axiom-vision

计算机视觉

使用 Vision 框架进行任何计算机视觉工作时，都必须使用此技能。

快速参考

症状 / 任务	参考
主体分割、提取	参见 skills/vision-framework.md
手部 / 身体姿势检测	参见 skills/vision-framework.md
文本识别（OCR）	参见 skills/vision-framework.md
条形码 / QR 码检测	参见 skills/vision-framework.md
文档扫描	参见 skills/vision-framework.md
DataScannerViewController	参见 skills/vision-framework.md
结构化文档提取（iOS 26+）	参见 skills/vision-framework.md
隔离物体并排除手部	参见 skills/vision-framework.md
点按分割任意物体 OS27	参见 skills/vision-ref.md
在 watchOS 上使用 Vision watchOS27	参见 skills/vision-ref.md
Foundation Models 的 Vision 工具（BarcodeReaderTool、OCRTool）OS27	参见 skills/vision-ref.md
Vision 框架 API 参考	参见 skills/vision-ref.md
Visual Intelligence 集成（iOS 26+、iPadOS27/macOS27）	参见 skills/vision-ref.md
敏感内容分类（裸露 / 血腥 / 暴力），通过 detectedTypes 分类（OS27）	参见 skills/vision-ref.md
在图库中将人脸分组 / 聚类为人物，生成视频精彩片段 / 关键帧（OS27）	改用 axiom-media（skills/media-intelligence.md）——MediaIntelligence 会对身份进行聚类；Vision 会检测单张图像中的人脸
未检测到主体	参见 skills/vision-diag.md
手部 / 身体姿势缺少关键点	参见 skills/vision-diag.md
观测结果置信度低	参见 skills/vision-diag.md
处理期间 UI 冻结	参见 skills/vision-diag.md
坐标转换错误	参见 skills/vision-diag.md
未识别文本 / 字符错误	参见 skills/vision-diag.md
未检测到条形码	参见 skills/vision-diag.md
DataScanner 画面空白 / 无项目	参见 skills/vision-diag.md
未检测到文档边缘	参见 skills/vision-diag.md

决策树

digraph vision {
    start [label="Computer vision task" shape=ellipse];
    what [label="What do you need?" shape=diamond];

    start -> what;
    what -> "skills/vision-framework.md" [label="implement feature"];
    what -> "skills/vision-ref.md" [label="API reference"];
    what -> "skills/vision-ref.md" [label="Visual Intelligence"];
    what -> "skills/vision-ref.md" [label="tap-to-segment / watchOS / FM tools (27)"];
    what -> "skills/vision-diag.md" [label="something broken"];
}

1. 正在实现（姿势、分割、OCR、条形码、文档、实时扫描）？→ skills/vision-framework.md
2. Visual Intelligence 系统集成（相机 / 截图搜索；iOS 26+、iPadOS27/macOS27）？→ skills/vision-ref.md（Visual Intelligence 部分）
3. 点按分割、在 watchOS 上使用 Vision，或使用 Foundation Models 的 Vision 工具（27 周期）？→ skills/vision-ref.md
4. 需要 API 参考 / 代码示例？→ skills/vision-ref.md
5. 正在调试问题（检测失败、置信度、坐标）？→ skills/vision-diag.md

关键模式

实现（skills/vision-framework.md）：

• 选择合适 Vision API 的决策树
• 使用 VisionKit 进行主体分割
• 隔离物体并排除手部（组合使用多个 API）
• 手部 / 身体姿势检测（21 / 19 个关键点）
• 文本识别（快速与准确模式）
• 通过选择符号类型检测条形码
• 文档扫描和结构化提取（iOS 26+）
• 使用 DataScannerViewController 进行实时扫描
• CoreImage HDR 合成

诊断（skills/vision-diag.md）：

• 主体检测失败（画面边缘、光线）
• 关键点跟踪问题（置信度阈值）
• 性能优化（跳帧、缩小尺寸）
• 坐标转换（左下角与左上角原点）
• 文本识别失败（语言、对比度）
• 条形码检测问题（符号类型、尺寸、眩光）
• DataScanner 故障排查（可用性、数据类型）

防止自我合理化

想法	实际情况
“Vision 框架不过是请求／处理器模式”	Vision 还涉及坐标转换、置信度阈值和性能方面的注意事项。vision-framework.md 涵盖了这些内容。
“不用这个技能，我也能处理文本识别”	VNRecognizeTextRequest 有快速／准确模式和针对特定语言的设置。vision-framework.md 提供了相关模式。
“主体分割很简单”	实例蒙版涉及 HDR 合成和排除手部的模式。vision-framework.md 涵盖了复杂场景。
“Visual Intelligence 不过是相机 API”	Visual Intelligence 是系统级功能，需要 IntentValueQuery 和 SemanticContentDescriptor。vision-ref.md 中有集成部分。
“我直接在主线程上处理就行”	在较旧设备上，Vision 会阻塞 UI。iPhone 12 用户会遇到应用卡死。花 15 分钟添加后台队列即可。

示例调用

用户：“如何检测图像中的手部姿势？” → 参见 skills/vision-framework.md

用户：“分割出主体，但排除用户的手” → 参见 skills/vision-framework.md

用户：“如何读取图像中的文字？” → 参见 skills/vision-framework.md

用户：“用相机扫描 QR 码” → 参见 skills/vision-framework.md

用户：“主体检测无法正常工作” → 参见 skills/vision-diag.md

用户：“文本识别返回了错误字符” → 参见 skills/vision-diag.md

用户：“给我看看 VNDetectHumanBodyPoseRequest 示例” → 参见 skills/vision-ref.md

用户：“如何让我的应用支持 Visual Intelligence？” → 参见 skills/vision-ref.md

用户：“让用户轻点照片中的对象并将其抠出” → 参见 skills/vision-ref.md（迭代式分割）

用户：“我能在 watchOS 应用中使用 Vision 吗？” → 参见 skills/vision-ref.md（watchOS 上的 Vision）

用户：“RecognizeDocumentsRequest API 参考” → 参见 skills/vision-ref.md

用户：“将图库中的人脸归类到不同人物中”／“在设备端将人脸聚类为人物” → 使用 axiom-media（skills/media-intelligence.md）——对多个资源进行身份聚类，而非逐图检测