openakita 图片理解技能 (Image Understanding)
使用 Dashscope（通义千问） 视觉模型分析图片，支持详细描述、OCR文字提取、物体识别和图片问答。
简介
图片理解技能是一个强大的视觉分析工具，通过调用 Dashscope（阿里云通义千问）的视觉大模型（qwen-vl-plus、qwen-vl-max），让 AI 能够理解和分析图像内容。
核心功能：
- 🖼️ 图片内容详细描述
- 🔤 文字提取（OCR）
- 🎯 物体识别
- 💬 图片问答
使用场景
📄 文档处理
- 会议白板照片转文字
- 纸质文档扫描识别
- 手写笔记数字化
🛒 工作应用
- 产品图片分析
- 竞品图片提取信息
- 图表数据解读
💬 图片问答
- 针对图片提问获取答案
- 理解复杂场景细节
- 技术图纸逻辑分析
环境配置
1️⃣ 安装依赖
pip install requests
2️⃣ 获取 Dashscope API Key
- 访问 Dashscope 控制台
- 创建账号并开通服务
- 创建 API Key
3️⃣ 配置 API Key
# 方式一：环境变量（推荐）
set DASHSCOPE_API_KEY=sk-your-api-key-here
# 方式二：运行时传入（见下方）
使用方法
基本命令
python scripts/image_understanding.py -i 图片路径 [选项]
常用参数
| 参数 | 说明 |
|---|---|
-i, --image |
必填 图片路径或URL |
-m, --model |
模型选择：qwen-vl-plus(默认) 或 qwen-vl-max |
-p, --custom-prompt |
自定义分析提示词 |
-e, --extract-text |
提取文字(OCR) |
-o, --identify-objects |
识别物体 |
--compact |
输出紧凑JSON |
使用示例
# 1. 基本描述（默认）
python scripts/image_understanding.py -i photo.jpg
# 2. 提取文字
python scripts/image_understanding.py -i screenshot.png -e
# 3. 识别物体
python scripts/image_understanding.py -i photo.jpg -o
# 4. 自定义问答
python scripts/image_understanding.py -i photo.jpg -p "这个产品多少钱？"
# 5. 使用更强的模型
python scripts/image_understanding.py -i photo.jpg -m qwen-vl-max
# 6. 网络图片
python scripts/image_understanding.py -i "https://example.com/image.png" -e
# 7. 设置API Key后运行
set DASHSCOPE_API_KEY=sk-xxx
python scripts/image_understanding.py -i photo.jpg
最佳实践
📸 图片质量
- 确保图片清晰、亮度充足
- 文字图片分辨率不低于 640x640
- 避免模糊或过暗的图片
💡 提示词技巧
- 使用具体、明确的指令
- 指定关注点（如"重点关注价格标签"）
- 多语言场景可混合中英文
✅ 结果验证
- 重要信息建议人工复核
- 涉及专业领域需专家确认
- 妥善保存原始图片和分析结果
API 配置
| 配置项 | 值 |
|---|---|
| 服务商 | Dashscope (通义千问) |
| 默认模型 | qwen-vl-plus |
| 高级模型 | qwen-vl-max |
| API Base | https://dashscope.aliyuncs.com/compatible-mode/v1 |
| 环境变量 | DASHSCOPE_API_KEY |
故障排除
| 问题 | 解决方案 |
|---|---|
| API Key 错误 | 检查 DASHSCOPE_API_KEY 是否正确 |
| 图片格式不支持 | 使用 PNG/JPG/GIF/WEBP/BMP 格式 |
| 网络超时 | 检查网络连接，尝试使用代理 |
| 识别不准确 | 提高图片质量，添加更详细的提示词 |
运行 python scripts/image_understanding.py --help 查看完整帮助