Python 通过 Shadowsocks SOCKS5 代理发送请求
核心原理 Python 不能直接解析 Shadowsocks 协议。标准做法是： Python ↓ SOCKS5 sslocal (本地 1080 端口) ↓ Shadowsocks 协议 远端 SS 服务器 ↓ 明文 目标网站先用 Shadowsocks 客户端在本地起一个 SOCKS5 代理，Python 通过这个代理访问外网。 方法一：requests[socks]（推荐） 安装： pip install requests[socks]使用： import requestsproxies = { "http": "socks5://127.0.0.1:1080", "https": "socks5://127.0.0.1:1080" }r = requests.get( "https://httpbin.org/ip", proxies=proxies, timeout=10 )print(r.json())socks5:// 使用远端 DNS 解析；如果想让本地 DNS 解析，换成 socks5h://。 方法二：PySocks 全局劫持 安装： pip install pysocks设置全局默认代理，之后所有 socket 连接都走 SOCKS5： import socket import sockssocks.set_default_proxy(socks.SOCKS5, "127.0.0.1", 1080) socket.socket = socks.socksocketimport requestsr = requests.get("https://httpbin.org/ip") print(r.json())适合需要代理所有网络调用（requests、httpx、urllib 等）的场景，但会影响进程内所有 socket，慎用。 方法三：环境变量 export ALL_PROXY=socks5://127.0.0.1:1080 export HTTPS_PROXY=socks5://127.0.0.1:1080 export HTTP_PROXY=socks5://127.0.0.1:1080或者在 Python 代码里设置： import osos.environ["ALL_PROXY"] = "socks5://127.0.0.1:1080"import requestsr = requests.get("https://httpbin.org/ip") print(r.json())requests 会自动读取 HTTP_PROXY / HTTPS_PROXY / ALL_PROXY 环境变量。 在代码里启动 sslocal 如果想让 Python 程序自己管理 Shadowsocks 子进程： import subprocess import time import requestsproc = subprocess.Popen([ "sslocal", "-s", "服务器IP", "-p", "8388", "-k", "密码", "-m", "aes-256-gcm", "-l", "1080" ], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)time.sleep(1) # 等待 sslocal 就绪proxies = { "http": "socks5://127.0.0.1:1080", "https": "socks5://127.0.0.1:1080" }try: r = requests.get("https://httpbin.org/ip", proxies=proxies, timeout=10) print(r.json()) finally: proc.terminate()sslocal 来自 shadowsocks-libev 或 shadowsocks-rust 包，需要提前安装。 验证代理是否生效 import requestsproxies = { "http": "socks5://127.0.0.1:1080", "https": "socks5://127.0.0.1:1080" }r = requests.get("https://httpbin.org/ip", proxies=proxies, timeout=10) print(r.json()) # 返回的 origin IP 应为代理服务器 IP，不是本机 IP
目标检测辅助标注：GroundingDINO、SAM2 与 Florence-2 实用指南
为什么需要辅助标注 手动标注几万张图片耗时数周，且容易出现漏标和错标。开放词汇检测（Open-Vocabulary Detection）模型可以：输入文字描述的类别 直接输出检测框 人工只做最终校验流程： 原始图片 ↓ GroundingDINO（文字→检测框） ↓ 人工检查 + 修正 ↓ YOLO 训练GroundingDINO：文字驱动检测 不需要预先训练，直接用类别名称描述来检测： from groundingdino.util.inference import load_model, load_image, predictmodel = load_model("groundingdino_swint_ogc.pth", "config.py") image_source, image = load_image("image.jpg")boxes, logits, phrases = predict( model=model, image=image, caption="car . truck . person . traffic light", box_threshold=0.35, text_threshold=0.25 )caption 用英文句点分隔类别，box_threshold 控制检测置信度。返回的 boxes 是归一化的 (cx, cy, w, h) 格式，可直接转为 YOLO 标签。 3060Ti 8G 可运行：GroundingDINO-SwinT（轻量，速度快） GroundingDINO-SwinB（更准，显存要求更高）SAM2：检测框转 Mask SAM2（Segment Anything Model 2）在 GroundingDINO 输出的框基础上生成精确分割轮廓： from sam2.build_sam import build_sam2 from sam2.sam2_image_predictor import SAM2ImagePredictorsam2 = build_sam2("sam2_hiera_small.pt", device="cuda") predictor = SAM2ImagePredictor(sam2)predictor.set_image(image_np)# 用 GroundingDINO 的框作为 prompt masks, scores, _ = predictor.predict( box=boxes_xyxy, # [x1, y1, x2, y2] multimask_output=False )组合效果： GroundingDINO（框）+ SAM2（Mask）= 实例分割标注适合标注车辆、行人等需要精确轮廓的场景。 Florence-2：一键生成多种格式 微软的 Florence-2 是视觉语言模型，支持多种任务： from transformers import AutoProcessor, AutoModelForCausalLMmodel = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large") processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large")# 开放词汇检测 inputs = processor( text="<OPEN_VOCABULARY_DETECTION>car", images=image, return_tensors="pt" ) outputs = model.generate(**inputs) result = processor.decode(outputs[0], skip_special_tokens=False)支持的任务标签：<OD> — 通用目标检测 <CAPTION> — 图像描述 <OPEN_VOCABULARY_DETECTION>类别 — 指定类别检测 <OCR> — 文字识别Qwen2.5-VL：标注质量审核 GroundingDINO 标注后，用 Qwen2.5-VL 批量审核： # 伪代码示例 for image, label in dataset: response = qwen_vl.chat( image=image, question="图中的标注框是否正确？是否有漏标？" ) if "错误" in response or "漏标" in response: flag_for_review(image)批量过滤低质量标注，减少人工检查量。 推荐工具：X-AnyLabeling X-AnyLabeling 是集成了上述模型的图形化标注工具： pip install x-anylabeling x-anylabeling内置 GroundingDINO、SAM2、YOLO 等模型，支持：点击即分割 批量自动预标注 导出 YOLO、COCO、VOC 格式标注流程建议 1. 用 GroundingDINO 批量预标注（自动化） 2. X-AnyLabeling 打开，批量审查明显错误 3. SAM2 对需要 Mask 的目标细化边界 4. Qwen2.5-VL 辅助审核复杂场景 5. 导出 YOLO 格式，开始训练第一轮训出小模型后，用模型自身的预测结果辅助后续标注，形成正向循环（主动学习）。
RTX 3060 Ti 能跑哪些 AI 模型：LLM、OCR、YOLO 全景
RTX 3060 Ti（8GB 显存）是个甜点卡，覆盖了 LLM 推理、YOLO 训练、OCR、图像生成等主要本地 AI 场景。 LLM 大语言模型 流畅运行（推荐） 量化后直接跑，速度可接受：模型 4bit 显存Qwen3-4B 2~3 GBQwen3-8B（4bit） 4~6 GBLlama 3.2 3B 2~3 GBGemma 3 4B 2~3 GB勉强可用Qwen3-14B（需要部分层卸载到 CPU） Llama 3.1 8B（长上下文时速度明显下降）不推荐Qwen3-32B、DeepSeek-R1 原版、70B 级模型——需要 24GB+ 显存或多卡。工具推荐：Ollama（最简单）、LM Studio（有 GUI）、vLLM（高吞吐推理）。 OCR工具 适用场景PaddleOCR / PP-OCRv5 中文、表格、票据，CPU 也能跑Surya 复杂文档，精度高EasyOCR 部署最简单Qwen2.5-VL-7B 复杂界面截图，可输出结构化 JSON对于包含布局和表格的文档，PaddleX 的 PP-StructureV3 可以直接输出 HTML 或 Excel。 YOLO + OCR 组合是工业自动化常见方案： 截图 → YOLO 找目标框 → PaddleOCR 读文字 → 业务逻辑这比直接上 VL 大模型快几十倍。 YOLO 训练型号 状态YOLOv8n / YOLO11n 完全没问题YOLOv8s / YOLO11s 完全没问题YOLOv8m / YOLO11m 可以，batch 调小YOLOv8l / YOLOv8x 较吃力，batch=1~2 或降图片尺寸自动标注：GroundingDINO + SAM2 GroundingSAM2 是最强的自动标注组合： 文字提示（"car", "person"） → GroundingDINO 找框 → SAM2 生成分割轮廓 → 自动生成标注文件优点：开放词汇检测，不需要重新训练类别。 各模型比较：模型 支持任意类别 自动标注质量GroundingSAM2 ✅ ⭐⭐⭐⭐⭐⭐GroundingDINO SwinB-QInt8 ✅ ⭐⭐⭐⭐⭐GroundingDINO SwinT-QInt8 ✅ ⭐⭐⭐⭐DEIMv2-DINOv3（COCO） ❌ 只支持训练类别 ⭐⭐⭐如果数据量很大（几万张），先用 SwinT 批量跑，再人工抽查修正。 多模态 VLMQwen2.5-VL-7B：图片问答、OCR、表格识别、UI 截图分析 Qwen2.5-VL-3B：更轻量，3060Ti 跑很轻松 MiniCPM-V 4.5：轻量多模态用途：图片问答、自动生成标注描述、分析网页截图。 图像生成Stable Diffusion 1.5 / SDXL（低分辨率）：512×512 很舒服 FLUX.1-dev：需要量化版，显存刚好够用语音Whisper：视频转字幕，中文效果强 CosyVoice / GPT-SoVITS：语音克隆，几秒样本就能复刻声线IndexedDB 中提取图片 如果标注数据存在浏览器 IndexedDB 里，可以用控制台导出： const req = indexedDB.open("数据库名");req.onsuccess = () => { const db = req.result; const store = db.transaction("Video2DImage", "readonly").objectStore("Video2DImage"); store.getAll().onsuccess = e => { e.target.result.forEach((item, i) => { const blob = item.image || item.data || item.blob; if (!blob) return; const url = URL.createObjectURL(blob); const a = document.createElement("a"); a.href = url; a.download = `${i}.jpg`; a.click(); setTimeout(() => URL.revokeObjectURL(url), 1000); }); }; };数量很多时建议用 JSZip 打包成 zip 后统一下载，避免浏览器拦截大量弹窗。 推荐配置（32GB 内存 + 3060Ti） Qwen3-8B → 代码助手、日常问答 Qwen2.5-VL-7B → 看图、OCR、标注辅助 Whisper large → 语音转文字 GroundingDINO + SAM2 → 自动标注 YOLO11s → 目标检测训练这套组合基本把 8GB 显存榨干，覆盖开发、标注、OCR、视觉分析全场景。
RTX 3060 Ti（8 GB）能跑哪些 AI 模型：LLM / VLM / YOLO 一览
RTX 3060 Ti 是老一代甜品卡（8 GB 显存 / 4864 CUDA 核心），本地跑 AI 到底能到什么程度？这里按类型拆开说，方便对号入座。 LLM 大语言模型 流畅运行（4bit 量化）模型 4bit 显存 3060 Ti 体验Qwen3 4B / Gemma 3 4B 2–3 GB 极快，长上下文也稳Llama 3.2 3B 2 GB 极快Qwen3 8B / Llama 3.1 8B 4–5 GB 舒服，20+ tok/s跑 8B 级别是最好的性价比——推理速度快、显存留够上下文、日常问答 / 代码补全都能用。 勉强能跑Qwen3 14B（4bit）：显存刚好 8 GB 附近，需要部分层卸载到 CPU Llama 3.1 8B + 长上下文（32K+）：KV cache 会顶到 6 GB+工具用 Ollama / LM Studio 会自动做 CPU 卸载，速度下降到 5-8 tok/s。 别指望Qwen3 32B、DeepSeek-R1 原版、Llama 3 70B 这些至少要 24 GB 显存 + 大量系统内存，多卡才舒服代码模型 3060 Ti 本地跑：Qwen3-Coder-8B（4bit） DeepSeek-Coder-V2-Lite（16B MoE 但激活参数少）Python / JS / Vue / PHP 补全够用，但和 Claude / GPT-4 差距还是明显。作为离线补全 + 隐私备份合适，做核心开发工具不推荐。 多模态（VL）模型 看图说话、OCR、UI 截图分析：Qwen2.5-VL 3B / 7B：3060 Ti 主力选择 MiniCPM-V 4.5：中文 OCR 强，端侧优化好 InternVL 2.5 4B用途：图片问答 表格图 → 结构化数据 UI 截图定位元素（配合自动化） PDF / 扫描件 OCRYOLO 训练 完全无压力YOLOv8n / YOLOv8s YOLO11n / YOLO11s YOLOv5s640×640 输入 + batch 16-32，一张 3060 Ti 单卡跑几千张数据集，几个小时收敛。 可以训练YOLOv8m / YOLO11m要压 batch 到 8 或者降图片尺寸。 吃力YOLOv8l / YOLOv8x：batch 1-2、图片 640 以下，能训但很慢 SAM / DINO 类分割模型：训练基本没戏，推理够呛Stable Diffusion / 文生图SD 1.5（512×512）：几秒一张，舒服 SDXL / SDXL Turbo（1024×1024）：能跑，但慢，需要开 --medvram Flux 1：显存不够，直接放弃配合 ControlNet、LoRA 会显著吃显存，SDXL + ControlNet 已经很紧。 OCR 跑 OCR 反而对显存要求低：PaddleOCR PP-OCRv5：中文强、CPU 也能跑，GPU 加速几百 QPS RapidOCR：更轻量，ONNX 部署 DocOwl / MinerU：文档结构化，需要 4-6 GB推荐的实用组合 一台 3060 Ti + 32 GB 内存的机器，日常跑这套刚刚好：用途 模型 工具日常聊天 / 代码 Qwen3-8B-Instruct (Q4) Ollama / LM Studio看图 / OCR Qwen2.5-VL 7B vLLM / LM Studio目标检测训练 YOLO11s Ultralytics出图 SD 1.5 + ControlNet ComfyUI / A1111转写字幕 Whisper Small / Medium faster-whisper八九不离十能覆盖个人开发者需求。 Ollama 一键跑 # 装 Ollama curl -fsSL https://ollama.com/install.sh | sh# 拉模型 ollama pull qwen3:8b ollama pull qwen2.5-vl:7b# 跑 ollama run qwen3:8bOllama 会自动挑合适量化、自动 GPU/CPU 分配、不用你操心。 一句话总结 3060 Ti 8GB 甜蜜点是 7B~8B 量化 LLM + 中等 YOLO 训练 + SD 1.5。想跑 14B+ 或 SDXL 就得砍上下文 / 出图速度。真要玩大模型，二手 3090 / 4090 才是更好投资。
Python from __future__ import annotations 详解：延迟求值与前向引用
它解决什么问题 Python 在解析函数签名时会立即对类型注解求值。如果类还没定义完就引用了自身，会抛 NameError： class Node: def __init__(self, next: Node = None): # NameError: name 'Node' is not defined self.next = next加上这一行就能解决： from __future__ import annotationsclass Node: def __init__(self, next: Node = None): # 正常 self.next = next原理是让 Python 把所有注解保存为字符串，不再立即解析。 核心效果 from __future__ import annotationsclass User: passdef get_user() -> User: return User()print(get_user.__annotations__) # {'return': 'User'} ← 字符串，不是 <class '__main__.User'>没有这行时，__annotations__ 里存的是实际类对象；有了这行，全部变成字符串，运行时不解析。 解决循环引用 from __future__ import annotationsclass A: def test(self, b: B) -> None: passclass B: def test(self, a: A) -> None: pass不加的话，定义 A 时 B 还不存在，报 NameError。 常见使用场景 FastAPI / Pydantic 模型互相引用： from __future__ import annotations from pydantic import BaseModelclass Article: author: Authorclass Author: articles: list[Article]SQLAlchemy ORM 关系： from __future__ import annotations from sqlalchemy.orm import Mapped, relationshipclass User(Base): posts: Mapped[list[Post]] = relationship()class Post(Base): user: Mapped[User] = relationship()这是 FastAPI、Pydantic、SQLAlchemy 等库的文件开头几乎都有这行的原因。 运行时获取实际类型 如果需要在运行时把字符串注解解析回真实类型，用 typing.get_type_hints()： from __future__ import annotations import typingclass Foo: def bar(self) -> Foo: return selfhints = typing.get_type_hints(Foo.bar) print(hints) # {'return': <class '__main__.Foo'>}get_type_hints() 会在运行时把字符串注解解析成真实类型。 Python 版本说明from __future__ import annotations 来自 PEP 563，Python 3.7 引入 PEP 563 原本计划在 Python 3.10 成为默认行为，后来推迟，至今（Python 3.12+）仍需显式导入 Python 3.10 引入了 X | Y 联合类型语法，可以写 int | None 代替 Optional[int]，但前向引用问题 from __future__ import annotations 仍是最简洁的解法一行导入，让注解写法更自由，是现代 Python 项目的常见约定。