用途：在 FiftyOne 中以二维嵌入空间可视化数据集，探索数据结构、发现聚类、识别离群点，并对比真实标签与模型预测。
主要能力：借助 brain 插件的算子完成嵌入计算与降维。compute_similarity 生成嵌入（可选模型如 clip-vit-base32-torch、dinov2-vits14-torch、resnet50-imagenet-torch、mobilenet-v2-imagenet-torch），compute_visualization 将嵌入降到 2D/3D，支持 umap、tsne、pca；compute_uniqueness 计算唯一性分数用于离群检测，sort_by_similarity 按相似度排序。可视化结果在 FiftyOne App 的 Embeddings 面板中查看，可按字段着色、点选或套索选择样本。
使用方式：先 set_context(dataset_name="my-dataset") 设置数据集，再 launch_app() 启动应用并等待 5-10 秒初始化（brain 算子为委托算子，需应用执行器）。用 list_operators(builtin_only=False) 与 get_operator_schema(operator_uri=...) 动态发现算子及参数。若缺少 brain 插件，用 download_plugin(url_or_repo="voxel51/fiftyone-plugins", plugin_names=["@voxel51/brain"]) 和 enable_plugin(plugin_name="@voxel51/brain") 安装启用。计算嵌入示例参数包含 brain_key、model、embeddings、backend="sklearn"、metric。之后调用 compute_visualization，传入 brain_key 与 embeddings 字段、method、num_dims=2。完成后打开 http://localhost:5151/ 的 Embeddings 面板，选择对应 brain_key。结束时 close_app()。
适用场景：基础数据集探索、离群点查找、类别在嵌入空间的分布对比、模型预测与真实标签对比、使用 t-SNE 生成局部结构更好的图。
限制与注意：UMAP 需要 umap-learn>=0.5，未安装可改用 tsne 或 pca。需先计算嵌入再可视化；brain_key 需在 compute_similarity 与 compute_visualization 间保持一致。不要用 set_view(exists=["brain_key"]) 过滤样本。大数据集较慢（如 UMAP 对 1 万样本约 30 秒，t-SNE 约 5-10 分钟），可先 set_view(limit=1000) 处理子集或改用更快的模型。文档未提供具体收费与价格信息。