Movary 开源项目教程
1. 项目介绍
Movary 是一个免费且开源的网络应用程序,用于跟踪、评分和探索你的电影观看历史。你可以自行托管该应用,并与其他人共享。Movary 提供了详细的统计数据、第三方集成(如 Trakt、Letterboxd 或 Netflix)、自动播放跟踪(如 Plex、Jellyfin 或 Emby)等功能。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保你的系统已经安装了以下软件:
- Docker
- Docker Compose
2.2 克隆项目
首先,克隆 Movary 项目到本地:
git clone https://github.com/leepeuker/movary.git
cd movary
2.3 配置环境变量
复制 .env.development.example 文件并重命名为 .env.development:
cp .env.development.example .env.development
根据你的需求编辑 .env.development 文件。
2.4 启动应用
使用 Docker Compose 启动应用:
docker-compose up -d
启动完成后,访问 http://localhost:80 即可进入 Movary 应用。
3. 应用案例和最佳实践
3.1 个人使用
Movary 非常适合个人用户记录和分析自己的电影观看历史。你可以通过第三方集成导入现有的观看记录,并使用 Movary 提供的统计功能来分析你的观影习惯。
3.2 家庭共享
Movary 支持多用户管理,因此你可以与家人或朋友共享一个 Movary 实例。每个人可以拥有自己的账户,记录各自的观影历史,并共享一些统计数据。
3.3 社区项目
Movary 的开源特性使其非常适合用于社区项目。你可以将 Movary 部署在一个公共服务器上,供社区成员使用,并通过自定义功能来满足特定需求。
4. 典型生态项目
4.1 Plex
Movary 与 Plex 集成,可以自动跟踪你在 Plex 上的观影记录。你可以在 Movary 中配置 Plex 的 API 密钥,实现自动同步。
4.2 Trakt.tv
如果你已经在使用 Trakt.tv 记录观影历史,Movary 支持从 Trakt.tv 导入数据。你可以通过简单的配置将 Trakt.tv 的数据导入到 Movary 中。
4.3 Letterboxd
Movary 还支持从 Letterboxd 导入数据。你可以将 Letterboxd 的 CSV 文件导入到 Movary 中,继续使用 Movary 进行观影记录和分析。
通过以上步骤,你可以快速启动并使用 Movary 项目,并根据实际需求进行定制和扩展。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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