axiom-vision — скилл для Claude Code: компьютерное зрение на Vision
Скилл для работы с Vision framework: сегментация объектов, позы, OCR, штрихкоды. Пригодится, когда пишете фичу распознавания на Apple-платформах.
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a claude-codeЧто делает axiom-vision
Скилл включается, когда в проекте появляется любая задача компьютерного зрения на Vision framework. Внутри — три справочника: skills/vision-framework.md для реализации, skills/vision-ref.md для API и skills/vision-diag.md для отладки. Выбор идёт по таблице симптомов и дереву решений.
Реализация закрывает сегментацию объектов через VisionKit, детекцию позы руки и тела, распознавание текста в быстром и точном режимах, штрихкоды с выбором символики, сканирование документов и живое сканирование через DataScannerViewController. Отдельно описано исключение рук при выделении объекта и HDR-композитинг на CoreImage.
Диагностика разбирает типовые поломки: объект не найден у края кадра, потеряны ориентиры позы, низкая уверенность наблюдений, зависание интерфейса во время обработки, путаница с координатами. Про группировку лиц в людей по всей библиотеке скилл отправляет в axiom-media — Vision детектирует лица в одном изображении, а кластеризацию личностей делает MediaIntelligence. Обработку на главном потоке авторы прямо называют ошибкой: на старых устройствах интерфейс замирает.
Какие задачи решает
- вырезать объект с фото и убрать руки из маски
- распознать текст на снимке в точном режиме
- считать QR-код камерой в реальном времени
- найти ориентиры позы руки на изображении
- починить конвертацию координат между системами отсчёта
Примеры запросов агенту
- Как определить позу руки на изображении?
- Выдели объект на фото, но исключи руки пользователя
- Распознавание текста возвращает неверные символы — помоги разобраться
Как установить axiom-vision
1Через Skills CLI (Vercel)
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a claude-code2Вручную: положить файлы
~/.claude/skills/axiom-vision/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/axiom-vision/
1Через Skills CLI (Vercel)
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a codex2Вручную: положить файлы
.agents/skills/axiom-vision/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a cursor2Вручную: положить файлы
.cursor/skills/axiom-vision/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install CharlesWiltgen/Axiom axiom-vision2Вручную: положить файлы
.github/skills/axiom-vision/SKILL.md1Через Skills CLI (Vercel)
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a gemini-cli2Командой платформы
gemini skills install https://github.com/CharlesWiltgen/Axiom --path axiom-codex/skills/axiom-visionВручную: положить файлы
.devin/skills/axiom-vision/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Из того же набора27
Похожие
Рядом в теме «Мобильная разработка»
Всё по теме «Мобильная разработка» →Вопросы о axiom-vision
Как установить axiom-vision в Claude?
Выполните npx skills add CharlesWiltgen/Axiom --skill axiom-vision -a claude-code. Скилл окажется в ~/.claude/skills/axiom-vision/SKILL.md.
Что делает axiom-vision?
Подсказывает, какой API Vision framework взять под задачу, и даёт готовые паттерны для сегментации, поз, OCR, штрихкодов и сканирования документов. Отдельный справочник помогает, когда распознавание уже сломано.
Чем axiom-vision отличается от axiom-media?
Vision детектирует лица в одном изображении. Если нужно сгруппировать лица в людей по всей библиотеке или вытащить ключевые кадры видео, скилл отправляет в axiom-media.
Исходный текст
SKILL.md · MIT
---
name: axiom-vision
description: Use when implementing ANY computer vision feature — image analysis, pose detection, person segmentation, subject lifting, text recognition, barcode scanning.
license: MIT
---
# Computer Vision
**You MUST use this skill for ANY computer vision work using the Vision framework.**
## Quick Reference
| Symptom / Task | Reference |
|----------------|-----------|
| Subject segmentation, lifting | See `skills/vision-framework.md` |
| Hand/body pose detection | See `skills/vision-framework.md` |
| Text recognition (OCR) | See `skills/vision-framework.md` |
| Barcode/QR code detection | See `skills/vision-framework.md` |
| Document scanning | See `skills/vision-framework.md` |
| DataScannerViewController | See `skills/vision-framework.md` |
| Structured document extraction (iOS 26+) | See `skills/vision-framework.md` |
| Isolate object excluding hand | See `skills/vision-framework.md` |
| Tap-to-segment any object `OS27` | See `skills/vision-ref.md` |
| Vision on watchOS `watchOS27` | See `skills/vision-ref.md` |
| Vision tools for Foundation Models (BarcodeReaderTool, OCRTool) `OS27` | See `skills/vision-ref.md` |
| Vision framework API reference | See `skills/vision-ref.md` |
| Visual Intelligence integration (iOS 26+, iPadOS27/macOS27) | See `skills/vision-ref.md` |
| Sensitive content classification (nudity/gore/violence), categorized via `detectedTypes` (`OS27`) | See `skills/vision-ref.md` |
| Group/cluster faces into people across a library, video highlights/key frames (`OS27`) | Use axiom-media (skills/media-intelligence.md) instead — MediaIntelligence clusters identities; Vision detects faces in one image |
| Subject not detected | See `skills/vision-diag.md` |
| Hand/body pose missing landmarks | See `skills/vision-diag.md` |
| Low confidence observations | See `skills/vision-diag.md` |
| UI freezing during processing | See `skills/vision-diag.md` |
| Coordinate conversion bugs | See `skills/vision-diag.md` |
| Text not recognized / wrong chars | See `skills/vision-diag.md` |
| Barcode not detected | See `skills/vision-diag.md` |
| DataScanner blank / no items | See `skills/vision-diag.md` |
| Document edges not detected | See `skills/vision-diag.md` |
## Decision Tree
```dot
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. Implementing (pose, segmentation, OCR, barcodes, documents, live scanning)? → `skills/vision-framework.md`
2. Visual Intelligence system integration (camera/screenshot search; iOS 26+, iPadOS27/macOS27)? → `skills/vision-ref.md` (Visual Intelligence section)
3. Tap-to-segment, Vision on watchOS, or Vision tools for Foundation Models (27 cycle)? → `skills/vision-ref.md`
4. Need API reference / code examples? → `skills/vision-ref.md`
5. Debugging issues (detection failures, confidence, coordinates)? → `skills/vision-diag.md`
## Critical Patterns
**Implementation** (`skills/vision-framework.md`):
- Decision tree for choosing the right Vision API
- Subject segmentation with VisionKit
- Isolating objects while excluding hands (combining APIs)
- Hand/body pose detection (21/19 landmarks)
- Text recognition (fast vs accurate modes)
- Barcode detection with symbology selection
- Document scanning and structured extraction (iOS 26+)
- Live scanning with DataScannerViewController
- CoreImage HDR compositing
**Diagnostics** (`skills/vision-diag.md`):
- Subject detection failures (edge of frame, lighting)
- Landmark tracking issues (confidence thresholds)
- Performance optimization (frame skipping, downscaling)
- Coordinate conversion (lower-left vs top-left origin)
- Text recognition failures (language, contrast)
- Barcode detection issues (symbology, size, glare)
- DataScanner troubleshooting (availability, data types)
## Anti-Rationalization
| Thought | Reality |
|---------|---------|
| "Vision framework is just a request/handler pattern" | Vision has coordinate conversion, confidence thresholds, and performance gotchas. vision-framework.md covers them. |
| "I'll handle text recognition without the skill" | VNRecognizeTextRequest has fast/accurate modes and language-specific settings. vision-framework.md has the patterns. |
| "Subject segmentation is straightforward" | Instance masks have HDR compositing and hand-exclusion patterns. vision-framework.md covers complex scenarios. |
| "Visual Intelligence is just the camera API" | Visual Intelligence is a system-level feature requiring IntentValueQuery and SemanticContentDescriptor. vision-ref.md has the integration section. |
| "I'll just process on the main thread" | Vision blocks UI on older devices. Users on iPhone 12 will experience frozen app. 15 min to add background queue. |
## Example Invocations
User: "How do I detect hand pose in an image?"
→ See `skills/vision-framework.md`
User: "Isolate a subject but exclude the user's hands"
→ See `skills/vision-framework.md`
User: "How do I read text from an image?"
→ See `skills/vision-framework.md`
User: "Scan QR codes with the camera"
→ See `skills/vision-framework.md`
User: "Subject detection isn't working"
→ See `skills/vision-diag.md`
User: "Text recognition returns wrong characters"
→ See `skills/vision-diag.md`
User: "Show me VNDetectHumanBodyPoseRequest examples"
→ See `skills/vision-ref.md`
User: "How do I make my app work with Visual Intelligence?"
→ See `skills/vision-ref.md`
User: "Let users tap an object in a photo to cut it out"
→ See `skills/vision-ref.md` (Iterative Segmentation)
User: "Can I use Vision in my watchOS app?"
→ See `skills/vision-ref.md` (Vision on watchOS)
User: "RecognizeDocumentsRequest API reference"
→ See `skills/vision-ref.md`
User: "Group faces into people across my library" / "cluster faces on-device into persons"
→ Use `axiom-media` (`skills/media-intelligence.md`) — identity clustering across assets, not per-image detection
© CharlesWiltgen · MIT · CharlesWiltgen/Axiom