技能介绍

解决什么问题

在计算机视觉项目中，开发者常面临模型选型与部署的重复劳动。无论是识别监控截图中的安全帽，还是分析生态照片中的植物，从头训练模型耗时且维护成本高。本技能旨在屏蔽底层模型调用的复杂性，通过统一接口提供二十余种图像识别能力，让开发者直接聚焦业务逻辑。

核心能力与工作流

该工具集覆盖丰富的视觉任务：

目标检测：日常物体、手机、电动自行车、火焰、香烟、行人、车辆及旋转目标检测。
细粒度识别：昆虫、植物、动物、鸟类、菜品及宠物情绪（输出 Angry/Happy/Relaxed/Sad）。
人体与姿态分析：人头人体、安全帽、反光衣检测及 17 点人体姿态估计。
通用图像分类：ImageNet 1000 类分类及覆盖 5 万多种物体的万物识别。

工作流上，大模型扮演路由层角色，负责理解意图并提取参数，API 调用交由代码执行：

密钥校验：首次使用时若未配置 XBY_APIKEY，系统会主动询问并保存。
意图路由：根据图片链接（dataUrl）或 Base64 编码（dataBase64），匹配 scripts.tools 下的函数。
参数提取与调用：提取图像参数，以关键字参数调用对应的检测或识别函数。
结果整理：将 API 返回的原始数据（检测框、置信度、标签）结构化展示。

适用边界与注意点

使用时需注意几个工程细节。首先，强依赖 API 密钥，未获取有效密钥时不会猜测或编造，而是强制要求补全配置。其次，图像输入严格区分 URL 与 Base64，需确保路由到正确的变体函数（如 *_for_data_base64）。最后，旋转目标检测等特定任务支持的类别（如 15 类遥感目标）是预定义的，对接非标场景时需提前确认模型能力边界。