提供了完整的单元测试覆盖了全部三种模糊类型、不同半径以及多进程并行场景test_gaussian/test_gaussian_radius默认半径 2 与半径 10 的高斯模糊test_box/test_box_radiusbox 模糊两种半径test_mean均值模糊test_gaussian_radius_parallelnp3多进程并行处理并强制forkserver启动方式规避 fork 与 OpenCV 的兼容问题。测试数据使用了三张图片cat.jpg无人脸、lena.jpg检测框[228, 228, 377, 377]、lena-face.jpg检测框[29, 29, 178, 178]分别验证无脸图原样保留、有脸图被模糊并生成新文件的行为。测试中的_run_helper还会把结果按blur_type:radius_np:文件名命名复制到检查目录便于人工核对模糊效果。运行方式python -m pytest tests/ops/mapper/test_image_face_blur_mapper.py总结与注意事项隐私脱敏首选image_face_blur_mapper提供了一套 CPU-only 的轻量人脸脱敏方案无需 GPU 与深度学习模型即可嵌入 Data-Juicer 流水线默认值开箱即用cv_classifier留空即使用 OpenCV 内置 Haar 分类器blur_typegaussian、radius2的组合在大多数场景下效果均衡检测精度局限Haar Cascade 属于传统检测器对侧脸、遮挡、小尺寸人脸的召回有限若你的数据对人脸检测精度要求极高可考虑结合其他深度学习检测算子并将scaleFactor、minNeighbors等 kwargs 按数据分布微调输出路径三选一save_dir优先级最高其次是DJ_PRODUCED_DATA_DIR最后才是原图同目录的__dj__produced_data__/机制实际使用时注意统一管理产物目录以避免路径分散。更多算子信息可查阅 docs/Operators.md 中的完整算子清单并在 data_juicer/ops/mapper/image_face_blur_mapper.py 与 tests/ops/mapper/test_image_face_blur_mapper.py 中深入研读源码与测试。赞分享人工智能大模型数据工程数据清洗数据增强数据质检【免费下载链接】data-juicerData processing for and with foundation models! ➡️ ➡️ 项目地址https://gitcode.com/gh_mirrors/da/data-juicer点击查看免费下载相关推荐告别模糊人脸OpenCV实时人脸关键点检测从摄像头到表情分析全流程告别模糊人脸OpenCV实时人脸关键点检测从摄像头到表情分析全流程 OpenCV作为开源计算机视觉库的领军者提供了强大的人脸检测和关键点识别功能让开发者计算机视觉图像处理深度学习机器学习终极指南如何用CodeFormerOpenCV打造实时人脸修复应用终极指南如何用CodeFormerOpenCV打造实时人脸修复应用 在数字图像处理领域模糊、褪色或损坏的人像照片修复一直是一项具有挑战性的任务。CodeF人工智能计算机视觉深度学习图像处理Data-Juicer 图像人脸数量过滤算子 image_face_count_filter 使用与实现解析Data Juicer 图像人脸数量过滤算子 image_face_count_filter 使用与实现解析 本篇文章聚焦 Data Juicer 中的 ima人工智能大模型数据工程数据清洗数据增强数据质检上一篇Swift 任务优先级提升 API 实战解读SE-0462 与 withTaskPriorityEscalationHandler 完全指南下一篇为 OpenReplay 自托管 PostgreSQL 注入扩展配置Helm Chart conf.d 覆盖机制全解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Data-Juicer 图像人脸模糊算子 `image_face_blur_mapper` 实战：OpenCV 人脸检测与 PIL 模糊处理详解
人工智能大模型数据工程数据清洗数据增强数据质检【免费下载链接】data-juicerData processing for and with foundation models! ➡️ ➡️ 项目地址https://gitcode.com/gh_mirrors/da/data-juicer点击查看免费下载导读image_face_blur_mapper是 Data-Juicer 数据加工流水线中的一个图像类 Mapper 算子用于自动检测图像中的人脸区域并对其施加模糊处理在数据清洗与隐私保护场景如人脸脱敏、公开数据集的匿名化处理中非常实用。它依托 OpenCV 的 Haar Cascade 分类器完成人脸检测并基于 Pillow 提供mean、box、gaussian三种模糊核。阅读本文后你将掌握该算子的参数语义、检测与模糊的底层实现链路、输出文件命名规则以及如何在process流水线中配置与验证它。算子定位Mapper、CPU 与图像类型该算子属于mapper映射器类型它对每一条样本做一对多的字段级变换本文场景中是逐张替换检测到人脸的原图而不是像 filter 那样丢弃样本。其标签为cpu, image意味着它不需要 GPU直接运行在 CPU 上即可完成人脸检测与模糊适合大规模纯 CPU 的清洗流水线。算子类的定义位于 data_juicer/ops/mapper/image_face_blur_mapper.py通过三个装饰器完成注册UNFORKABLE.register_module(OP_NAME) OPERATORS.register_module(OP_NAME) LOADED_IMAGES.register_module(OP_NAME) class ImageFaceBlurMapper(Mapper):OPERATORS将算子注册进全局算子注册表使其可以在 YAML 配置的process列表中按算子名被实例化LOADED_IMAGES标记该算子会消费已加载的图像从而参与 data_juicer/ops/op_fusion.py 中的算子融合op fusion优化避免相邻的图像类算子重复加载同一张图片UNFORKABLE声明该算子不可被 fork 切分执行提示执行器在并行调度时采取相应策略OpenCV 分类器对象在多进程 fork 场景下存在共享风险。从源码结构看它继承自 data_juicer/ops/base_op.py 中的Mapper基类因此天然具备process/process_single的统一调用接口可直接嵌入 Data-Juicer 的 DAG 执行器如 data_juicer/core/executor/default_executor.py中运行。参数配置详解算子对外暴露五个参数与文档参数表一一对应name 参数名type 类型default 默认值desc 说明cv_classifierclass strOpenCV 人脸检测分类器路径。默认使用随 opencv-contrib-python 分发的haarcascade_frontalface_alt.xml。blur_typeclass strgaussian模糊核类型可选[mean, box, gaussian]。radiustyping.Annotated[float, Ge(ge0)]即NonNegativeFloat2模糊核半径非负浮点数。save_dirclass strNone生成图像文件的保存目录未指定时输出保存到与输入文件相同的目录也可通过环境变量DJ_PRODUCED_DATA_DIR统一指定。args额外位置参数透传给基类。kwargs额外关键字参数其中scaleFactor、minNeighbors、minSize、maxSize会被提取用于人脸检测。分类器参数cv_classifiercv_classifier为空字符串时代码自动拼接 OpenCV 自带的级联分类器路径见源码 第 67-68 行if cv_classifier : cv_classifier os.path.join(cv2.data.haarcascades, haarcascade_frontalface_alt.xml)cv2.data.haarcascades指向 opencv-contrib-python 安装目录下的级联分类器数据文件夹因此开箱即用、无需额外下载模型。若你希望使用更精确的正脸/侧脸检测如haarcascade_frontalface_default.xml、haarcascade_profileface.xml可直接传入该 XML 的绝对路径。随后分类器通过 data_juicer/utils/model_utils.py 中的prepare_opencv_classifier加载为cv2.CascadeClassifier再经prepare_model(model_typeopencv_classifier, model_pathcv_classifier)model_utils.py包装成可被get_model延迟加载的模型键存入统一的模型仓库MODEL_ZOO中复用避免重复实例化。模糊类型blur_type与半径radius三个取值分别映射到 Pillow 的三种滤波器源码第 76-81 行if blur_type mean: self.blur ImageFilter.BLUR elif blur_type box: self.blur ImageFilter.BoxBlur(radius) else: self.blur ImageFilter.GaussianBlur(radius)meanPillow 的ImageFilter.BLUR即 5×5 的均值box滤波radius 参数对其不生效boxImageFilter.BoxBlur(radius)按半径取正方形邻域均值模糊强度随半径线性增强gaussianImageFilter.GaussianBlur(radius)按半径做高斯核卷积边缘过渡更柔和也是默认选项。传入非法类型或负数半径时构造器会直接抛出ValueError第 69-74 行if blur_type not in [mean, box, gaussian]: raise ValueError(...) if radius 0: raise ValueError(Radius must be 0. )需要特别说明虽然radius的类型注解是Ge(ge0)的非负浮点数但源码中仍保留了radius 0的运行时校验两处共同保证了参数合法性。人脸检测的隐式参数kwargs源码中定义了一组人脸检测的默认超参数第 33-38 行_default_kwargs { scaleFactor: 1.1, minNeighbors: 3, minSize: None, maxSize: None, }这些参数会在__init__中与用户传入的kwargs合并仅当用户显式传入同名 key 时覆盖默认值最终透传给cv2.CascadeClassifier.detectMultiScale。含义如下scaleFactor检测窗口的缩放步长越小检测越精细但越慢1.1是性能与召回率的常用平衡点minNeighbors候选矩形被确认为人脸所需的最少邻居数量越大误检越少但可能漏检minSize/maxSize允许的人脸最小/最大尺寸像素可用于过滤过小或过大的误检框。保存目录save_dir与DJ_PRODUCED_DATA_DIRsave_dir用于指定输出图像的存放目录。其优先级与行为在 data_juicer/utils/file_utils.py 的transfer_filename中定义Priority: save_dir DJ_PRODUCED_DATA_DIR original data directory (default)显式传入save_dir输出写入save_dir/...按原路径结构组织未传save_dir但设置了环境变量DJ_PRODUCED_DATA_DIR输出写入DJ_PRODUCED_DATA_DIR/{op_name}/...两者都未设置在原图所在目录下生成__dj__produced_data__/{op_name}/子目录存放结果即文档所述保存到与输入文件相同目录的机制。无论哪种方式输出文件名都会追加__dj_hash_#hash#形式的唯一哈希标记哈希由算子初始化参数、进程 ID 与 UTC 时间戳共同计算file_utils.py既避免并发写冲突也保证相同参数重跑时文件可被追踪替换。处理流程与源码实现链路算子核心逻辑集中在process_single源码第 92-147 行对每条样本的处理可分为五个阶段空样本短路样本中不存在image_key字段或字段为空时直接返回样本并将source_file置空不触发任何检测。图像加载通过load_data_with_context配合load_image惰性加载样本中的全部图像若开启了 context 模式已加载图像会缓存进样本上下文供算子融合复用。人脸检测逐张调用 data_juicer/utils/mm_utils.py 中的detect_facesdef detect_faces(image, detector, **extra_kwargs): img pil_to_opencv(image) # PIL → OpenCV BGR 格式 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度 dets detector.detectMultiScale(gray, **extra_kwargs) # 将检测框裁剪到图像边界内防止越界 ... return rectified_dets检测框以[x, y, w, h]列表返回并且会被强制裁剪到图像边界内x/y不小于 0、w/h不超出宽高避免模糊 ROI 越界导致的异常。 4.模糊与落盘对每个检测框(x, y, w, h)先image.crop(box)截取 ROI再filter(self.blur)施加所选模糊核最后paste回原图副本第 121-126 行。处理后的新图通过transfer_filename生成新路径并保存未检测到人脸的原图则保持原路径不变因此无脸图片不会被复制或重写。 5.样本字段回写更新sample[image_key]为新的文件路径列表同时维护source_file字段标记哪些文件是派生产物并在存在image_bytes_keybytes 形式图像时同步替换为模糊后的字节数据保证下游算子与导出流程读取到的是最新内容。在数据流水线中的配置示例在 Data-Juicer 的 YAML 配置中将该算子加入process列表即可例如参考 demos/process_simple/process.yaml 的整体结构# global parameters project_name: demo-face-blur dataset_path: ./demos/data/demo-dataset-images.jsonl # 含 images 字段的多模态数据集 np: 4 # 并行子进程数 export_path: ./outputs/demo-face-blur/processed.jsonl # process schedule process: - image_face_blur_mapper: blur_type: gaussian # mean / box / gaussian radius: 2 # 高斯或 box 模糊半径非负 # cv_classifier: # 留空使用默认 haarcascade_frontalface_alt.xml # save_dir: ./outputs/blurred_images # 也可通过 DJ_PRODUCED_DATA_DIR 指定运行时可通过环境变量统一设置产物目录export DJ_PRODUCED_DATA_DIR/data/blurred python tools/process_data.py --config your_config.yaml这样所有 mapper 生成的图像都会落在/data/blurred/image_face_blur_mapper/下便于集中管理。单元测试与行为验证仓库在 tests/ops/mapper/test_image_face_blur_mapper.py 中为该算子提供了完整的单元测试覆盖了全部三种模糊类型、不同半径以及多进程并行场景test_gaussian/test_gaussian_radius默认半径 2 与半径 10 的高斯模糊test_box/test_box_radiusbox 模糊两种半径test_mean均值模糊test_gaussian_radius_parallelnp3多进程并行处理并强制forkserver启动方式规避 fork 与 OpenCV 的兼容问题。测试数据使用了三张图片cat.jpg无人脸、lena.jpg检测框[228, 228, 377, 377]、lena-face.jpg检测框[29, 29, 178, 178]分别验证无脸图原样保留、有脸图被模糊并生成新文件的行为。测试中的_run_helper还会把结果按blur_type:radius_np:文件名命名复制到检查目录便于人工核对模糊效果。运行方式python -m pytest tests/ops/mapper/test_image_face_blur_mapper.py总结与注意事项隐私脱敏首选image_face_blur_mapper提供了一套 CPU-only 的轻量人脸脱敏方案无需 GPU 与深度学习模型即可嵌入 Data-Juicer 流水线默认值开箱即用cv_classifier留空即使用 OpenCV 内置 Haar 分类器blur_typegaussian、radius2的组合在大多数场景下效果均衡检测精度局限Haar Cascade 属于传统检测器对侧脸、遮挡、小尺寸人脸的召回有限若你的数据对人脸检测精度要求极高可考虑结合其他深度学习检测算子并将scaleFactor、minNeighbors等 kwargs 按数据分布微调输出路径三选一save_dir优先级最高其次是DJ_PRODUCED_DATA_DIR最后才是原图同目录的__dj__produced_data__/机制实际使用时注意统一管理产物目录以避免路径分散。更多算子信息可查阅 docs/Operators.md 中的完整算子清单并在 data_juicer/ops/mapper/image_face_blur_mapper.py 与 tests/ops/mapper/test_image_face_blur_mapper.py 中深入研读源码与测试。赞分享人工智能大模型数据工程数据清洗数据增强数据质检【免费下载链接】data-juicerData processing for and with foundation models! ➡️ ➡️ 项目地址https://gitcode.com/gh_mirrors/da/data-juicer点击查看免费下载相关推荐告别模糊人脸OpenCV实时人脸关键点检测从摄像头到表情分析全流程告别模糊人脸OpenCV实时人脸关键点检测从摄像头到表情分析全流程 OpenCV作为开源计算机视觉库的领军者提供了强大的人脸检测和关键点识别功能让开发者计算机视觉图像处理深度学习机器学习终极指南如何用CodeFormerOpenCV打造实时人脸修复应用终极指南如何用CodeFormerOpenCV打造实时人脸修复应用 在数字图像处理领域模糊、褪色或损坏的人像照片修复一直是一项具有挑战性的任务。CodeF人工智能计算机视觉深度学习图像处理Data-Juicer 图像人脸数量过滤算子 image_face_count_filter 使用与实现解析Data Juicer 图像人脸数量过滤算子 image_face_count_filter 使用与实现解析 本篇文章聚焦 Data Juicer 中的 ima人工智能大模型数据工程数据清洗数据增强数据质检上一篇Swift 任务优先级提升 API 实战解读SE-0462 与 withTaskPriorityEscalationHandler 完全指南下一篇为 OpenReplay 自托管 PostgreSQL 注入扩展配置Helm Chart conf.d 覆盖机制全解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考