训练与微调工作流

Style Dataset Lab：面向视觉风格的图像数据集生产与治理管线

mcp-tool-shop-org/style-dataset-lab · Visual canon and dataset production pipeline — snapshots, splits, training packages, eval scorecards, implementation packs, and closed-loop re-ingest for any image production domain

GitHub原文发布未知首次收录 2026-11-07上架 2026-11-07 07:02

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

Style Dataset Lab 是一套以项目视觉规范（constitution）为核心的图像数据集生产与治理管线。它先定义轮廓、配色、材质等风格规则，再通过 ComfyUI 生成候选图像，并按评分细则评审筛选；把获批图像与规范规则绑定，产出可复现的版本化快照、训练/验证/测试划分、导出包、评测包与评分卡、训练包和实作包。它同时提供生产工作台，用于编译生成简报、执行运行、批判与批量生产（如表情表、环境板），并将选中的成品重新回灌为候选记录，形成持续增强的闭环。它还支持带清单合约的 3D 资产导出摄取，逐字节验证声明并以未评审记录入库。

# 评测 # ComfyUI # 数据集构建 # 风格 LoRA # 数据策展

核心能力与快速开始

★ 0 · JavaScript

能做什么: 以 constitution、rubric、lanes 等 JSON 配置定义视觉风格规则；生成候选、HTML 联系表筛选与策展记录；对像素做配色与纹理测量；将获批作品与规范规则绑定；创建不可变快照、防泄漏划分与自包含导出包；构建评测包与评分卡、训练清单与训练包、实作包；编译生成简报并经 ComfyUI 运行、批判、批量生产与选择；将选中输出重新回灌为候选记录；以清单合约摄取 3D 资产导出，验证模式、路径包含、编码、分类通道与配色门槛，并记录来源与门控测量结果；规范化构建可内容寻址，支持冻结与漂移审计。
适用场景: 为角色设计、生物设计、游戏美术、建筑与载具机甲等视觉领域构建可追溯、可复现的训练数据集；围绕风格 LoRA 做训练数据筛选与版本管理；对生成图像按项目视觉规则打分并形成评审记录；在 ComfyUI 生产流程中编译简报、批量生产表达式表或环境板，并将优质产出回收进数据语料；将带验收门的 3D 资产渲染导出作为有来源的训练数据纳入管线。
项目形态: 可直接使用的工具
部署方式: 以 JavaScript 实现并发布于 npm（包名 @mcptoolshop/style-dataset-lab），通过 sdlab 命令行使用；生成阶段依赖 ComfyUI。其余部署条件未说明。
主要依赖: 需要 Node.js 运行环境与 ComfyUI 用于图像生成；本地模型起草规范时需回环地址上的 OpenAI 兼容服务端点。硬件配置与模型成本未说明。
使用限制: 生成与生产流程依赖 ComfyUI；本地模型仅能起草规范条目，须经人工批准才能冻结；3D 资产摄取仅做清单与字节层面的验证、测量和登记，不做渲染或光线追踪；资料未说明 API 成本、硬件要求或商业使用条款。
许可证: MIT
最近推送: 2026-11-07 04:12

官方入门项目文档核对 README 依据 ↗

资料检查：2026-11-07 07:00 · 卡片整理：2026-11-07 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

作为图像数据集生产与治理管线，可用于为视觉 AI 项目构建可复现的训练数据：定义风格规则、通过 ComfyUI 生成候选、按评分细则评审筛选，并产出带校验和的版本化快照、训练/验证/测试划分与训练包；也可用于审查和验证 3D 资产导出清单与字节一致性。

查看内容依据

The pipeline generates candidates, scores them against those rules, and packages the approved work into reproducible datasets where every record explains why it was included.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

reasoning-dataset-lab：面向推理数据集构建的先证明答案键，再由模型措辞

reasoning-dataset-lab（命令行工具 rdlab）是一个 map-first 实验室，用于构建谜题、测验与验证项数据集。它先用代码构造形式化状态并由求解器证明答案键，再由本地模型将条目措辞，并记录每个条目的来源。它提供地图校验与指纹、模型列出与多样性报告以及评委比拼（bake-off）；后者包含密封测试部分、表面特征探测以及独立评分步骤。项目为 Python 包，要求 Python 3.13 及以上，评委运行需 GPU 与经许可的本地模型，版本为 alpha。

proof-surface：校验 AI Agent 轨迹是否越权的证明包工具

proof-surface 是一个 Python 库和命令行工具，用于把 AI Agent 的轨迹（可读取 OpenTelemetry、LangSmith、Langfuse 导出或自有 JSON 格式）与授权清单中的允许动作、目标范围和有效期逐项比对，并把每个动作标记为 MATCH、DRIFT 或 UNVERIFIABLE，同时给出对应决策与可读报告。它还能把测量、评测、研究声明等记录转成带结论的 JSON 包，并针对各领域常见的过度声明做拒绝检查；此外提供证据包、工作记录、授权收据、委派链、预执行门控等基础校验器及多个外部工具导入适配器。

OpenEnv：面向智能体强化学习的隔离执行环境框架

OpenEnv 是一个用于创建、部署和使用隔离执行环境的端到端框架，面向智能体强化学习后训练。它提供 Gymnasium 风格的 reset/step/state API（支持同步与异步，通过 WebSocket 连接），每个环境以 Docker 镜像形式在本地、云沙箱或 Hugging Face Space 上运行，并提供 40+ 个现成环境（游戏、代码沙箱、浏览器、金融、模拟器等）。项目支持与 TRL、Unsloth、SkyRL、ART、Oumi、torchforge、Miles 等训练框架配合，内置奖励组合与 Inspect AI 评测能力，同时可通过 CLI 脚手架创建、校验和推送自定义环境。

jonesrussell/skills：面向代码审查与代码库分析的技能库

该项目是作者为 Claude Code 等编程智能体整理的 Agent Skills 集合，以 SKILL.md 形式提供可复用的代码审查、代码库分析、安全审查、博客写作、工作流与项目规划等技能；配套 Python 脚本用于审计和同步本地安装，以及运行技能评测（mock、codex、command 三种 runner），并可通过 Claude Code 插件市场安装多个技能包。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。