Vision
Vision (画像入力)
約 10 分
·
クイズ 4 問
·
演習 1 問
重要キーワード (3 語)
Vision
(視覚理解)
— Claude が画像を入力として理解する機能
OCR
(光学文字認識)
— 画像中のテキストを抽出する処理
Base64
(Base64エンコード)
— バイナリをテキスト化する方式 (画像埋め込みに使用)
Vision (画像入力)
Claude は 画像 を入力として受け取れます。 スクショ解析・図表理解・OCR・UI 確認など幅広く使えます。
URL 指定
client.messages.create(
model="claude-sonnet-4-6",
max_tokens=512,
messages=[{
"role": "user",
"content": [
{"type": "image", "source": {
"type": "url",
"url": "https://example.com/diagram.png",
}},
{"type": "text", "text": "この図を説明して"},
],
}],
)
Base64 で埋め込み
import base64
img_b64 = base64.b64encode(open("local.png", "rb").read()).decode()
content = [
{"type": "image", "source": {
"type": "base64",
"media_type": "image/png",
"data": img_b64,
}},
{"type": "text", "text": "テキストを抽出して"},
]
制約
- 対応フォーマット: JPEG / PNG / GIF / WEBP
- 最大解像度: ~8000px (推奨は 1568px 程度)
- ファイルサイズ: 5MB / 画像
Use Case
- OCR: スクショから文字抽出。
- UI レビュー: アプリのスクショを見せてアクセシビリティ評価。
- 図表理解: グラフから数値を読み取り要約。
- ホワイトボード起こし: 写真からタスクリスト化。
- 品質検査: 工場の検品画像から欠陥検出 (簡易タスク向け)。
- 数式読解: 手書き数式を LaTeX に変換。
Tip 1: 解像度を上げすぎない
高解像度ほどトークン消費が増えます。 テキスト読み取り目的なら 1024〜1568px に縮小すれば十分なことが多いです。
Tip 2: 複数画像
1 メッセージに複数画像を含められます。比較タスクに有用。
content=[
{"type": "image", "source": {...}},
{"type": "image", "source": {...}},
{"type": "text", "text": "2 枚を比較して違いを箇条書きで"},
]
Tip 3: 画像は最初に置く
性能向上のため、画像 → テキスト の順で並べることが推奨されます。
Tip 4: PDF も Vision で読める
第3章で扱った Files API + PDF は内部で Vision + テキスト解析 が走ります。
試す (URL 画像)
公開されている図表で試してみましょう。
▶ 図表理解 (URL)
次の URL の図を 3 文で説明してください: https://upload.wikimedia.org/wikipedia/commons/thumb/4/47/PNG_transparency_demonstration_1.png/280px-PNG_transparency_demonstration_1.png