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

1. 访问 Dashscope 控制台
2. 创建账号并开通服务
3. 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