Hydrus Network v606版本发布:标签排序优化与自动重复文件处理
项目简介
Hydrus Network是一款开源的媒体文件管理工具,专为需要处理大量数字媒体的用户设计。它提供了强大的标签系统、灵活的搜索功能以及高效的重复文件检测机制,特别适合艺术家、收藏家和研究人员使用。
核心更新内容
标签排序功能增强
本次版本对标签排序系统进行了重大改进:
-
命名空间强制排序:用户现在可以自定义命名空间的显示顺序。例如,可以设置"creator"标签优先显示,其次是"series"、"character"等。这一功能通过
options->sort/collect中的新列表进行配置,默认顺序为[ creator, series, character, species, unnamespaced, meta ]。 -
Unicode字符处理优化:改进了特殊Unicode字符(如'ß'与'ss')的排序逻辑,确保更准确的比较结果。
-
非ASCII命名空间排序:修复了非ASCII命名空间在分组排序时的显示问题,确保它们能正确显示在未命名空间标签之前。
用户界面改进
-
文件历史图表:数据库中的文件历史图表现在包含所有四条线的复选框,更新速度更快,旧搜索图表会被及时清理。
-
缩略图图标优化:
- 修正了"collection"缩略图图标在新"show ratings on thumbs"设置下的位置问题
- 改进了集合计数背景颜色覆盖范围
- 优化了图标和文本的定位逻辑
-
评分显示改进:调整了缩略图上评分显示的背景颜色,使用标准的QSS窗口面板颜色,确保在各种情况下都清晰可见。
-
元数据展示:文件右键菜单的元数据子菜单现在包含精确的文件大小(字节数),顶部悬停窗口的"EXIF和其他信息"按钮位置调整并增加了新图标。
技术架构优化
-
媒体列表重构:将"listening media list"从可导航画布子类中重构出来,改为在对象内部处理底层列表。
-
重复过滤器改进:优化了重复过滤器的内容更新机制,文件对删除后的处理逻辑现在更安全地封装在同一个原子事件中。
-
信号机制升级:将浏览器媒体查看器到底层缩略图网格的旧式"remove media"发布/订阅模式更新为更现代的Qt信号机制。
-
布局修复:修正了"edit shortcuts set"和"edit subscription"面板中的布局问题。
重复文件自动处理功能进展
-
数据库模块拆分:将数据库模块分为搜索端和存储端两部分,主(重复)数据库模块现在会跟踪存储并更新新的/已解决的潜在重复文件对。
-
规则管理统一:合并了规则设置功能,添加了搜索重置代码。
-
状态缓存:实现了用于快速审查规则进度的状态计数缓存。
-
维护代码改进:优化了孤立规则和文件对的维护代码。
-
搜索匹配技术:完善了"检查未搜索对是否匹配搜索"和"检查搜索匹配对是否符合自动重复规则"的技术。
-
结果生成重构:将媒体结果生成和缓存代码从单一的
ClientDB重构到新模块中。
未来构建预览
开发团队发布了包含以下更新的测试版本:
-
图像处理:添加了Jpeg-XL支持,OpenCV更新至4.10.0.84版本。
-
Python支持:numpy升级至2.0.0以上版本,增加了Python 3.13支持。
-
多媒体:mpv播放器包更新至1.0.7版本。
-
网络功能:Twisted引擎增强了TLS和HTTP2支持。
-
构建优化:移除了帮助旧版PyInstaller处理numpy和OpenCV打包的一些导入技巧。
这些更新为Hydrus Network带来了更强大的媒体处理能力和更好的兼容性,特别是对专业用户处理大量媒体文件时的效率和准确性有显著提升。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00