85 lines
1.9 KiB
Markdown
85 lines
1.9 KiB
Markdown
---
|
||
name: openakita/skills@image-understander
|
||
description: Analyze images using GPT-4 Vision. Supports image description, OCR text extraction, object recognition, and visual Q&A. When you need to understand image content using OpenAI GPT-4 Vision API.
|
||
---
|
||
|
||
# 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
|