openakita-skills-image-understanding

name: openakita/skills@image-understanding description: Analyze images using Dashscope (Qwen) Vision models for detailed description, OCR text extraction, object recognition, and visual Q&A. Use when the user needs to understand image content via Alibaba Cloud Dashscope API, especially for Chinese-language image analysis and documents. license: MIT metadata: author: openakita version: "1.0.0"

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

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

故障排除

运行 python scripts/image_understanding.py --help 查看完整帮助