可借助Gemini多模态能力实现无编程经验的万张混乱图片自动分类归档：先批量生成缩略图并提取三段式语义描述，再通过Vertex AI嵌入+K-Means聚类，最后由Gemini生成人类可读类别名完成归档。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您手头有1万张命名混乱、无标签、格式混杂的图片，且缺乏编程经验，但希望借助Gemini实现自动分类归档，则可依托其多模态理解与文本生成能力，配合轻量级工具链完成任务。以下是具体实施步骤：
一、准备图片与环境基础
本方法不依赖本地训练模型或复杂开发环境，仅需确保图片可被Gemini访问，并能接收结构化反馈。Gemini无法直接读取本地文件系统，因此必须通过可控方式将图像内容转化为其可处理的输入形式。关键在于规避原始图片批量上传限制，转而提取每张图的语义描述作为分类依据。
1、将全部图片统一存放于一个本地文件夹，例如命名为“raw_pics”。
2、使用系统自带或免费工具（如Windows PowerShell、macOS终端）批量生成每张图片的绝对路径列表，保存为“paths.txt”。
3、安装Python 3.9+及requests库，用于后续调用Gemini API；无需安装OpenCV、PIL等图像处理库。
4、在Google AI Studio中创建API密钥，并确认配额支持单日至少10,000次text-only请求（图片需先经描述转换）。
二、生成标准化图像描述文本
Gemini Pro Vision支持图像理解，但免费层对图片上传频次与尺寸有限制；因此采用“分批截图+文字描述”策略：先用脚本截取每张图中心区域缩略图（256×256），再以纯文本提示词驱动Gemini输出统一格式的语义摘要。该摘要将成为后续聚类与归档的核心依据。
1、编写Python脚本，调用Pillow裁剪每张原图中心区域并另存为“desc_input/xxx_thumb.jpg”，保持宽高比不变且最长边≤256像素。
2、构造提示词模板：“请用中文严格按以下格式输出：主体对象：[具体名词，如‘金毛犬’‘青花瓷碗’]；场景类型：[室内/室外/ studio/自然景观等]；显著特征：[颜色、动作、材质、文字等不超过15字]。不加解释，不换行，不使用标点分隔。”
3、将缩略图逐张以base64编码嵌入HTTP请求体，发送至Gemini Vision API，获取对应三段式描述文本。
4、将所有响应结果按原图文件名顺序写入“descriptions.csv”，字段为“filename,主体对象,场景类型,显著特征”。
三、基于描述文本执行无监督聚类
获得1万条结构化描述后，不再依赖人工定义类别，而是利用语义向量相似性自动发现高频主题簇。Gemini本身不提供向量接口，但可通过其嵌入模型替代方案——调用Google Vertex AI的textembedding-gecko@003模型生成每行描述的768维向量，再用scikit-learn执行K-Means聚类。
1、从Vertex AI控制台启用textembedding-gecko@003 API，并配置服务账号密钥JSON文件。
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
2、读取“descriptions.csv”，拼接“主体对象+场景类型+显著特征”为单字符串，去除空格与换行符。
3、调用embeddings API，将全部1万条字符串转为浮点数组，保存为“vectors.npy”。
4、加载向量数据，设定聚类数K=30（经验值，覆盖常见生活、办公、旅行等大类），运行K-Means算法，输出每个图片所属簇ID。
四、构建语义一致的归档目录结构
聚类仅给出数字标签，需将其映射为人类可读的文件夹名称。此步利用Gemini对簇内描述样本的理解能力，自动生成具区分度的类别名，避免“cluster_12”之类不可维护命名。
1、从每个簇中随机抽取5条描述文本，组成提示输入：“以下为同一类图片的典型描述，请归纳出一个不超过6个汉字的中文类别名称，仅输出名称，不加引号、不解释：[描述1][描述2]…[描述5]”。
2、向Gemini Pro发送30组提示，收集全部30个类别名，去重后保留28个（如两簇均生成“会议照片”则合并）。
3、新建目标归档根目录“sorted_pics”，在其下创建28个子文件夹，名称即为Gemini返回的类别名，例如宠物肖像、建筑外立面、手写笔记页。
4、根据簇ID与类别名映射表，将原始图片按文件名一一复制进对应子文件夹，保留原始扩展名与EXIF信息。
五、人工校验与微调归档结果
全自动流程可能存在语义误判，例如将“红外热成像图”归入“风景照”，或把“电路板特写”识别为“抽象纹理”。此时需引入最小干预机制：仅检查每个文件夹首屏（前12张）图片是否符合命名意图，对偏差较大者手动移动，并记录误判模式供后续提示词优化。
1、打开“sorted_pics”目录，在文件管理器中按文件夹依次查看，每个文件夹仅浏览前12张缩略图。
2、若发现明显错分（如美食摆拍文件夹中出现身份证扫描件），立即将该图剪切至临时文件夹“review_needed”。
3、统计“review_needed”中图片数量，若超过总数3%（即300张），则返回第二步，调整提示词中的“显著特征”字段长度限制为10字以内，增强聚焦性。
4、将已确认正确的28个文件夹压缩为ZIP包，标注日期与版本号，例如“sorted_pics_20240521_v2.zip”。
