Skip to main content
APIYI は強力な画像理解機能を提供し、さまざまな高度な AI モデルを使用して画像の詳細な分析と理解をサポートします。統一された OpenAI API 形式を通じて、画像認識、シーン説明、OCR 文字認識、その他の機能を簡単に実装できます。
🔍 インテリジェントなビジュアル分析 オブジェクト認識、シーン理解、テキスト抽出、感情分析など、さまざまなビジュアルタスクをサポートし、AI が画像を真に「理解」できるようにします。

🌟 コア機能

  • 🎯 マルチモデル対応: Gemini 3、GPT-5、Claude 4 シリーズなどのトップクラスのマルチモーダルモデルに対応
  • 📸 柔軟な入力: URL リンクと Base64 エンコードされた画像をサポート
  • 🌏 中国語最適化: 中国語のシーン理解とテキスト認識に完全対応
  • ⚡ 高速応答: 秒単位で結果を返す高性能推論
  • 💰 コスト管理: さまざまな予算要件に対応できる複数のモデル विकल्प

📋 対応するVisionモデル

以下は、現在の主要なマルチモーダル推奨モデルです。モデルIDは新しいリリースで変更される場合があります — 常にコンソールを優先してください。
現在、多くのチャットモデルがマルチモーダルの画像入力をサポートしています: 上の表は一般的な推奨モデルを示しているもので、全一覧ではありません。GPT-5、Gemini 3、Claude 4シリーズ、Grok 4、Qwen、GLM、Kimi などの主要モデルは、ほとんどが画像入力に対応しています。

🚀 クイックスタート

1. 基本例 - 画像URL

2. ローカル画像の例 - Base64エンコード

3. 上級例 - 複数画像比較

4. cURL の例(コマンドライン)

画像URL方式:
ローカル画像の Base64 方式(画像を Base64 にエンコードしてから、リクエストボディに埋め込みます):
信頼性のために Base64 アップロードを推奨します: 画像URL方式では、サーバーがまず画像をリアルタイムでダウンロードする必要があります。画像ホストの応答が遅い場合やアクセス制限がある場合、ダウンロードに失敗します。Base64 は画像データをリクエストボディに直接埋め込むため、外部ダウンロードに依存せず、より安定しています。どちらの方法も公式にサポートされています。Base64 は元の画像サイズの約 1.33 倍になるため、エンコード前に大きな画像を圧縮することを検討してください。

5. よくあるエラー: 画像 URL ダウンロードのタイムアウト

画像 URL 方式を使用すると、次のようなエラーが発生することがあります:
これは、サーバーが URL から画像をダウンロードしている途中でタイムアウトしたことを意味します。モデル、API キー、またはクォータとは関係ありません。主な原因は次のとおりです。
  1. 画像ホスト / オリジンサーバーの応答が遅い、または特定のネットワーク地域に対して相性が悪い
  2. 画像が大きすぎて、ダウンロードが制限時間を超えてしまう
  3. URL にホットリンク保護がある、ログインが必要、または公開された直接リンクではない
解決策:
  • Base64(data URI)アップロードに切り替える(推奨、上の例 2 を参照)- 画像データをリクエスト本文に直接送信するため、ダウンロード処理を完全に回避でき、最も安定した方法です
  • より高速で、公開アクセス可能な画像の直接リンクを使用する
  • 画像を圧縮して再試行する

6. よくあるエラー: invalid base64 data(Base64 フィールドに URL を誤って入れている)

次のような 400 エラーを受け取った場合(ここでは Claudeシリーズ の文言を示しています。ほかのモデル系列では少し表現が異なりますが、重要な特徴は invalid base64 data です):
これは通常、画像 URL を data URI の Base64 データ欄に貼り付けてしまっていることを意味します:
data:image/...;base64, プレフィックスの後ろに続く内容は、画像リンクではなく、その画像ファイル自体を Base64 エンコードした内容でなければなりません。URL 方式と Base64 方式は、画像を渡すための相互に排他的な 2 つの方法であり、混在させることはできません。よくある原因は、クライアントコードが常に data URI の連結経路を通るため、リモートの画像 URL まで連結してしまうことです。 正しい使い方を並べて比較すると:
セルフチェック: 送信前に画像ソースで判断してください。文字列が http で始まるなら URL 方式を使い、それ以外の場合のみ Base64 エンコードして data URI を構築します。また、有効な Base64 文字列には ://? のような文字は含まれません。base64, の後ろにそれらが見える場合は、リンクがほぼ確実に連結されています。

7. 宣言されたメディアタイプが実際の画像形式と一致しないときのよくあるエラー

次のような 400 エラーを受け取った場合(重要なシグネチャは The image was specified using the image/png media type, but the image appears to be a image/jpeg image です):
意味: このエラーは上流のモデルサービスの入力検証から発生しています(例の Bedrock Runtime: InvokeModel, ValidationException は、リクエストが Claude 系の上流チャネルに到達し、パラメータ検証の段階で拒否されたことを示しています)。メッセージはかなり文字どおりの意味です:
  • data URI が画像を PNG として 宣言しているdata:image/png;base64,...
  • しかし Base64 をデコードした後、上流はファイルヘッダー(マジックバイト)を確認し、実際の内容は JPEG だと判断した
  • 宣言と内容が不一致 → 400。Base64 エンコード自体は問題ありません。間違っているのはプレフィックス内のメディアタイプです
よくある原因:
  1. ファイル拡張子から MIME タイプを推測したが、その拡張子が嘘だった — ファイル名は xxx.png でも、実際は拡張子だけを付け替えた JPEG です(ダウンロードツール、チャットアプリ、スクリーンショットツールはどれもこれを行います)
  2. クライアントコードで image/png(または image/jpeg)をハードコード しており、すべての画像に形式に関係なく同じプレフィックスを付けている
  3. 画像が処理パイプラインを通る間に形式が変わったのに、ファイル名はそのままだった
修正方法: 拡張子を信用せず、data URI を組み立てる前にファイルのマジックバイトから本当の MIME タイプを判定してください:
あるいは、PIL で再エンコードしてください。これなら 1 回で宣言と内容の一致を保証でき、途中で圧縮したり、変なフレームを除去したりすることもできます:
自己確認: file xxx.png(macOS / Linux のコマンドライン)なら、1 秒でファイルの本当の形式を確認できます。Python では、Image.open(path).format でも同じことができます。モデルシリーズごとにメディアタイプの検証の厳しさは異なり、緩く通すものもあれば、Claude シリーズ(特に Bedrock チャネル経由)が最も厳格です。宣言が常に内容と一致するようにコードを書いておけば、どのモデルでも安全です。
GPT-5 シリーズのパラメータ差分: 例を gpt-5.5 / gpt-5.4 のような GPT-5 シリーズモデルに切り替える場合は、次の点に注意してください:
  1. max_tokens の代わりに max_completion_tokens を使います
  2. temperature1 のみをサポートします(デフォルトのままにして、他の値は渡さないでください)
  3. top_p パラメータは渡さないでください
Gemini と Claude シリーズにはそのような制限はなく、max_tokenstemperature などでも通常どおり動作します。

🎯 よくあるユースケース

1. 製品認識と分析

2. 文書OCR認識

3. 医療画像支援

4. セキュリティ監視分析

💡 ベストプラクティス

画像前処理の推奨事項

  1. 形式のサポート: JPEG、PNG、GIF、WebP などの一般的な形式
  2. サイズ上限: 1枚あたり20MB未満を推奨
  3. 解像度: 高解像度の画像ほど認識精度が向上します
  4. 圧縮: 転送速度を改善するために適度に圧縮します

プロンプト最適化

エラーハンドリング

🔧 高度な機能

1. ストリーミング出力

長時間かかる分析では、ストリーミング出力のほうがユーザー体験が向上します:

2. マルチターン会話

詳細な分析でもコンテキストを維持します:

3. Function Calling と組み合わせる

📊 パフォーマンス比較

🚨 重要な注意事項

  1. プライバシー保護: 機密情報を含む画像はアップロードしないでください
  2. コンプライアンスに準拠した利用: 関連法規を遵守し、違法な目的には使用しないでください
  3. 結果の検証: AI の分析結果は参考情報にすぎません。重要な判断には手動での確認が必要です
  4. コスト管理: 不要な費用を避けるため、モデルは適切に選択してください

🔗 関連リソース

💡 ヒント: まずは Gemini 3.5 Flash や Gemini 2.5 Flash のようなコスト効率の高いモデルでテストし、その後、品質を確認できたら本番環境では Gemini 3.1 Pro や GPT-5.5 のような高度なモデルに切り替えてください。利用可能なモデルの詳細は、人気モデルまたはコンソールのモデル一覧をご覧ください。