Recogito2 开源项目教程
1. 项目介绍
Recogito2 是一个由 Pelagios Commons 开发的语义注释工具,支持对文本和图像进行注释。该项目旨在帮助用户在没有尖括号的情况下进行语义注释,提供了丰富的功能和灵活的配置选项。Recogito2 基于 Java 和 Scala 开发,使用了 SBT、Node.js、PostgreSQL 和 ElasticSearch 等技术栈。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保您的系统满足以下要求:
- Java 8 JDK
- SBT(版本 1.0.x)
- Node.js(版本 10.4.1)及 npm(版本 6.1.0)
- Webpack 和 webpack-cli(全局安装)
- PostgreSQL(测试版本 9.5)
- ElasticSearch v5.6.5(注意:不要使用 ES v6.x,因为这引入了不兼容的更改)
2.2 安装步骤
-
克隆项目仓库
git clone https://github.com/pelagios/recogito2.git cd recogito2 -
配置数据库
在您的 PostgreSQL 数据库服务器上创建一个名为
recogito的数据库。如果需要使用其他名称,请在配置文件中进行相应调整。 -
配置应用
复制
conf/application.conf.template文件并命名为conf/application.conf。根据您的环境进行必要的更改。 -
安装依赖
npm install -
启动应用
sbt run启动后,打开浏览器并访问
http://localhost:9000。 -
创建管理员用户
Recogito2 自动创建一个具有管理员权限的用户,用户名为
recogito,密码为recogito。请务必在生产环境中删除此用户或更改其密码。
3. 应用案例和最佳实践
3.1 文本注释
Recogito2 提供了强大的文本注释功能,用户可以对文本中的实体进行标注,并将其与地理信息关联起来。这对于历史文献、考古报告等领域的研究非常有用。
3.2 图像注释
除了文本注释,Recogito2 还支持图像注释。用户可以在图像上标记感兴趣的区域,并添加注释。这对于地图、艺术品等图像资源的分析非常有帮助。
3.3 最佳实践
- 数据备份:定期备份数据库和上传的文件,以防止数据丢失。
- 用户管理:在生产环境中,删除默认的管理员用户,并创建新的管理员账户。
- 性能优化:根据实际需求调整 ElasticSearch 和 PostgreSQL 的配置,以优化系统性能。
4. 典型生态项目
4.1 Pelagios Commons
Pelagios Commons 是一个致力于促进古代世界数据共享和互操作性的社区。Recogito2 是该社区的核心项目之一,旨在提供一个开放的、可扩展的注释平台。
4.2 IIIF(International Image Interoperability Framework)
IIIF 是一个开放的图像互操作性框架,Recogito2 支持 IIIF 标准,使得用户可以轻松地将图像资源与注释系统集成。
4.3 ElasticSearch
ElasticSearch 是一个分布式搜索和分析引擎,Recogito2 使用 ElasticSearch 来存储和检索注释数据,提供了高效的搜索和查询功能。
通过这些生态项目的支持,Recogito2 能够为用户提供一个强大且灵活的语义注释平台。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00