ApolloOne
ApolloOne является интуитивно понятным приложением для просмотра изображений, которое позволяет к тому же еще и эффективно организовывать фотографии. Приложение имеет встроенный движок обработки RAW с камер, что дает возможность быстрого просмотра отснятого материала перед его импортом. ApolloOne дает вам доступ к различным локальным и сетевым папкам через Places. Чтобы настроить их, нажмите ⌘Cmd + N или нажмите кнопку Browser (Браузер) на панели инструментов.
Нажмите значок Плюс (+), чтобы добавить папку. Для быстрого просмотра ее содержимого понадобится нажатие всего лишь нескольких клавиш. А чтобы узнать больше о любом изображении, нажмите ⌘Cmd + I или кнопку Inspector на панели инструментов. Здесь вы можете увидеть детальную информацию об изображении и камере (ее серийный номер, число срабатываний затвора и многое другое). ApolloOne имеет встроенную поддержку тысяч цифровых камер.
Вы можете сортировать изображения по дате создания, изменения, размеру и типу файла, а также определять собственные параметры сортировки по возрастанию или по убыванию. Присутствует возможность фильтрации изображения по тегам, рейтингам и меткам.
Режим слайд-шоу (Preferences → Slideshow) показывает фотографии с 12 различными эффектами перехода и циклами. Вы даже можете настроить список воспроизведения для показа в фоновом режиме. Чтобы начать слайд-шоу, нажмите F5, а клавиша F6 остановит показ.
Уникальные особенности:
- Приложение оснащено мощным движком обработки RAW, который может обрабатывать RAW изображения без каких-либо задержек. Оно также имеет встроенный декодер RAW камеры для быстрого анализа файлов.
- ApolloOne использует графический процессор для ускорения отображения картинок. При этом происходит некоторая потеря качества ради скорости. Чтобы улучшить качество, включите Preferences → Appearance → High quality image scaling. Вам не нужно возиться с этими опциями на новых Mac.
- При просмотре фотографий приложение дает вам еще один вариант просмотра всех изображений – в виде кинопленки. Она появляется в верхней части окна и может быть включена через Tools → Show Filmstrip. Лента генерируется из миниатюр изображений с высоким разрешением, что повышает удобство навигации.
- Вы также можете редактировать метаданные, которые Spotlight использует для индексации. Для этого отредактируйте поле Keywords (Ключевые слова), и через нескольких секунд вы уже сможете искать изображения по ключевым словам. ApolloOne полностью поддерживает расширенные атрибуты macOS, что делает тегирование намного более мощным инструментом.
- В режиме контактного листа (View → Contact Sheet) миниатюры отображаются в виде сетки. Используя это, вы можете выполнять файловые операции сразу с несколькими элементами.
Бесплатное и платное программное обеспечение для редактирования фотографий для Mac
Хотя отображение изображений кажется простым процессом, у разных людей есть разные варианты использования. Хотя предварительная версия может хорошо работать для ваших нужд, обсуждаемые здесь приложения охватывают широкий спектр возможностей для разных специалистов и вариантов использования. Вы можете попробовать все это и посмотреть, какой из них лучше всего подходит для ваших нужд.
Если вы хотите редактировать фотографии после их просмотра, то, естественно, вам понадобится редактор фотографий. Каждое из этих приложений имеет возможность поделиться или открыть с помощью меню инструментов, чтобы открыть изображение прямо в вашем любимом редакторе. Если вас это интересует, взгляните на лучшие бесплатные и платные фоторедакторы для Mac.
Источник
Ранжирование
Индексы
Залог качественного поиска похожих изображений — ранжирование, т.е. отображение наиболее релевантных примеров для данного запроса. Оно характеризуется скоростью построения индекса дескрипторов, скоростью поиска и потребляемой памятью.
Самое простое — сохранить «в лоб» эмбеддинги и делать brute-force поиск по ним, например, с помощью косинусного расстояния. Проблемы появляются тогда, когда эмбеддингов становится много — миллионы, десятки миллионов или еще больше. Скорость поиска значительно снижается, объем занимаемой динамической памяти увеличивается. Одна позитивная вещь остается — это качество поиска, оно идеально при имеющихся эмбеддингах.
Датасет glove, размер эмбеддинга 100, расстояние — angular
Указанные проблемы можно решить в ущерб качеству — хранить эмбеддинги не в исходном виде, а сжатом (квантизованном). А также изменить стратегию поиска — искать не brute-force, а стараться за минимальное число сравнений найти нужное число ближайших к данному запросу. Существует большое число эффективных фреймворков приближенного поиска ближайших. Для них создан специальный бэнчмарк, где можно посмотреть, как ведет себя каждая библиотека на различных датасетах.
Самые популярные: отечественная NMSLIB, Spotify Annoy, Facebook Faiss, Google Scann. Также, если хочется взять индексирование с REST API «из коробки», можно рассмотреть приложение Jina.
Переранжирование
Исследователи в области Information Retrieval давно поняли, что упорядоченная поисковая выдача может быть улучшена неким способом переупорядочивания элементов после получения исходной выдачи.
Одним из таких методов является Query Expansion. Идея состоит в том, чтобы использовать top-k ближайших элементов для генерации нового эмбеддинга. В самом простом случае можно взять усредненный вектор, как показано на картинке выше. Также можно взвесить эмбеддинги, например, по отдаленности в выдаче или косинусному расстоянию от запроса. Подобные улучшения описаны в едином фреймворке в статье Attention-Based Query Expansion Learning. По желанию можно применить Query Expansion рекурсивно.
k-reciprocal
k-reciprocal — множество элементов из top-k, в числе k ближайших которых присутствует сам запрос. На базе этого множества строят процесс переранжирования выдачи, один из которых описан в статье Re-ranking Person Re-identification with k-reciprocal Encoding. По определению, k-reciprocal ближе к запросу, чем k-nearest neighbors. Соответственно, можно грубо считать элементы, попавшие в множество k-reciprocal заведомо позитивными и изменять правило взвешивания, например, для Query Expansion. В данной статье разработан механизм пересчета дистанций с использований k-reciprocal множеств самих элементов в top-k. В статье много выкладок, это выходит за рамки данного поста, поэтому предлагаю читателю ознакомиться самостоятельно.
Editing
Editing is done in the Inspector. Lyn currently supports editing EXIF and IPTC information. You can also edit the GPS information contained in the image. Lyn includes a map view that will display where the image was taken. Unfortunately, while the Map view can show where the image was taken if GPS coordinates are embedded in the image, you cannot use the Map view to generate coordinates for the image — a feature that will be very useful for all the images that we without location information. For example, we have an image of tuff towers taken on Mono Lake in California. It would be nice if we could get close to Mono Lake, mark the location where the image was taken, and apply coordinates to it. Perhaps in the next version.
Lin also has basic image editing capabilities. You can adjust color balance, exposure, temperature, and highlights and shadows. Black and white filters, sepia and vignette, and a histogram are also available. However, all adjustments are made using a slider, automatic adjustments are not available.
There is also a nice crop tool that lets you set the aspect ratio that will be maintained when cropping.
While image editing is basic at best, Lyn allows you to use external editors. We tested Lin’s ability to traverse an image through an external editor and found it worked without issue. We used Photoshop to make a few complex edits, and as soon as we saved the changes, Lin immediately updated the image.
Уровень 1. Самое простое объяснение
DALL·E 2 состоит из трёх больших частей, базу для которых разработали в Google, но «собрали» в OpenAI.
Первая нейросеть «читает» текст и рисует «черновик» будущего изображения.
Вторая нейросеть превращает «черновик» в маленькое конечное изображение.
Третья нейросеть увеличивает эту маленькую картинку в 16 раз, добавляя необходимые детали.
Готово!
Поэтапно это происходит так:
1. Первая нейросеть называется CLIP, она переводит наш написанный (человеческий) текст в компьютерный язык в виде цифр.
2. Далее CLIP превращает этот набор цифр в таблицу с другими цифрами. Такая таблица играет роль «наброска» или «скелета», по которому создаётся конечное изображение. Чтобы всё сработало, CLIP тренировали на 600 миллионах картинок и подписей к ним.
3. «Черновик» переходит во вторую нейросеть под названием GLIDE.
4. Вторая нейросеть GLIDE берёт первоначальный компьютерный текст из пункта 1 и полученную схему из пункта 2, совмещает данные с них. На основе такого микса она создаёт серый зернистый квадрат, из которого постепенно убирает зерно и тем самым проявляет картинку в плохом качестве. Этот метод проявки называется «применение Диффузной модели».
5. Третья нейросеть увеличивает качество картинки в 16 раз и показывает нам финальный результат.
Но эти этапы озвучены весьма упрощённо: на самом деле в DALL·E 2 работают не сами нейросети, а только их части. Например, изначально CLIP вообще не умела рисовать изображения, её задача была ровно противоположной: описывать текстом то, что она видит.
Рассмотрим эти моменты подробнее.
GLIDE — нейросеть для рисования
Все та же OpenAI представила в 2021 году нейросеть GLIDE, которая способна обрабатывать загруженные изображения, а также генерировать уникальные иллюстрации на основе их текстового описания. С помощью сервиса можно добавлять на изображения различные элементы, причем GLIDE может работать не только с фотографиями, но и рисунками — в обоих случаях нейронная сеть «считывает» стиль исходной иллюстрации, что позволяет гармонично вписывать новый объект, адаптируя его под общий стиль изображения.
По качеству своей работы новая нейросеть превосходит DALL-E и даже может качественно справляться с необычными заданиями, но и как любая нейросеть периодически GLIDE способна дать сбой при выполнении самого простого запроса. Описание своего проекта разработчики из OpenAI представили в виде научной публикации на портале arXiv.org, а также выложили на GitHub исходный код сокращенной версии нейросети для тестов всеми заинтересовавшимися проектом.
Так что если вы захотите воспользоваться наработками команды инженеров OpenAI, то придется скачать опубликованный ими код и самостоятельно организовать на своих мощностях собственную нейросеть. Если возможности такой нет, то придется воспользоваться другими вариантами сервисов из нашей подборки.
Базовые компоненты сервиса
Шаг 1. Обучение модели. Модель может быть сделана на классике CV или на базе нейронной сети. На вход модели — изображение, на выход — D-мерный дескриптор/эмбеддинг. В случае с классикой это может быть комбинация SIFT-дескриптора + Bag of Visual Words. В случае с нейронной сетью — стандартный бэкбон по типу ResNet, EfficientNet и пр. + замысловатые пулинг слои + хитрые техники обучения, о которых мы далее поговорим. Могу сказать, что при наличии достаточного объема данных или хорошего претрена нейронные сети сильно выиграют почти всегда (мы проверяли), поэтому сосредоточимся на них.
Шаг 2. Индексирование базы изображений. Индексирование представляет из себя прогон обученной модели на всех изображениях и запись эмбеддингов в специальный индекс для быстрого поиска.
Шаг 3. Поиск. По загруженному пользователем изображению делается прогон модели, получение эмбеддинга и сравнение данного эмбеддинга с остальными в базе. Результатом поиска является отсортированная по релевантности выдача.
DALL-E 2 — нейросеть, которая рисует по словам
В 2021 году одно из детищ Илона Маска, занимающаяся разработкой и лицензированием технологий на основе машинного обучения американская компания OpenAI, представила нейросеть DALL-E, способную создавать изображение по его текстовому описанию. Опыт был признан удачным и в 2022 году анонсировали DALL-E 2 — дальнейшее развитие своего прародителя.
К основным особенностям нейросети добавилось в четыре раза более высокое качество итоговых изображений, возможность редактировать загруженные фотографии (удалять или добавлять объекты на готовое изображение) и создавать третье изображение на основе двух загруженных, сочетая в получившемся новом характерные черты стиля исходных иллюстраций.
На старте DALL-E 2 (названа, если кто не догадался, в честь испанского художника-сюрреалиста Сальвадора Дали) находилась в закрытом бета-тесте и доступа всех желающих к ней не было предусмотрено. Но по окончании испытаний на основе нейросети все желающие могут создавать собственные приложения для обработки и создания изображений. Или пользоваться возможностями проекта.
На официальном сайте нейросети необходимо завести персональный аккаунт, а затем потратить свой баланс «кредитов» на создание изображений — бесплатно доступно 50 кредитов, а со второго месяца их лимит сокращается до 15 кредитов. Если этого вам недостаточно, кредиты можно купить (но у владельцев карт российских банков с этим могут быть сложности), а дальше тратить их на то, чтобы заданные вами текстовые описания превращались в иллюстрации.
ruDALL-E — нейросеть, которая рисует онлайн
Особняком среди всех проектов стоит труд команды SberDevices и Sber AI при содействии SberCloud, которая взяла за основу модель DALL-E от компании OpenAI, а затем перевела ее на русский язык. Российские специалисты взяли код, запустили обучение нейросети на платформе ML Space на базе суперкомпьютера «Кристофари» — 23 тысячи GPU-часов обучения на массиве данных из 120 миллионов пар текст-изображение обернулись самым большим нейросетевым вычислительным проектом в России и СНГ и нейросетью ruDALL-E. Это единственная в мире нейронная сеть, которая может генерировать изображения на основе текстового описания на русском языке (позднее, впрочем, вышла версия для работы с англоязычными описаниями).
Как описывает свой проект «Сбер», ruDALL-E создает новое изображение по пользовательскому описанию в три стадии. Первой является использование отдельной нейросети, которая превращает указанный текст в некое заданное системой количество картинок. Потом включается в работу вторая нейросеть, которая уже на основе своих алгоритмов отбирает самые удачные иллюстрации с учетом не только их качества изображения, но и максимального соответствия пользовательскому запросу. На выходе третья нейросеть берет появившиеся на предыдущем шаге работы ruDALL-E картинки и обрабатывает их с тем, чтобы обеспечить им максимальное качество при максимальном же размере изображения. Разработчики обещают, что их детище генерирует неограниченно большое количество изображений по указанному пользователем запросу, поскольку нейросети с каждым таким запросом обучаются и на текстовых командах, и на сгенерированных алгоритмами изображениях. При этом платформа использует ruDALL-E XL, содержащую 1,3 миллиарда параметров, и ruDALL-E 12B с 12 миллиардами параметров.
Уменьшенный вариант ruDALL-E доступен в приложении «Салют» и на демосайте, а на устройствах Sber или в приложении «Салют» для запуска нейросети достаточно голосовой команды «Открой Дали» или «Запусти художника».
Валидация
Мы подошли к части проверки качества поиска похожих. В этой задаче есть много тонкостей, которые новичками могут быть не замечены в первое время работы над Image Retrieval проектом.
Метрики
В первую очередь — метрики. Рассмотрим такие популярные метрики в задаче Image Retrieval: precision@k, recall@k, R-precision, mAP и nDCG.
precision@k
Показывает долю релевантных среди top-k ответов.
Плюсы:
показывает, насколько система избирательна в построении top-k
Минусы:
-
очень чувствительна к числу релевантных для данного запроса, что не позволяет объективно оценить качество поиска, где для разных запросов имеется разное число релевантных примеров
-
достичь значение 1 возможно только, если число релевантных >= k для всех запросов
R-precision
То же самое, что precision@k, где k устанавливается равным числу релевантных к данному запросу
Плюсы:
исчезает чувствительность к числу k в precision@k, метрика становится стабильной
Минусы:
приходится знать общее число релевантных к запросу (может быть проблемой, если не все релевантные размечены)
recall@k
Показывает, какая доля релевантных была найдена в top-k
Плюсы:
-
отвечает на вопрос, найдены ли релевантные в принципе среди top-k
-
стабильна и хорошо усредняется по запросам
mAP (mean Average Precision)
Показывает насколько плотно мы заполняем топ выдачи релевантными примерами. Можно на это посмотреть как на объем информации, полученной пользователем поискового движка, который прочитал наименьшее число страниц. Соответственно, чем больше объем информации к числу прочитанных страниц, тем выше метрика.
Плюсы:
-
объективная стабильная оценка качества поиска
-
является одно-численным представлением precision-recall кривой, которая сама по себе богата информацией для анализа
Минусы
приходится знать общее число релевантных к запросу (может быть проблемой, если не все релевантные размечены)
Подробнее про метрики в Information Retrieval, в том числе посмотреть вывод mAP, можно почитать здесь.
nDCG (Normalized Discounted Gain)
Данная метрика показывает, насколько корректно упорядочены элементы в top-k между собой. Плюсы и минусы этой метрики не будем рассматривать, поскольку в нашем списке это единственная метрика, учитывающая порядок элементов. Тем не менее, есть исследования, показывающие, что при необходимости учитывать порядок данная метрика является достаточно стабильной и может подойти в большинстве случаев.
Усреднение
Также важно отметить варианты усреднения метрик по запросам. Рассмотрим два варианта:. macro: для каждого запроса считается метрика, усредняем по всем запросам
macro: для каждого запроса считается метрика, усредняем по всем запросам
+: нет значительных колебаний при разном числе релевантных к данному запросу-: все запросы рассматриваются как равноправные, даже если на какие-то больше релевантных, чем на другие
micro: число размеченных релевантных и отдельно успешно найденных релевантных суммируется по всем запросам, затем участвует в дроби соответствующей метрики
+: запросы оцениваются с учетом числа размеченных релевантных для каждого из них-: метрика может стать сильно низкой / сильно высокой, если для какого-то запроса было очень много размеченных релевантных и система неуспешно / успешно вывела их в топ
Схемы валидации
Предлагаю рассмотреть два варианта валидации.
Валидация на множестве запросов и выбранных к ним релевантных
На вход: изображения-запросы и изображения, релевантные к ним. Имеется разметка в виде списка релевантных для данного запроса.
Для подсчета метрик можно посчитать матрицу релевантности каждый с каждым и, на основе бинарной информации о релевантности элементов посчитать метрики.
Валидация на полной базе
На вход: изображения-запросы, и изображения, релевантные к ним. Также должна быть валидационная база изображений, в которой в идеале отмечены все релевантные к данным запросам. А также в ней не должно присутствовать изображений-запросов, иначе придется их чистить на этапе поиска, чтобы они не засоряли top-1. Валидационная база участвует как база негативов — наша задача вытянуть релевантные по отношению к ней.
Для подсчета метрик можно пройтись по всем запросам, посчитать дистанции до всех элементов, включая релевантные и отправить в функцию вычисления метрики.
Хохмы
Открывать DALL-E, придумывать запрос и ждать результата для меня, несмотря на все сложности, стало одной из приятнейших частей работы. Не в последнюю очередь потому, что результаты часто выходят веселыми — настолько, что можно поржать, как говорится, всем офисом.
Статья: Бан Kiwi Farms. Почему Cloudflare отказалась защищать сайт, где собираются тролли и сталкерыИдея: к владельцам форума Kiwi Farms буквально вломилась бригада SWAT. Попробуем это изобразить! Я давно хотел попросить у DALL-E сделать что-нибудь в стиле комиксов Мебиуса, который считается одним из создателей киберпанка как визуального стиля.
Картинки вышли красивые, но, увы, совершенно непонятно, что здесь происходит. Хотелось бы к тому же вид из открытой двери, а не из-за спин. Пробую исправить это.
Смотрю на результаты круглыми глазами, потом потихоньку начинаю выть. Продолжаю смотреть, и вой постепенно переходит в ор. На второй картинке, кажется, изображена полиция мемов. Скидываю картинки автору статьи — Маше Нефедовой, она проходит через ту же череду эмоций.
Кажется, нужно менять подход. Я уже выяснил, что у DALL-E отлично получаются забавные овощи и фрукты с глазами. Грех этим не воспользоваться. А киви-пираты вообще будут хитом! Пробуем.
На мой взгляд, результат великолепный. Однако Маша, критично оглядев наш с DALL-E шедевр, говорит, что, во-первых, киви на вид так себе, во-вторых, владельцы форума имели в виду птичку, а не плоды. Упс!
Ладно, птица так птица. Нарядим ее в черную худи и посадим за ноутбук.
Они все просто прекрасны, и на этот раз Маша не в силах спорить. Второй потрясает нас своей шубой и своим злым «лицом». Но выбираем того, который что-то печатает клювиком.
Правда, Маша к этому моменту уже сама сделала более серьезную иллюстрацию при помощи Midjourney, так что птица отправляется только в соцсети.
Статья: Облака под угрозой. Как пентестить инфру в AWSИдея: летящий в облаках черный воздушный шар с черепом и костями. Для красоты просим подсветить лучами солнца.
Хуже всего получились череп и кости, но это легко исправить. Беру первый, замазываю в редакторе странную полосу слева, накладываю картинку с Веселым Роджером.
Но чтобы получить достаточную ширину по горизонтали, нужно больше неба. Не попробовать ли функцию дорисовывания? Отрезаю кусочек неба и прошу DALL-E дополнить его. Ответ совершенно недвусмысленный!
Однако облака — субстанция очень гибкая, можно редактировать как угодно. Без проблем замазываю безобразие и прилаживаю облака к картинке.
Статья: Фундаментальные основы хакерства. Боремся с дизассемблерами и затрудняем реверс программИдея: цикл «Фундаментальные основы хакерства» мы всю дорогу иллюстрировали каким-то стоковым типом в черной худи. Но в честь последнего выпуска, выход которого еще и (почти) совпал с днем рождения Юры Язева, хотелось разнообразия. Что, если вручить хакеру в руки тортик?
Почти хорошо! Но в лица лучше не вглядываться, конечно.
Статья: Перехват VK. Как хакеры используют кликджекинг для деанонимизацииИдея: кликджекинг — перехват кликов мышью. Мышей перехватывают кошки, так что попробуем нарисовать кошку, которая ловит компьютерную мышь.
Для начала возьмем мультяшный стиль.
В целом не так плохо, и коты забавные, но везде разные изъяны. То мышь не видно, то мышь изуродована до неузнаваемости, то коты слишком кривые.
Решаю попробовать попросить подделку под рендер.
Коты страшноватые, и белый фон не годится. Делаю еще один заход и прошу добавить желтый фон.
От души веселюсь, разглядывая результаты. Готового по-прежнему нет, но первому коту хотя бы легко добавить недостающий зрачок. Рисуя, немного умираю внутри от того, какой кот круглый и какие у него пальцы.
Статья: Даня снова с нами! Выясняем у Дани Шеповалова, где он пропадал 20 лет и при чем тут гусиИдея: нужен Даня, ослик и гуси. Сразу мысли о каких-то старинных картинах. Скиталец едет на осле и ведет за собой стаю гусей. Попробуем стилизовать под средневековую икону.
Последняя картинка хороша, но у нашего пророка что-то не то с лицом. Пробую еще раз, подкрепив религиозные мотивы.
Картинки отличные, однако нимбы, пожалуй, не к месту. Даня, конечно, легенда, но далеко не святой. Выбираем первую. К тому же эти гуси с ногами (руками?) абсолютно невозможные.
Quick View, Просмотр и Finder
Открытие изображения в проводнике Finder запускает приложение «Просмотр». Но все-таки существует возможность перелистывания фото стрелочками (влево и вправо) на клавиатуре. Тут есть три варианта выхода из ситуации:
1. Выделите первое (или любое другое) изображение в папке и нажмите Пробел (или сочетание клавиш Command (⌘) + Y) на клавиатуре. Наверняка вы знаете, что пробел запускает стандартное приложение «Быстрый просмотр» (Quick View), которое позволяет просматривать практически любые файлы без запуска специализированных программ с которыми они ассоциированы. В «Быстром просмотре» можно переключать фотографии стрелками на клавиатуре (верх, низ или лево, право).
А если в режиме «Быстрого просмотра» (когда изображения были выделены и был нажат Пробел) нажать сочетание клавиш Command (⌘) + Enter (Return), то вы сможете открыть превью всех выделенных изображений для быстрой навигации и переключения между ними.
2. Выделите все или требуемые для просмотра изображения и запустите режим слайдшоу. Для этого зажмите клавишу Alt (Option ⎇) и откройте меню Файл → Слайд шоу объектов… или просто запомните сочетание клавиш Command (⌘) + Alt (Option ⎇) + Y. Если вы захотите вручную переключать изображения, то просто поставьте слайдшоу на паузу и используйте стрелки на клавиатуре или трекпад.
А ещё тут есть очень удобная опция «Индекс-лист» (иконка с квадратиками). Кликнув по ней вы сможете увидеть сетку из всех изображений и быстро найти и переключиться на требуемое.
3. Представление (вид) «Галерея» в Finder также позволяет быстро просматривать папки с фотографиями на вашем Mac за счет расширенной панели предварительного просмотра и подробных метаданных. Тем не менее, такой предварительный просмотр все еще недостаточно подходит для выявления наилучших снимков. Такой функционал Finder отлично работает с базовыми сценариями, но в нем отсутствуют мощные инструменты управления навигацией и получения нужной информации.
Если все описанные способы решения вопроса просмотра изображений штатными средствами вам покажутся слишком сложными, мы предлагаем скачать и наслаждаться софтом от сторонних разработчиков.
Вам не потребуются тяжелые приложения, такие, как Apple Photos или Adobe Lightroom или программы, работающие со сложными базами данных для обновления и упорядочения вашей коллекции при отображении картинок. Мы расскажем вам о некоторых из лучших приложений для просмотра фотографий для macOS с уникальными функциями, которые вы сможете использовать.
How Lin works to organize images
If you’ve used iPhoto, Photos, Aperture, or Lightroom, you might be surprised that Lin isn’t using an image library; at least not the same as you are used to. This is the key to why Lin is fast; it has no database to update and organize while it displays images.
Instead, Lin uses a shared folder that Mac Finder creates. You can add and remove folders in Lyn, or use Finder to do so. You can even do both; set up a basic image library in Finder using subfolders, and then add or customize it when you use Lyn.
This reliance on standard folders explains why Lyn does not support organizational structures such as events or persons. But Lin maintains smart folders that can be used to create a similar organization method.
The smart folders used by Lyn are indeed saved search results, but because they are saved and stored in the Lyn sidebar, they are easy to access and look just like any other folder. With smart folders, you can search tagged, rated, tags, keywords, tags and file names. If you add the event keyword to an image, you can recreate the event organization available in other image browser applications.