图像理解（识图）API - API易文档中心

API易提供强大的图像理解能力，支持使用多种先进的 AI 模型对图像进行深度分析和理解。通过统一的 OpenAI API 格式，您可以轻松实现图像识别、场景描述、OCR 文字识别等功能。

🔍 智能视觉分析
支持对象识别、场景理解、文字提取、情感分析等多种视觉任务，让 AI 真正”看懂”图片。

🌟 核心特性

🎯 多模型支持：Gemini 3 系列、GPT-5 系列、Claude 4 系列等顶级多模态模型
📸 灵活输入：支持 URL 链接和 Base64 编码图片
🌏 中文优化：完美支持中文场景理解和文字识别
⚡ 快速响应：高性能推理，秒级返回结果
💰 成本可控：多种模型选择，满足不同预算需求

📋 支持的视觉模型

以下为当前主流的多模态模型推荐，模型 ID 可能随版本更新，请以控制台为准。

模型名称	模型 ID	特点	推荐场景
Gemini 3.1 Pro Preview ⭐	`gemini-3.1-pro-preview`	最强多模态推理，细节丰富	复杂图像/场景分析
Gemini 3.5 Flash 🔥	`gemini-3.5-flash`	速度快、价格低，性价比之王	实时识图、批量处理
GPT-5.5 ⭐	`gpt-5.5`	综合视觉理解强，稳定可靠	通用图像理解
Claude Opus 4.7	`claude-opus-4-7`	理解深入，描述精准	专业图文分析
Claude Sonnet 4.6	`claude-sonnet-4-6`	性能媲美 Opus，性价比高	高性价比识图
GPT-4o	`gpt-4o`	经典多模态，成熟稳定	通用场景
Gemini 2.5 Flash	`gemini-2.5-flash`	超快超便宜，正式版	大批量简单识图

绝大多数对话模型现已支持多模态识图：上表仅为常用推荐，并非全部。GPT-5 系列、Gemini 3 系列、Claude 4 系列、Grok 4、Qwen、GLM、Kimi 等主流模型大多已支持图像输入。

📚 完整模型清单与特点对比：当下热门模型（保持更新）
🔗 实时模型列表与价格：API易控制台定价页面（以控制台显示是否支持视觉为准）

🚀 快速开始

1. 基础示例 - 图片 URL

import requests

url = "https://api.apiyi.com/v1/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "gpt-5.5",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "请详细描述这张图片的内容"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/image.jpg"
                    }
                }
            ]
        }
    ]
}

response = requests.post(url, headers=headers, json=payload)
result = response.json()
print(result['choices'][0]['message']['content'])

2. 本地图片示例 - Base64 编码

import base64
import requests

def image_to_base64(image_path):
    """将本地图片转换为 base64 编码"""
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode('utf-8')

# 读取本地图片
base64_image = image_to_base64("path/to/your/image.jpg")

url = "https://api.apiyi.com/v1/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "分析这张图片中的所有文字内容"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/jpeg;base64,{base64_image}"
                    }
                }
            ]
        }
    ]
}

response = requests.post(url, headers=headers, json=payload)
print(response.json()['choices'][0]['message']['content'])

3. 高级示例 - 多图对比分析

import requests

url = "https://api.apiyi.com/v1/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请对比这两张图片的差异："},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/image1.jpg"}
                },
                {
                    "type": "image_url", 
                    "image_url": {"url": "https://example.com/image2.jpg"}
                }
            ]
        }
    ],
    "max_tokens": 1000
}

response = requests.post(url, headers=headers, json=payload)
print(response.json()['choices'][0]['message']['content'])

4. cURL 示例（命令行）

图片 URL 方式：

curl https://api.apiyi.com/v1/chat/completions \
  -H "Authorization: Bearer $APIYI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.1-pro-preview",
    "messages": [
      {
        "role": "user",
        "content": [
          { "type": "text", "text": "请详细描述这张图片的内容" },
          { "type": "image_url", "image_url": { "url": "https://example.com/image.jpg" } }
        ]
      }
    ]
  }'

本地图片 Base64 方式（先把图片编码成 Base64 再拼进请求体）：

# 1. 将本地图片转为 base64（macOS / Linux）
BASE64_IMAGE=$(base64 -i path/to/your/image.jpg | tr -d '\n')

# 2. 通过 data URI 传入图片内容
curl https://api.apiyi.com/v1/chat/completions \
  -H "Authorization: Bearer $APIYI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.5",
    "messages": [
      {
        "role": "user",
        "content": [
          { "type": "text", "text": "分析这张图片中的所有文字内容" },
          { "type": "image_url", "image_url": { "url": "data:image/jpeg;base64,'"$BASE64_IMAGE"'" } }
        ]
      }
    ]
  }'

Base64 体积约为原图的 1.33 倍，大图建议优先用图片 URL 方式以减小请求体、加快响应。

GPT-5 系列参数差异：若把示例中的模型换成 gpt-5.5 / gpt-5.4 等 GPT-5 系列，请注意：

用 max_completion_tokens 替代 max_tokens
temperature 只支持 1（默认即可，不要传其它值）
不要传 top_p 参数

Gemini、Claude 系列则无此限制，可正常使用 max_tokens、temperature 等参数。

🎯 常见应用场景

1. 商品识别与分析

prompt = """
请分析这张商品图片，包括：
1. 商品类型和品牌
2. 主要特征和卖点
3. 适合的目标用户
4. 建议的营销文案
"""

2. 文档 OCR 识别

prompt = """
请提取图片中的所有文字内容，并按照原始格式整理输出。
如果有表格，请用 Markdown 表格格式呈现。
"""

3. 医学影像辅助分析

prompt = """
这是一张医学影像图片，请：
1. 描述图像的基本信息（如成像类型、部位等）
2. 标注可见的解剖结构
3. 注意：仅供参考，不作为诊断依据
"""

4. 安全监控场景分析

prompt = """
分析监控画面，识别：
1. 场景中的人数和位置
2. 是否有异常行为
3. 环境安全隐患
4. 时间戳信息（如果可见）
"""

💡 最佳实践

图片预处理建议

格式支持：JPEG、PNG、GIF、WebP 等主流格式
大小限制：建议单张图片不超过 20MB
分辨率：高分辨率图片会获得更好的识别效果
压缩优化：适度压缩以提高传输速度

提示词优化

# ❌ 不推荐：模糊的提示
prompt = "看看这是什么"

# ✅ 推荐：具体明确的提示
prompt = """
请从以下几个方面分析这张图片：
1. 主要对象：识别图片中的主要物体或人物
2. 场景环境：描述拍摄地点和环境特征
3. 色彩构图：分析配色方案和构图特点
4. 情感氛围：图片传达的情绪或氛围
5. 可能用途：这张图片适合用于什么场景
"""

错误处理

import requests
from requests.exceptions import RequestException

def analyze_image_with_retry(image_url, prompt, max_retries=3):
    """带重试机制的图像分析函数"""
    for attempt in range(max_retries):
        try:
            response = requests.post(
                "https://api.apiyi.com/v1/chat/completions",
                headers={
                    "Authorization": f"Bearer {API_KEY}",
                    "Content-Type": "application/json"
                },
                json={
                    "model": "gpt-5.5",
                    "messages": [{
                        "role": "user",
                        "content": [
                            {"type": "text", "text": prompt},
                            {"type": "image_url", "image_url": {"url": image_url}}
                        ]
                    }]
                },
                timeout=30
            )
            
            if response.status_code == 200:
                return response.json()
            elif response.status_code == 429:
                print(f"速率限制，等待后重试... (尝试 {attempt + 1}/{max_retries})")
                time.sleep(2 ** attempt)  # 指数退避
            else:
                print(f"错误: {response.status_code} - {response.text}")
                
        except RequestException as e:
            print(f"请求异常: {e}")
            
    return None

🔧 高级功能

1. 流式输出

对于长篇分析，可以使用流式输出获得更好的用户体验：

payload = {
    "model": "gpt-5.5",
    "messages": [...],
    "stream": True
}

response = requests.post(url, headers=headers, json=payload, stream=True)
for line in response.iter_lines():
    if line:
        print(line.decode('utf-8'))

2. 多轮对话

保持上下文进行深入分析：

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "这是什么动物？"},
            {"type": "image_url", "image_url": {"url": "animal.jpg"}}
        ]
    },
    {
        "role": "assistant",
        "content": "这是一只金毛寻回犬。"
    },
    {
        "role": "user",
        "content": [{"type": "text", "text": "它看起来多大了？健康状况如何？"}]
    }
]

3. 结合函数调用

tools = [
    {
        "type": "function",
        "function": {
            "name": "save_image_analysis",
            "description": "保存图像分析结果到数据库",
            "parameters": {
                "type": "object",
                "properties": {
                    "objects": {"type": "array", "items": {"type": "string"}},
                    "scene": {"type": "string"},
                    "text_content": {"type": "string"}
                }
            }
        }
    }
]

payload = {
    "model": "gpt-5.5",
    "messages": messages,
    "tools": tools,
    "tool_choice": "auto"
}

📊 性能对比

模型	响应速度	识别准确度	中文支持	价格
Gemini 3.1 Pro Preview	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	$$
Gemini 3.5 Flash	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	$
GPT-5.5	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	$$
Claude Sonnet 4.6	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	$$
Gemini 2.5 Flash	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	$

🚨 注意事项

隐私保护：不要上传包含敏感信息的图片
合规使用：遵守相关法律法规，不用于非法用途
结果验证：AI 分析结果仅供参考，重要决策需人工复核
成本控制：合理选择模型，避免不必要的开销

🔗 相关资源

💡 小贴士：建议先使用 Gemini 3.5 Flash 或 Gemini 2.5 Flash 等高性价比模型进行测试，确认效果后再切换到 Gemini 3.1 Pro、GPT-5.5 等高级模型进行生产部署。更多可用模型请查看当下热门模型或控制台模型列表。

​🌟 核心特性

​📋 支持的视觉模型

​🚀 快速开始

​1. 基础示例 - 图片 URL

​2. 本地图片示例 - Base64 编码

​3. 高级示例 - 多图对比分析

​4. cURL 示例（命令行）

​🎯 常见应用场景

​1. 商品识别与分析

​2. 文档 OCR 识别

​3. 医学影像辅助分析

​4. 安全监控场景分析

​💡 最佳实践

​图片预处理建议

​提示词优化

​错误处理

​🔧 高级功能

​1. 流式输出

​2. 多轮对话

​3. 结合函数调用

​📊 性能对比

​🚨 注意事项

​🔗 相关资源

🌟 核心特性

📋 支持的视觉模型

🚀 快速开始

1. 基础示例 - 图片 URL

2. 本地图片示例 - Base64 编码

3. 高级示例 - 多图对比分析

4. cURL 示例（命令行）

🎯 常见应用场景

1. 商品识别与分析

2. 文档 OCR 识别

3. 医学影像辅助分析

4. 安全监控场景分析

💡 最佳实践

图片预处理建议

提示词优化

错误处理

🔧 高级功能

1. 流式输出

2. 多轮对话

3. 结合函数调用

📊 性能对比

🚨 注意事项

🔗 相关资源