From 9111472dc35080140004a58bf929d57b85075c6f Mon Sep 17 00:00:00 2001 From: Kylie-dot-s <1140628412@qq.com> Date: Thu, 4 Sep 2025 16:18:34 +0800 Subject: [PATCH 1/3] docs(artimuse): align with code; add sample reproduction and description --- docs/artimuse.md | 38 ++++++++++++++++++++------------------ 1 file changed, 20 insertions(+), 18 deletions(-) diff --git a/docs/artimuse.md b/docs/artimuse.md index 3eb3b7ea..04981c39 100644 --- a/docs/artimuse.md +++ b/docs/artimuse.md @@ -2,7 +2,11 @@ ## 概述 -`RuleImageArtimuse` 是一个基于 Artimuse API 的图像质量评估规则类，用于判断输入图像的质量是否达到合格标准。该规则通过调用 Artimuse 服务的图像评估接口，获取图像的总体评分和各个方面的详细评估结果。 +RuleImageArtimuse 基于 ArtiMuse 在线服务对输入图片进行美学质量评估。规则会创建评估任务并轮询状态，取得总体分数及服务端返回的细粒度信息；随后与阈值比较，给出 Good/Bad 判定，并在结果中回传完整的可解释信息。 + +样例 20250903_203109_deb630bc 即是通过 Dingo 的本地执行引擎运行 RuleImageArtimuse 自动生成的输出。执行器会在指定的 output_path 下新建以时间戳和 8 位短 ID 组成的目录（形如 YYYYmmdd_HHMMSS_shortid），并写入 summary.json 以及逐条样本的明细 JSONL。该样例目录包含 Artimuse_Succeeded/BadImage.jsonl、Artimuse_Succeeded/GoodImage.jsonl 和 summary.json。 + +在仓库根目录直接运行 examples/artimuse/artimuse.py 即可调用在线 ArtiMuse 接口完成评估；若在 InputArgs 中将 output_path 指向你的本地目录，则会生成与上文相同结构的目录。评估完成后，可用命令 python -m dingo.run.vsl --input <上述输出目录> 打开静态页面进行可视化。 ## 规则配置 @@ -19,23 +23,22 @@ #### 参数 - `input_data`: 包含图像 URL 的 Data 对象 - `data_id`: 数据标识符 - - `content`: 图像的网络 URL + - `content`: 图像的网络 URL（本规则仅读取该字段） #### 处理流程 1. **创建评估任务** - - 向 Artimuse API 发送 POST 请求创建图像评估任务 - - 指定评估风格为 `1`（可根据需要调整：1-专业, 2-毒舌） - - 设置 30 秒超时时间 + - 向 ArtiMuse 接口 POST `{refer_path}/api/v1/task/create_task` + - 请求体包含图片地址，内部固定 `style=1` 2. **获取任务状态** - - 等待 2 秒后开始查询任务状态 - - 最多尝试 5 次查询，每次间隔 2 秒 - - 当任务状态变为 `Succeeded` 时停止查询 + - 先等待 5 秒 + - 之后每 5 秒 POST `{refer_path}/api/v1/task/status` 查询一次，直到 `phase == "Succeeded"` + - 代码未设置请求超时，也未限制最大轮询次数 3. **返回评估结果** - - 根据总体评分判断图像质量是否合格 - - 返回包含详细评估信息的 `ModelRes` 对象 + - 读取 `score_overall` 与阈值比较，低于阈值判定为 `BadImage`，否则为 `GoodImage` + - 将服务端返回的 `data` 以字符串化 JSON 放入 `reason` #### 返回值 @@ -43,8 +46,8 @@ - `error_status`: 布尔值，表示图像质量是否不合格（低于阈值） - `type`: 评估结果类型（"Artimuse_Succeeded" 或 "Artimuse_Fail"） -- `name`: 评估结果名称（"BadImage" 或 "GoodImage"） -- `reason`: 包含详细评估信息的数组 +- `name`: 评估结果名称（"BadImage" 或 "GoodImage" 或 "Exception"） +- `reason`: 包含详细评估信息或异常信息的数组（字符串化 JSON） ## 异常处理 @@ -79,18 +82,17 @@ print(res) ## 注意事项 -1. 确保提供的图像 URL 可公开访问 -2. 评估过程可能需要较长时间（最多约 12 秒） -3. 当前使用固定风格参数进行评估，可根据需要调整 -4. 阈值可根据实际需求通过 `dynamic_config` 进行调整 +1. 确保提供的图像 URL 可公开访问（避免鉴权、重定向或短链失效） +2. 首次查询前等待 5 秒，之后每 5 秒轮询一次；总耗时取决于服务端完成时间 +3. 阈值与接口端点可通过 `dynamic_config` 调整：`threshold` 与 `refer_path` ## 错误排查 如果评估失败，可能的原因包括： 1. 网络连接问题 -2. Artimuse 服务不可用 +2. ArtiMuse 服务不可用 3. 图像 URL 不可访问 -4. 请求超时 +4. 服务端长时间无响应或不可达 建议在使用前确保网络环境稳定，并验证图像 URL 的有效性。 From e2cfde82d6f44c62526e4b77b5e0fab8388a0e4d Mon Sep 17 00:00:00 2001 From: Kylie-dot-s <1140628412@qq.com> Date: Thu, 4 Sep 2025 16:35:49 +0800 Subject: [PATCH 2/3] docs(artimuse): address review feedback --- docs/artimuse.md | 7 +++++++ 1 file changed, 7 insertions(+) diff --git a/docs/artimuse.md b/docs/artimuse.md index 04981c39..89320a8a 100644 --- a/docs/artimuse.md +++ b/docs/artimuse.md @@ -4,6 +4,13 @@ RuleImageArtimuse 基于 ArtiMuse 在线服务对输入图片进行美学质量评估。规则会创建评估任务并轮询状态，取得总体分数及服务端返回的细粒度信息；随后与阈值比较，给出 Good/Bad 判定，并在结果中回传完整的可解释信息。 +测试数据使用 JSONL 格式构造，每行一个 JSON 对象，至少包含 id 与 content 字段，其中 content 为可公网访问的图片 URL。项目中提供了 test/data/test_imgae_artimuse.jsonl 作为模板，亦可自行仿照编写，例如：{"id": "1", "content": "https://example.com/a.jpg"}，{"id": "2", "content": "https://example.com/b.jpg"}。 + +在仓库根目录直接运行 python examples/artimuse/artimuse.py 即可调用在线 ArtiMuse 接口完成评估，或在自定义的 InputArgs 中设置 output_path 指向你的本地目录以指定输出位置。执行后，LocalExecutor 会在该目录下创建以时间戳与 8 位短 ID 命名的子目录，并写入 summary.json 与逐条样本的明细 JSONL，可通过命令 python -m dingo.run.vsl --input <输出目录> 打开静态页面查看结果。 + +评测结果的判定逻辑与代码一致：从服务端返回的 data 中读取 score_overall 与设定阈值比较，低于阈值判定为 BadImage，否则为 GoodImage；返回的 reason 字段保存了服务端 data 的字符串化 JSON，至少包含 phase 与 score_overall 等关键字段，便于后续分析与追溯。 + + 样例 20250903_203109_deb630bc 即是通过 Dingo 的本地执行引擎运行 RuleImageArtimuse 自动生成的输出。执行器会在指定的 output_path 下新建以时间戳和 8 位短 ID 组成的目录（形如 YYYYmmdd_HHMMSS_shortid），并写入 summary.json 以及逐条样本的明细 JSONL。该样例目录包含 Artimuse_Succeeded/BadImage.jsonl、Artimuse_Succeeded/GoodImage.jsonl 和 summary.json。 在仓库根目录直接运行 examples/artimuse/artimuse.py 即可调用在线 ArtiMuse 接口完成评估；若在 InputArgs 中将 output_path 指向你的本地目录，则会生成与上文相同结构的目录。评估完成后，可用命令 python -m dingo.run.vsl --input <上述输出目录> 打开静态页面进行可视化。 From 65491d4ec16323c112c86b8a2ba6a848b55e0a5a Mon Sep 17 00:00:00 2001 From: Kylie-dot-s <1140628412@qq.com> Date: Thu, 4 Sep 2025 18:06:10 +0800 Subject: [PATCH 3/3] docs(artimuse): refine overview; correct nano_banana source; dedup run instructions --- docs/artimuse.md | 13 +++++++------ 1 file changed, 7 insertions(+), 6 deletions(-) diff --git a/docs/artimuse.md b/docs/artimuse.md index 89320a8a..dc544de2 100644 --- a/docs/artimuse.md +++ b/docs/artimuse.md @@ -2,18 +2,19 @@ ## 概述 -RuleImageArtimuse 基于 ArtiMuse 在线服务对输入图片进行美学质量评估。规则会创建评估任务并轮询状态，取得总体分数及服务端返回的细粒度信息；随后与阈值比较，给出 Good/Bad 判定，并在结果中回传完整的可解释信息。 +在介绍规则之前，先简要说明 ArtiMuse： + +ArtiMuse 是一个面向图像美学质量评估（Image Aesthetics Assessment, IAA）的在线模型/服务，能够输出整体美学分数并提供细粒度、可解释的评估信息，适用于作品筛选、内容推荐等场景。论文：[ArtiMuse: Fine-Grained Image Aesthetics Assessment with Joint Scoring and Expert-Level Understanding](https://arxiv.org/abs/2507.14533)。 -测试数据使用 JSONL 格式构造，每行一个 JSON 对象，至少包含 id 与 content 字段，其中 content 为可公网访问的图片 URL。项目中提供了 test/data/test_imgae_artimuse.jsonl 作为模板，亦可自行仿照编写，例如：{"id": "1", "content": "https://example.com/a.jpg"}，{"id": "2", "content": "https://example.com/b.jpg"}。 +RuleImageArtimuse 基于 ArtiMuse 在线服务对输入图片进行美学质量评估。规则会创建评估任务并轮询状态，取得总体分数及服务端返回的细粒度信息；随后与阈值比较，给出 Good/Bad 判定，并在结果中回传完整的可解释信息。 -在仓库根目录直接运行 python examples/artimuse/artimuse.py 即可调用在线 ArtiMuse 接口完成评估，或在自定义的 InputArgs 中设置 output_path 指向你的本地目录以指定输出位置。执行后，LocalExecutor 会在该目录下创建以时间戳与 8 位短 ID 命名的子目录，并写入 summary.json 与逐条样本的明细 JSONL，可通过命令 python -m dingo.run.vsl --input <输出目录> 打开静态页面查看结果。 +本文档的测试图片均由 Google Gemini 2.5 Flash Image（社区常称 “nano‑banana”）按提示词生成，后经人工筛选整理并托管在 OpenXLab；完整清单见 [test/data/artimuse/test_artimuse_nano_banana.jsonl](../test/data/artimuse/test_artimuse_nano_banana.jsonl)。我们将这批样例汇总为迷你集合 nano_banana，覆盖人像、室内、产品、电商、插画等多种风格，便于快速复现。 -评测结果的判定逻辑与代码一致：从服务端返回的 data 中读取 score_overall 与设定阈值比较，低于阈值判定为 BadImage，否则为 GoodImage；返回的 reason 字段保存了服务端 data 的字符串化 JSON，至少包含 phase 与 score_overall 等关键字段，便于后续分析与追溯。 +在仓库根目录运行 `python [examples/artimuse/artimuse.py](../examples/artimuse/artimuse.py)` 可完成评估；如设置 `output_path`，将在该目录生成带时间戳与短 ID 的子目录，包含 `summary.json` 与逐条明细。可用 `python -m dingo.run.vsl --input <输出目录>` 打开可视化页面。 +判定基于 `data.score_overall` 与阈值 `threshold`：低于阈值为 BadImage，否则为 GoodImage；服务端 `data` 原样写入 `reason[0]` 便于溯源。结合 nano_banana 的样例，低分多见于贴纸或合成画面写实性不足、Logo/文字遮挡主体、风格迁移过强导致色彩与细节失真、截图噪声多而缺乏摄影要素、纯 Logo 缺少摄影主体、以及过度后期造成的不自然等情况；应尽量突出主体、控制曝光与清晰度、减少压缩与过重滤镜、移除干扰元素，并保持整体风格一致。 -样例 20250903_203109_deb630bc 即是通过 Dingo 的本地执行引擎运行 RuleImageArtimuse 自动生成的输出。执行器会在指定的 output_path 下新建以时间戳和 8 位短 ID 组成的目录（形如 YYYYmmdd_HHMMSS_shortid），并写入 summary.json 以及逐条样本的明细 JSONL。该样例目录包含 Artimuse_Succeeded/BadImage.jsonl、Artimuse_Succeeded/GoodImage.jsonl 和 summary.json。 -在仓库根目录直接运行 examples/artimuse/artimuse.py 即可调用在线 ArtiMuse 接口完成评估；若在 InputArgs 中将 output_path 指向你的本地目录，则会生成与上文相同结构的目录。评估完成后，可用命令 python -m dingo.run.vsl --input <上述输出目录> 打开静态页面进行可视化。 ## 规则配置