Vision

Vision Grounding Extractor

该 skill 用火山方舟视觉定位能力，根据“图片绝对地址 + 提示词”定位目标区域，裁剪后输出二值化纯黑白图片。

输入

只需要两个输入：

1. 图片绝对地址
2. 提示词

输出

返回最终生成的二值化图片绝对地址。

输出图片默认保存在原图片同目录，文件名为：

<原文件名>_<时间戳>_binary.png

使用方式

命令行调用：

python .\skills\vision\vision_grounding.py "C:\Users\杨佳宁\Desktop\compasser\test_data\image.png" "将第二题涉及的波形图提取出来"

Python / Tool 调用：

from skills.vision.vision_grounding import main

output_path = main(
    r"C:\Users\杨佳宁\Desktop\compasser\test_data\image.png",
    "将第二题涉及的波形图提取出来",
    r"C:\Users\杨佳宁\Desktop\compasser\config\config.py",  # 可选，不传则使用默认配置
)
print(output_path)

该文件作为 agent 工具时，入口函数为 main(image_abs_path: str, prompt: str, config_abs_path: str | None = None) -> str，返回最终生成的二值化图片绝对地址。config_abs_path 可选，不传时使用项目默认 config/config.py。

固定行为

以下参数固定，不对外动态设置：

• 配置文件：可传入自定义配置文件绝对地址；不传时自动读取项目 config/config.py
• 输出目录：原图片所在目录
• 输出命名：原文件名 + UUID + _binary.png
• 图片压缩：内部自动处理
• 裁剪外扩：模型返回区域上下左右各外扩 10%
• 输出处理：最终图片自动二值化为纯黑白图片

工作流程

1. 读取传入的配置文件；未传入时读取 config/config.py 中的 model_name、base_url、apikey。
2. 自动压缩输入图片并提交给火山方舟视觉定位接口。
3. 根据提示词获取 <bbox>x1 y1 x2 y2</bbox>。
4. 将 1000x1000 归一化坐标映射回原图像素坐标。
5. 对定位框上下左右各外扩 10%。
6. 裁剪原图并进行二值化。
7. 将结果保存到原图同目录，并返回输出图片绝对地址。