千问3.5-2B实战教程：JSON接口自动化调用+Python requests封装+批量图处理脚本
1. 千问3.5-2B模型简介
千问3.5-2B是Qwen系列中的小型视觉语言模型，具备强大的图片理解与文本生成能力。这个模型可以：
- 理解图片内容并生成描述
- 识别图片中的主体对象
- 辅助OCR文字识别
- 回答关于图片场景的问题
与传统的纯文本模型不同，千问3.5-2B能够同时处理视觉和语言信息，这使得它在内容审核、电商商品描述生成、智能客服等场景中特别有用。
2. 环境准备与快速部署
2.1 访问在线服务
最简单的方式是直接使用预部署的在线服务：
https://gpu-hv221npax2-7860.web.gpu.csdn.net/
2.2 本地开发环境准备
要进行自动化调用，你需要准备：
安装所需库：
pip install requests pillow
3. JSON接口调用基础
3.1 接口基本信息
千问3.5-2B提供了标准的JSON接口，主要参数如下：
- 请求方式：POST
- 接口地址：/api/v1/generate
- 请求头：Content-Type: application/json
- 请求体：包含图片和提示词的JSON数据
3.2 基础调用示例
import requests
import base64
def encode_image_to_base64(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode('utf-8')
url = "https://gpu-hv221npax2-7860.web.gpu.csdn.net/api/v1/generate"
headers = {"Content-Type": "application/json"}
image_base64 = encode_image_to_base64("test.jpg")
data = {
"image": image_base64,
"prompt": "请描述图片中的主要内容",
"max_length": 192,
"temperature": 0.7
}
response = requests.post(url, headers=headers, json=data)
print(response.json())
4. Python requests封装实践
4.1 基础封装类
为了提高代码复用性，我们可以创建一个封装类：
class QwenVLClient:
def __init__(self, base_url):
self.base_url = base_url
self.headers = {"Content-Type": "application/json"}
def _encode_image(self, image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode('utf-8')
def generate(self, image_path, prompt, max_length=192, temperature=0.7):
image_base64 = self._encode_image(image_path)
data = {
"image": image_base64,
"prompt": prompt,
"max_length": max_length,
"temperature": temperature
}
response = requests.post(
f"{self.base_url}/api/v1/generate",
headers=self.headers,
json=data
)
return response.json()
4.2 使用封装类
client = QwenVLClient("https://gpu-hv221npax2-7860.web.gpu.csdn.net")
# 单次调用
result = client.generate("product.jpg", "请描述这个商品的特点")
print(result)
# 批量调用示例
image_prompt_pairs = [
("image1.jpg", "图片中有什么人物？"),
("image2.jpg", "描述场景氛围"),
("image3.jpg", "读取图片中的文字")
]
for image_path, prompt in image_prompt_pairs:
result = client.generate(image_path, prompt)
print(f"图片: {image_path}, 结果: {result}")
5. 批量图片处理脚本开发
5.1 基础批量处理脚本
import os
import json
from datetime import datetime
class BatchImageProcessor:
def __init__(self, client, output_dir="results"):
self.client = client
self.output_dir = output_dir
os.makedirs(output_dir, exist_ok=True)
def process_folder(self, folder_path, prompt):
results = []
for filename in os.listdir(folder_path):
if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
image_path = os.path.join(folder_path, filename)
try:
result = self.client.generate(image_path, prompt)
results.append({
"image": filename,
"result": result,
"timestamp": datetime.now().isoformat()
})
except Exception as e:
print(f"处理 {filename} 时出错: {str(e)}")
# 保存结果
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
output_file = os.path.join(self.output_dir, f"results_{timestamp}.json")
with open(output_file, "w", encoding="utf-8") as f:
json.dump(results, f, ensure_ascii=False, indent=2)
return output_file
5.2 使用批量处理器
client = QwenVLClient("https://gpu-hv221npax2-7860.web.gpu.csdn.net")
processor = BatchImageProcessor(client)
# 处理整个文件夹中的图片
result_file = processor.process_folder(
"product_images",
"请描述这个商品的特点，适合什么人群使用"
)
print(f"处理完成，结果保存在: {result_file}")
6. 高级功能与优化
6.1 多提示词批量处理
扩展批量处理器，支持为每张图片使用不同的提示词：
def process_with_prompt_list(self, image_folder, prompts):
results = []
image_files = [f for f in os.listdir(image_folder)
if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
for i, filename in enumerate(image_files):
image_path = os.path.join(image_folder, filename)
prompt = prompts[i % len(prompts)] # 循环使用提示词列表
try:
result = self.client.generate(image_path, prompt)
results.append({
"image": filename,
"prompt": prompt,
"result": result
})
except Exception as e:
print(f"处理 {filename} 时出错: {str(e)}")
return results
6.2 结果分析与统计
添加结果分析功能：
def analyze_results(self, result_file):
with open(result_file, "r", encoding="utf-8") as f:
data = json.load(f)
analysis = {
"total_images": len(data),
"success_count": sum(1 for item in data if "result" in item),
"error_count": sum(1 for item in data if "error" in item),
"avg_response_length": 0
}
if analysis["success_count"] > 0:
total_length = sum(len(item["result"].get("text", ""))
for item in data if "result" in item)
analysis["avg_response_length"] = total_length / analysis["success_count"]
return analysis
7. 实战案例：电商商品图批量处理
7.1 场景描述
假设你有一个电商平台，需要为上千张商品图片自动生成描述文案。手动处理效率低下，我们可以用千问3.5-2B实现自动化。
7.2 完整解决方案代码
import os
import json
from concurrent.futures import ThreadPoolExecutor
from tqdm import tqdm
class EcommerceImageProcessor:
def __init__(self, client, max_workers=4):
self.client = client
self.max_workers = max_workers
def _process_single(self, args):
image_path, prompt = args
try:
result = self.client.generate(image_path, prompt)
return {
"image": os.path.basename(image_path),
"result": result,
"status": "success"
}
except Exception as e:
return {
"image": os.path.basename(image_path),
"error": str(e),
"status": "failed"
}
def process_batch(self, image_folder, prompt, output_file="ecommerce_results.json"):
image_files = [
os.path.join(image_folder, f)
for f in os.listdir(image_folder)
if f.lower().endswith(('.png', '.jpg', '.jpeg'))
]
tasks = [(img, prompt) for img in image_files]
results = []
with ThreadPoolExecutor(max_workers=self.max_workers) as executor:
futures = list(tqdm(
executor.map(self._process_single, tasks),
total=len(tasks),
desc="处理图片"
))
results = list(futures)
with open(output_file, "w", encoding="utf-8") as f:
json.dump(results, f, ensure_ascii=False, indent=2)
return output_file
7.3 使用示例
client = QwenVLClient("https://gpu-hv221npax2-7860.web.gpu.csdn.net")
processor = EcommerceImageProcessor(client, max_workers=8)
# 为所有商品图生成营销描述
result_file = processor.process_batch(
"product_images",
"请为这张商品图片生成一段吸引人的营销文案，突出产品特点和优势，适合在电商平台使用",
"marketing_descriptions.json"
)
print(f"营销文案生成完成，结果保存在: {result_file}")
8. 总结与最佳实践
8.1 关键要点回顾
8.2 性能优化建议
8.3 扩展应用场景
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
