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

bash
# 安装依赖
pip install openai pillow requests

🔧 配置

方式一：环境变量

bash
set OPENAI_API_KEY=sk-your-api-key-here

方式二：命令行传入

bash
python scripts/main.py -i photo.jpg -a sk-your-key

📖 使用方法

基本使用

bash
# 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

bash
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

json
{
  "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