fix MLLM user define prompt

gemini_ai.py

@@ -1,143 +1,119 @@
-#!pip install -q -U google-generativeai
-import google.generativeai as genai
-import PIL.Image
-import image_converter as img_converter
-import random
-import os
-import ast
-
-#基本設定都放這邊----------------------------------------
-
-# 要使用的模型種類，免費版一分鐘只能跑最多十筆
-gemini_model = 'gemini-2.5-flash'
-
-target_JSON = {
-    "物理環境": ["辦公室", "臥室", "工作室", "工廠"],
-    "技術應用": ["人工智慧", "虛擬實境", "大數據分析", "其他"],
-    "社交關係": ["獨立工作(1人)", "團隊合作(2人以上)", "遠程協作(遠端控制)"],
-    "職業情感": ["快樂", "睡覺", "壓力/焦慮", "成就感"],
-    "資訊設備": ["AI助手", "投影儀", "手機", "眼鏡投影", 
-                "智慧手錶", "機械手臂", "平板", 
-                "電腦", "鍵盤", "滑鼠", "其他"],
-    "物體": ["床", "椅子", "桌子", 
-            "書架", "PC", 
-            "肖像", "監視器",
-            "窗戶",  "冷氣機","其他"],
-    "角色": ["機器人","教師","學生","動物","工作人員"]
-}
-
-
-#要求AI的提示語放這邊
-# image_prompt = """您現在扮演一位圖片分類大師，擅長解讀圖片中的一些抽象涵義並加以分類。
-# 請在各大類中選最近似的一樣，輸出結果如範例:"A[開心],B[學習],C[學校]"。
-# 若您覺得，該圖片不具上列特徵，請回覆"A[NIL]",加上NIL表示該類未再提供的選項內。
-# 以下是我們要請您分辨的種類:
-# A情感類-人物表情: A[面無表情,開心,生氣,悲傷,緊張,輕視，想睡，疲憊，興奮，自信滿滿,臉部遮蔽]。
-# B動作類-B[學習,工作,飲食,遊戲,駕駛,睡覺,冥想,醫療行為,會議,團隊討論，聽音樂，看電視，畫畫，騎車，烹飪，走路]。
-# C場景類-C[辦公室等工作空間,書房,臥室,客廳,學校,網咖,超現實場景，車內，外太空]。"""
-
-# image_prompt = """您現在扮演一位圖片分類大師，擅長解讀圖片中的一些抽象涵義並加以分類。
-# 請在各大類中選最近似的一樣，輸出結果如範例:"物理環境[辦公室],技術應用[人工智慧,虛擬實境,其他],資訊設備[其他]"。
-# 若您覺得，該圖片不具上列特徵，請回覆"XXX[NIL]",XXX為該類別,加上NIL表示該類未再提供的選項內。
-# 以下是我們要請您分辨的種類，會以JSON標示:
-# 物理環境[辦公室,臥室,工作室,工廠]。
-# 技術應用[人工智慧,虛擬實境,大數據分析,其他]。
-# 社交關係[獨立工作(1人),,團隊合作(2人以上),遠程協作(遠端控制)]。
-# 職業情感[快樂,睡覺,壓力/焦慮,成就感]。
-# 資訊設備[AI助手,投影儀,手機,眼鏡投影,智慧手錶,機械手臂,平板,電腦,鍵盤,滑鼠,其他]。
-# 物體[床,椅子,桌子,書架,PC,肖像,監視器,窗戶,冷氣機,其他]。
-# 角色[機器人,教師,學生,動物,工作人員]。
-# """
-
-image_prompt = """您現在扮演一位圖片分類大師，擅長解讀圖片中的一些抽象涵義並加以分類。
-請在各大類中選最近似的一樣，輸出結果如範例:"物理環境[辦公室],技術應用[人工智慧,虛擬實境,其他],資訊設備[其他]"。
-若您覺得，該圖片不具上列特徵，請回覆"XXX[NIL]",XXX為該類別,加上NIL表示該類未再提供的選項內。
-以下是我們要請您分辨的種類，會以JSON標示:"""+ str(target_JSON)
-
-#--------------------------------------------------------
-## 替換冒號和逗號為換行符號
-def replace_colon_comma_with_newline(input_string):
-  processed_string = input_string.replace(':', '\n').replace('],', ']\n')
-  return processed_string
-
-
-
-def getApiToken():
-    try:
-        my_api_key = os.getenv('my_api_key')
-        my_list = ast.literal_eval(my_api_key) # Convert string to list因為存在環境變數中是字串格式
-
-        return  random.choice(my_list)
-    except Exception as e:
-        return ""
- 
-    
-# function，輸入是文字或是圖檔的位置
-def analyze_content_with_gemini(input_content,target_JSON=target_JSON):
-    """
-    透過 Gemini API 辨識內容，可處理純文字或圖片。
-
-    Args:
-        input_content (str or PIL.Image.Image):
-            如果輸入是字串，則代表要辨識的文字訊息或圖片路徑。
-            如果輸入是 PIL.Image.Image 物件，則直接使用該圖片。
-
-    Returns:
-        str: 辨識結果的文字描述。
-    """
-
-    my_api_key = getApiToken()  # 從環境變數中獲取API金鑰
-    genai.configure(api_key=my_api_key)
-    
-    try:
-        # 判斷輸入的類型
-        if isinstance(input_content, str):
-            # 如果輸入是字串，嘗試判斷是否為圖片路徑
-            # 這是一個簡易判斷，若您確定只傳純文字，可簡化此處邏輯。
-            if input_content.lower().endswith(('.png', '.jpg', '.jpeg', '.gif','.webp')):
-                if input_content.lower().endswith(('.webp')):
-                    input_content = img_converter.convert_webp_to_jpg(input_content)  # 如果是 webp 圖片，先轉換為 jpg
-                
-                # 使用能處理圖片的模型
-                model = genai.GenerativeModel(gemini_model)
-                image_obj = PIL.Image.open(input_content)
-
-                #response = model.generate_content(["這張圖片是什麼？請詳細描述。", image_obj])
-                response = model.generate_content([image_prompt, image_obj])
-            else:
-                # 使用純文字模型
-                model = genai.GenerativeModel(gemini_model)
-                response = model.generate_content(input_content)
-        elif isinstance(input_content, PIL.Image.Image):
-            # 使用能處理圖片的模型
-            model = genai.GenerativeModel(gemini_model)
-
-            #response = model.generate_content(["這張圖片是什麼？請詳細描述。", input_content])
-            response = model.generate_content([image_prompt, input_content])
-        else:
-            return "錯誤：輸入必須是文字、圖片路徑（字串）或 PIL.Image 物件。"
-
-        return replace_colon_comma_with_newline(response.text)
-
-    except Exception as e:
-        return f"發生錯誤：{e}"
-
-
-if __name__ == '__main__':
-    # --- 程式碼使用範例 ---
-
-    # 範例 1：傳送純文字訊息
-    # print("正在處理純文字訊息...")
-    # text_message = "你好，請簡要說明一下Python是什麼？"
-    # response_text = analyze_content_with_gemini(text_message)
-    # print("回應結果：")
-    # print(response_text)
-    # print("-" * 20)
-
-    # 範例 2：傳送圖片路徑
-    # 請確保 image_path 指向有效的圖片檔案
-    print("正在處理圖片訊息...")
-    response_image = analyze_content_with_gemini(image_path)
-    print("回應結果：")
-    print(response_image)
-    print("-" * 20)
+#!pip install -q -U google-generativeai
+import google.generativeai as genai
+import PIL.Image
+import image_converter as img_converter
+import random
+import os
+import ast
+import target_object
+
+#基本設定都放這邊----------------------------------------
+#
+#
+# 設定圖檔位置 (此處僅為範例，純文字查詢時可忽略)
+image_path = r'input_images/雜圖混合02.jpg'
+
+
+# 要使用的模型種類，免費版一分鐘只能跑最多十筆
+gemini_model = 'gemini-2.5-flash'
+
+
+
+#要求AI扮演的角色和提示詞，這裡的提示詞會用來引導AI進行圖片分類
+
+給AI的提示詞 = """您現在扮演一位圖片分類大師，擅長解讀圖片中的一些抽象涵義並加以分類。
+請在各大類中選最近似的一樣，輸出結果如範例:"物理環境[辦公室],技術應用[人工智慧,虛擬實境,其他],資訊設備[其他]"。
+若您覺得，該圖片完全不具要辨識的特徵，請回覆"XXX[NIL]",XXX為該類別,加上NIL表示該類未再提供的選項內。
+以下是我們要請您分辨的種類，會以JSON標示:"""
+
+#--------------------------------------------------------
+## 替換冒號和逗號為換行符號
+def replace_colon_comma_with_newline(input_string):
+  processed_string = input_string.replace(':', '\n').replace('：', '\n').replace('],', ']\n')
+  return processed_string
+
+
+
+def getApiToken():
+    try:
+        my_api_key = os.getenv('my_api_key')
+        my_list = ast.literal_eval(my_api_key) # Convert string to list因為存在環境變數中是字串格式
+
+        return  random.choice(my_list)
+    except Exception as e:
+        return ""
+ 
+    
+# function，輸入是文字或是圖檔的位置
+def analyze_content_with_gemini(input_content, 辨識目標物=None):
+    """
+    透過 Gemini API 辨識內容，可處理純文字或圖片。
+
+    Args:
+        input_content (str or PIL.Image.Image):
+            如果輸入是字串，則代表要辨識的文字訊息或圖片路徑。
+            如果輸入是 PIL.Image.Image 物件，則直接使用該圖片。
+        user_prompt (str, optional):
+            使用者提供的自訂 prompt。如果為 None，則使用預設的 prompt。
+            Defaults to None.
+
+    Returns:
+        str: 辨識結果的文字描述。
+    """
+    my_api_key = getApiToken()  # 從環境變數中獲取API金鑰
+    genai.configure(api_key=my_api_key)
+    
+    # 根據 user_prompt 決定要使用的 prompt
+    prompt_to_use = 給AI的提示詞+辨識目標物 if 辨識目標物 and 辨識目標物.strip() else 給AI的提示詞+ str(target_object.target_JSON)
+    
+    # print("-"*50)
+    # print(prompt_to_use)
+    
+    try:
+        # 判斷輸入的類型
+        if isinstance(input_content, str):
+            # 如果輸入是字串，嘗試判斷是否為圖片路徑
+            if input_content.lower().endswith(('.png', '.jpg', '.jpeg', '.gif','.webp')):
+                if input_content.lower().endswith(('.webp')):
+                    input_content = img_converter.convert_webp_to_jpg(input_content)  # 如果是 webp 圖片，先轉換為 jpg
+                
+                model = genai.GenerativeModel(gemini_model)
+                image_obj = PIL.Image.open(input_content)
+                response = model.generate_content([prompt_to_use, image_obj])
+            else:
+                # 純文字輸入
+                model = genai.GenerativeModel(gemini_model)
+                response = model.generate_content(input_content) # 純文字直接使用輸入內容當 prompt
+        elif isinstance(input_content, PIL.Image.Image):
+            model = genai.GenerativeModel(gemini_model)
+            response = model.generate_content([prompt_to_use, input_content])
+        else:
+            return "錯誤：輸入必須是文字、圖片路徑（字串）或 PIL.Image 物件。"
+
+        return replace_colon_comma_with_newline(response.text)
+
+    except Exception as e:
+        return f"發生錯誤：{e}"
+
+
+if __name__ == '__main__':
+    # --- 程式碼使用範例 ---
+
+    # 範例 1：傳送純文字訊息
+    # print("正在處理純文字訊息...")
+    # text_message = "你好，請簡要說明一下Python是什麼？"
+    # response_text = analyze_content_with_gemini(text_message)
+    # print("回應結果：")
+    # print(response_text)
+    # print("-" * 20)
+
+    # 範例 2：傳送圖片路徑
+    # 請確保 image_path 指向有效的圖片檔案
+    print("正在處理圖片訊息...")
+    我要辨識的物體 = ""
+    我要辨識的物體 = '{"物件類別": ["人", "老虎", "獅子", "牛","書架", "PC", "窗戶", "冷氣機","其他", "雞", "車子", "企鵝","長頸鹿"]}'
+    #我要辨識的物體 = '{"物件類別": ["人", "老虎", "獅子", "牛","書架", "PC", "窗戶", "冷氣機","其他", "雞", "車子"]}'
+    response_image = analyze_content_with_gemini(image_path, 我要辨識的物體)
+    print("回應結果：")
+    print(response_image)
+    print("-" * 20)

image_converter.py

@@ -44,7 +44,7 @@ if __name__ == '__main__':
     try:
         # 建立一個簡單的白色圖片
         #G:\Python\tools\input_images\1411032040-楊宗祥.webp
-        dummy_webp_path = r"G:\Python\tools\input_images\1411032040-楊宗祥.webp"
+        dummy_webp_path = r"G:\Python\tools\input_images\1411032040.webp"
 
         # 測試轉換函數
         # 範例 1: 轉換並儲存在相同資料夾

main_ver2.py

@@ -0,0 +1,264 @@
+# -*- coding: utf-8 -*-
+"""
+系統需求:
+- gradio: 用於建立 Web UI
+- opencv-python: 用於圖片處理
+- ultralytics: YOLOv8 官方函式庫
+- Pillow: 圖片處理基礎庫
+- transformers: (可選，若YOLO模型需要)
+"""
+
+import gradio as gr
+import os
+import cv2
+from ultralytics import YOLO
+import shutil
+import zipfile
+import uuid  # 匯入 uuid 以生成唯一的執行 ID
+from pathlib import Path # 匯入 Path 以更方便地操作路徑
+
+# 假設 gemini_ai.py 在同一個目錄或 Python 路徑中
+import gemini_ai as genai
+
+def create_zip_archive(files, zip_filename):
+    """
+    將一系列檔案壓縮成一個 zip 檔案。
+
+    Args:
+        files (list): 要壓縮的檔案路徑列表。
+        zip_filename (str): 產生的 zip 檔案路徑。
+
+    Returns:
+        str: 產生的 zip 檔案路徑。
+    """
+    with zipfile.ZipFile(zip_filename, 'w', zipfile.ZIP_DEFLATED) as zipf:
+        for file in files:
+            if os.path.exists(file):
+                # 使用 os.path.basename 確保只寫入檔案名稱，而非完整路徑
+                zipf.write(file, os.path.basename(file))
+            else:
+                print(f"警告: 檔案 '{file}' 不存在，無法加入壓縮檔。")
+    return zip_filename
+
+def gradio_multi_model_detection(
+    image_files,
+    model_files,
+    conf_threshold,
+    enable_mllm,
+    mllm_prompt,
+    progress=gr.Progress(track_tqdm=True)
+):
+    """
+    Gradio 的主要處理函式，使用生成器 (yield) 實現流式輸出。
+
+    Args:
+        image_files (list): Gradio File 元件回傳的圖片檔案列表。
+        model_files (list): Gradio File 元件回傳的模型檔案列表。
+        conf_threshold (float): 置信度閾值。
+        enable_mllm (bool): 是否啟用 MLLM 分析。
+        mllm_prompt (str): 使用者自訂的 MLLM prompt。
+        progress (gr.Progress): Gradio 的進度條元件。
+
+    Yields:
+        dict: 用於更新 Gradio 介面元件的字典。
+    """
+    if not image_files:
+        yield {
+            output_status: gr.update(value="錯誤：請至少上傳一張圖片。"),
+            output_gallery: None,
+            output_text: None,
+            download_button: None
+        }
+        return
+
+    # --- 1. 初始化設定 ---
+    # 為本次執行創建一個唯一的子目錄
+    run_id = str(uuid.uuid4())
+    base_output_dir = Path('gradio_detection_results')
+    run_output_dir = base_output_dir / f"run_{run_id[:8]}"
+    run_output_dir.mkdir(parents=True, exist_ok=True)
+
+    image_paths = [file.name for file in image_files]
+    model_paths = [file.name for file in model_files] if model_files else []
+
+    # --- 2. 載入模型 ---
+    yield {output_status: gr.update(value="正在載入模型...")}
+    loaded_models = []
+    if not model_paths:
+        # 如果沒有上傳模型，使用預設模型
+        default_model_path = 'yolov8n.pt'
+        try:
+            model = YOLO(default_model_path)
+            loaded_models.append((default_model_path, model))
+        except Exception as e:
+            yield {output_status: gr.update(value=f"錯誤: 無法載入預設模型 '{default_model_path}' - {e}")}
+            return
+    else:
+        for model_path in model_paths:
+            try:
+                model = YOLO(model_path)
+                loaded_models.append((model_path, model))
+            except Exception as e:
+                print(f"警告: 無法載入模型 '{model_path}' - {e}，將跳過此模型。")
+                continue
+
+    if not loaded_models:
+        yield {output_status: gr.update(value="錯誤: 沒有任何模型成功載入。")}
+        return
+
+    # --- 3. 逐一處理圖片 ---
+    total_images = len(image_paths)
+    annotated_image_paths = []
+    all_result_files = []
+    # results_map 儲存圖片路徑與其對應的文字檔路徑，用於後續點擊查詢
+    results_map = {}
+    # all_texts 用於收集所有圖片的辨識結果文字
+    all_texts = []
+
+    for i, image_path_str in enumerate(image_paths):
+        image_path = Path(image_path_str)
+        progress(i / total_images, desc=f"處理中: {image_path.name}")
+        yield {
+            output_status: gr.update(value=f"處理中... ({i+1}/{total_images}) - {image_path.name}"),
+            output_gallery: gr.update(value=annotated_image_paths)
+        }
+
+        original_image = cv2.imread(str(image_path))
+        if original_image is None:
+            print(f"警告: 無法讀取圖片 '{image_path}'，跳過。")
+            continue
+        
+        annotated_image = original_image.copy()
+        image_base_name = image_path.stem
+
+        # --- 3a. YOLO 物件偵測 ---
+        yolo_output_content = [f"--- 檔案: {image_path.name} ---"]
+        all_detections_for_image = []
+        
+        for model_path_str, model_obj in loaded_models:
+            model_name = Path(model_path_str).name
+            yolo_output_content.append(f"--- 模型: {model_name} ---")
+            results = model_obj(str(image_path), verbose=False, device="cpu")[0]
+
+            if results.boxes:
+                for box in results.boxes:
+                    conf = float(box.conf[0])
+                    if conf >= conf_threshold:
+                        x1, y1, x2, y2 = map(int, box.xyxy[0])
+                        cls_id = int(box.cls[0])
+                        cls_name = model_obj.names[cls_id]
+                        
+                        detection_info = {'model_name': model_name, 'class_name': cls_name, 'confidence': conf, 'bbox': (x1, y1, x2, y2)}
+                        all_detections_for_image.append(detection_info)
+                        yolo_output_content.append(f"  - {cls_name} (信賴度: {conf:.2f}) [座標: {x1},{y1},{x2},{y2}]")
+            else:
+                yolo_output_content.append("  未偵測到任何物件。")
+
+        # 繪製偵測框
+        colors = [(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0), (255, 0, 255), (0, 255, 255)]
+        color_map = {Path(p).name: colors[idx % len(colors)] for idx, (p, _) in enumerate(loaded_models)}
+        for det in all_detections_for_image:
+            x1, y1, x2, y2 = det['bbox']
+            color = color_map.get(det['model_name'], (200, 200, 200))
+            label = f"{det['class_name']} {det['confidence']:.2f}"
+            cv2.rectangle(annotated_image, (x1, y1), (x2, y2), color, 2)
+            cv2.putText(annotated_image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
+
+        # 儲存 YOLO 標註圖
+        output_image_path = run_output_dir / f"{image_base_name}_yolo_detected.jpg"
+        cv2.imwrite(str(output_image_path), annotated_image)
+        annotated_image_paths.append(str(output_image_path))
+        all_result_files.append(str(output_image_path))
+
+        # 儲存 YOLO 辨識資訊
+        output_yolo_txt_path = run_output_dir / f"{image_base_name}_yolo_objects.txt"
+        output_yolo_txt_path.write_text("\n".join(yolo_output_content), encoding='utf-8')
+        all_result_files.append(str(output_yolo_txt_path))
+
+        # --- 3b. MLLM 分析 (如果啟用) ---
+        output_mllm_txt_path = None
+        if enable_mllm:
+            try:
+                prompt_to_use = mllm_prompt if mllm_prompt and mllm_prompt.strip() else None
+                mllm_str = genai.analyze_content_with_gemini(str(image_path), prompt_to_use)
+                mllm_result_content = f"--- MLLM 分析結果 ---\n{mllm_str}"
+            except Exception as e:
+                mllm_result_content = f"--- MLLM 分析失敗 ---\n原因: {e}"
+            
+            output_mllm_txt_path = run_output_dir / f"{image_base_name}_mllm_result.txt"
+            output_mllm_txt_path.write_text(mllm_result_content, encoding='utf-8')
+            all_result_files.append(str(output_mllm_txt_path))
+
+        # 將本次圖片的結果加入到總列表中
+        all_texts.append("\n".join(yolo_output_content))
+        if output_mllm_txt_path:
+            all_texts.append(output_mllm_txt_path.read_text(encoding='utf-8'))
+
+
+    # --- 4. 完成處理，打包並更新最終結果 ---
+    progress(1, desc="打包結果中...")
+    zip_filename = run_output_dir / f"run_{run_id[:8]}_results.zip"
+    created_zip_path = create_zip_archive(all_result_files, str(zip_filename))
+
+    final_status = f"處理完成！共 {total_images} 張圖片。結果儲存於: {run_output_dir.absolute()}"
+    combined_text_output = "\n\n".join(all_texts)
+
+    yield {
+        output_status: gr.update(value=final_status),
+        download_button: gr.update(value=created_zip_path, visible=True),
+        output_text: gr.update(value=combined_text_output),
+        output_gallery: gr.update(value=annotated_image_paths) # 確保最終 gallery 也被更新
+    }
+
+def toggle_mllm_prompt(is_enabled):
+    """
+    根據 Checkbox 狀態，顯示或隱藏 MLLM prompt 輸入框。
+    """
+    return gr.update(visible=is_enabled)
+
+# --- Gradio Interface ---
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 智慧影像分析工具 (YOLO + MLLM)")
+    gr.Markdown("上傳圖片與YOLO模型進行物件偵測，並可選用MLLM進行進階圖像理解。")
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            # 輸入元件
+            image_input = gr.File(label="上傳圖片", file_count="multiple", file_types=["image"])
+            #model_input = gr.File(label="上傳YOLO模型 (.pt)", file_count="multiple", file_types=[".pt"], info="若不提供，將使用預設的 yolov8n.pt 模型。")
+            model_input = gr.File(label="上傳YOLO模型 (.pt)", file_count="multiple", file_types=[".pt"])
+            
+            with gr.Accordion("進階設定", open=False):
+                conf_slider = gr.Slider(minimum=0.1, maximum=1, value=0.40, step=0.05, label="信賴度閾值")
+                mllm_enabled_checkbox = gr.Checkbox(label="開啟MLLM辨識", value=False)
+                mllm_prompt_input = gr.Textbox(label="自訂 MLLM Prompt (選填)", placeholder="例如：請描述圖中人物的穿著與場景。", visible=False)
+
+            run_button = gr.Button("開始辨識", variant="primary")
+
+        with gr.Column(scale=2):
+            # 輸出元件
+            output_gallery = gr.Gallery(label="辨識結果預覽", height=500, object_fit="contain", allow_preview=True)
+            output_text = gr.Textbox(label="詳細辨識資訊", lines=15, placeholder="辨識完成後，所有結果將顯示於此。")
+            output_status = gr.Textbox(label="執行狀態", interactive=False)
+            download_button = gr.File(label="下載所有結果 (.zip)", file_count="single", visible=False)
+
+    # --- 事件綁定 ---
+    
+    # 點擊 "開始辨識" 按鈕
+    run_button.click(
+        fn=gradio_multi_model_detection,
+        inputs=[image_input, model_input, conf_slider, mllm_enabled_checkbox, mllm_prompt_input],
+        outputs=[output_gallery, output_status, download_button, output_text]
+    )
+
+    # 勾選/取消 "開啟MLLM辨識"
+    mllm_enabled_checkbox.change(
+        fn=toggle_mllm_prompt,
+        inputs=mllm_enabled_checkbox,
+        outputs=mllm_prompt_input
+    )
+
+# 啟動 Gradio 應用
+if __name__ == "__main__":
+    demo.launch(debug=True)
+    #demo.launch(share=True)

target_object.py

@@ -0,0 +1,14 @@
+target_JSON = {
+    "物理環境": ["辦公室", "臥室", "工作室", "工廠"],
+    "技術應用": ["人工智慧", "虛擬實境", "大數據分析", "其他"],
+    "社交關係": ["獨立工作(1人)", "團隊合作(2人以上)", "遠程協作(遠端控制)"],
+    "職業情感": ["快樂", "睡覺", "壓力/焦慮", "成就感"],
+    "資訊設備": ["AI助手", "投影儀", "手機", "眼鏡投影", 
+                "智慧手錶", "機械手臂", "平板", 
+                "電腦", "鍵盤", "滑鼠", "其他"],
+    "物體": ["床", "椅子", "桌子", 
+            "書架", "PC", 
+            "肖像", "監視器",
+            "窗戶",  "冷氣機","其他"],
+    "角色": ["機器人","教師","學生","動物","工作人員"]
+}