图片理解技能 (Image Understander)
📋 概述
一个基于 OpenAI GPT-4 Vision 的图片理解工具，支持图片描述、文字识别(OCR)、物体识别和图片问答。
🚀 功能
| 功能 | 命令 | 说明 |
|---|---|---|
| 图片描述 | -m describe | 详细描述图片内容 |
| 文字提取 | -m ocr | 提取图片中的所有文字 |
| 物体识别 | -m objects | 识别并列出图片中的物体 |
| 图片问答 | -m qa | 针对图片回答问题 |
📦 安装
# 安装依赖
pip install openai pillow requests🔧 配置
方式一：环境变量
set OPENAI_API_KEY=sk-your-api-key-here方式二：命令行传入
python scripts/main.py -i photo.jpg -a sk-your-key📖 使用方法
基本使用
# 描述图片
python scripts/main.py -i photo.jpg -m describe
# 提取文字（OCR）
python scripts/main.py -i screenshot.png -m ocr
# 识别物体
python scripts/main.py -i photo.jpg -m objects
# 图片问答
python scripts/main.py -i photo.jpg -m qa -q "这个图片里有什么？"完整参数
python scripts/main.py \
--image PATH_TO_IMAGE \
--mode describe|ocr|objects|qa \
--api-key YOUR_API_KEY \
--prompt "你的问题" \
--output OUTPUT.json \
--verbose📁 输出示例
{
"mode": "describe",
"image": "photo.jpg",
"result": "A beautiful sunset over the ocean with orange and purple sky...",
"objects": [],
"text": ""
}⚠️ 注意事项
- 需要 OpenAI API Key（支持 GPT-4 Vision）
- 支持的图片格式：PNG、JPG、GIF、BMP
- 图片大小建议小于 20MB