image-batch

guia-matthieu

Mis à jour 2 days ago

3 vues

111

Autregeneral

À propos

La compétence de traitement par lots d'images automatise les tâches de traitement en masse, telles que le redimensionnement, la compression, la suppression de l'arrière-plan et la conversion de format. Elle est idéale pour les développeurs optimisant les ressources web, préparant du contenu pour les réseaux sociaux ou appliquant des filigranes aux supports marketing. Les capacités clés incluent l'utilisation de Pillow et rembg pour des opérations comme la conversion en WebP et l'optimisation des Core Web Vitals.

Installation rapide

Claude Code

Recommandé

Principal

npx skills add guia-matthieu/clawfu-skills -a claude-code

Commande PluginAlternatif

/plugin add https://github.com/guia-matthieu/clawfu-skills

Git CloneAlternatif

git clone https://github.com/guia-matthieu/clawfu-skills.git ~/.claude/skills/image-batch

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

Image Batch Processing

Automate repetitive image tasks using Pillow and rembg - resize, compress, remove backgrounds, and watermark hundreds of images in seconds.

When to Use This Skill

Social media prep - Resize images for multiple platforms at once
Website optimization - Compress and convert to WebP for faster loading
Product photos - Remove backgrounds, add consistent styling
Brand protection - Add watermarks to marketing assets
Batch conversion - Convert legacy formats to modern ones

What Claude Does vs What You Decide

Claude Does	You Decide
Structures video workflow	Final creative vision
Suggests shot compositions	Equipment selection
Creates storyboard templates	Brand aesthetics
Generates script frameworks	Final approval
Identifies technical requirements	Budget allocation

Dependencies

pip install Pillow rembg click
# For GPU-accelerated background removal:
# pip install rembg[gpu]

Commands

Resize Images

python scripts/main.py resize ./images/ --width 1200
python scripts/main.py resize ./images/ --format instagram  # 1080x1080
python scripts/main.py resize ./images/ --format linkedin   # 1200x627

Compress Images

python scripts/main.py compress ./images/ --quality 80
python scripts/main.py compress ./images/ --max-size 500  # Max 500KB

Remove Background

python scripts/main.py remove-bg photo.jpg
python scripts/main.py remove-bg ./products/ --output ./transparent/

Add Watermark

python scripts/main.py watermark ./images/ --logo logo.png --position bottom-right
python scripts/main.py watermark ./images/ --text "© 2024 Company" --opacity 0.3

Convert Format

python scripts/main.py convert ./images/ --format webp
python scripts/main.py convert ./images/ --format avif --quality 80

Examples

Example 1: Prepare Product Images for E-commerce

# Remove backgrounds
python scripts/main.py remove-bg ./raw-products/ --output ./transparent/

# Resize to standard size
python scripts/main.py resize ./transparent/ --width 1000 --height 1000 --fit contain

# Compress for web
python scripts/main.py compress ./transparent/ --quality 85 --format webp

# Output: ./transparent/*.webp (optimized, transparent background)

Example 2: Social Media Image Kit

# Create multiple sizes from one source
python scripts/main.py resize hero-image.jpg --format instagram --output hero_ig.jpg
python scripts/main.py resize hero-image.jpg --format linkedin --output hero_li.jpg
python scripts/main.py resize hero-image.jpg --format twitter --output hero_tw.jpg
python scripts/main.py resize hero-image.jpg --format facebook --output hero_fb.jpg

# Or batch process entire folder for one platform
python scripts/main.py resize ./campaign-images/ --format instagram --output ./instagram/

Example 3: Website Image Optimization

# Convert all images to WebP
python scripts/main.py convert ./website-images/ --format webp --quality 80

# Ensure no image exceeds 200KB
python scripts/main.py compress ./website-images/ --max-size 200

# Results in 60-80% smaller file sizes

Social Media Format Presets

Format	Dimensions	Aspect Ratio	Use Case
`instagram`	1080x1080	1:1	Feed posts
`instagram-story`	1080x1920	9:16	Stories/Reels
`linkedin`	1200x627	1.91:1	Link previews
`linkedin-post`	1200x1200	1:1	Feed posts
`twitter`	1200x675	16:9	Cards
`facebook`	1200x630	1.91:1	Link previews
`pinterest`	1000x1500	2:3	Pins
`youtube`	1280x720	16:9	Thumbnails

Fit Modes

Mode	Behavior
`cover`	Fill area, crop excess (default)
`contain`	Fit inside, add padding
`stretch`	Distort to fit exactly
`crop`	Smart crop focusing on subject

Output Formats

Format	Best For	Compression
`webp`	Web images	25-35% smaller than JPEG
`avif`	Modern browsers	50% smaller than JPEG
`jpg`	Photos, gradients	Lossy, universal
`png`	Transparency, graphics	Lossless

Skill Boundaries

What This Skill Does Well

Structuring video production workflows
Creating storyboard frameworks
Suggesting technical approaches
Providing creative direction templates

What This Skill Cannot Do

Replace professional videography
Edit video files directly
Make final creative judgments
Guarantee audience engagement

Related Skills

video-processing - Process video thumbnails
lighthouse-audit - Check image impact on LCP

Skill Metadata

Mode: cyborg

category: automation
subcategory: image-processing
dependencies: [Pillow, rembg]
difficulty: beginner
time_saved: 5+ hours/week

Dépôt GitHub

guia-matthieu/clawfu-skills

Chemin: skills/automation/image-batch

ai-skillsanthropicclaude-codeclaude-skillsmarketingmcp-server

Compétences associées

llamaguard

Autre

LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.

Voir la compétence

cost-optimization

Autre

Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.

Voir la compétence

quantizing-models-bitsandbytes

Autre

Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.

Voir la compétence

dispatching-parallel-agents

Autre

Cette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.

Voir la compétence