惊了！动动嘴皮子就能搞定图像识别？这个神器让 AI 编程不再是梦！（内附代码）

最近啊，我发现了一个超酷炫的工具库——VisionAgent^[1]，它能让你用自然语言指挥 AI 去完成各种图像识别任务，简直不要太方便！这个工具是开源的，我知道很多人会问有没有线上 demo 可以体验的。有的，在这里

以前，咱们要搞个图像识别，比如数数图片里有多少罐可乐，那得自己吭哧吭哧写一大堆代码，调参调到头秃。现在有了 VisionAgent，你只需要告诉它：“嘿，帮我数数这张图里有几罐可乐！”，剩下的就交给它了！

VisionAgent 到底是个啥？

简单来说，VisionAgent 就是一个能让你用“人话”来指挥 AI 进行图像处理的工具库。它背后的大佬是现在最火的大语言模型（LLM），比如 Anthropic 的 Claude-3.5 和 OpenAI 的 o1。

这些 LLM 就像是 VisionAgent 的“大脑”，负责理解你的指令，然后生成相应的代码来完成任务。你只需要动动嘴皮子，就能让 AI 帮你搞定图像识别，是不是很神奇？

VisionAgent 能干啥？

VisionAgent 的本事可大了！它能帮你：

• • 数数：数图片里的人头、可乐罐、汽车等等。
• • 识别物体：识别图片里的各种物体，比如猫、狗、桌子、椅子等等。
• • 跟踪物体：在视频里跟踪某个物体，比如跟踪视频里的小狗。
• • 生成代码：直接生成可以运行的图像处理代码，你可以拿来学习或者自己修改。

怎么用 VisionAgent？

想用 VisionAgent，首先你得安装它：

pip install vision-agent

然后，你得准备好 Anthropic 和 OpenAI 的 API 密钥：

export ANTHROPIC_API_KEY="your-api-key"
export OPENAI_API_KEY="your-api-key"

搞定这些，你就可以开始玩转 VisionAgent 了！

例子 1：数人头

想知道一张图片里有多少人？简单！

from vision_agent.agent import VisionAgentCoderV2
from vision_agent.models import AgentMessage

# 创建一个 VisionAgent 实例
agent = VisionAgentCoderV2(verbose=True)

# 让 VisionAgent 生成代码来数人头
code_context = agent.generate_code(
    [
        AgentMessage(
            role="user",
            content="Count the number of people in this image",
            media=["people.png"]  # 假设你有一张名为 people.png 的图片
        )
    ]
)

# 把生成的代码保存到文件里
withopen("generated_code.py", "w") as f:
    f.write(code_context.code + "\n" + code_context.test)

运行这段代码，VisionAgent 就会生成一个名为 generated_code.py 的文件，里面就是数人头的代码啦！你可以直接运行这个文件，或者自己修改一下。

例子 2：直接用 VisionAgent 的工具

VisionAgent 不仅能生成代码，它还提供了一系列好用的工具，你可以直接拿来用。

比如，你想在一张图片里找出所有人，并把他们框出来：

import vision_agent.tools as T
import matplotlib.pyplot as plt

# 加载图片
image = T.load_image("people.png")

# 检测图片里的人
dets = T.countgd_object_detection("person", image)

# 把检测结果（框框）画在图片上
viz = T.overlay_bounding_boxes(image, dets)

# 保存结果
T.save_image(viz, "people_detected.png")

# 显示结果
plt.imshow(viz)
plt.show()

这段代码会生成一张名为 people_detected.png 的图片，里面的人都被框出来啦！

例子 3：视频处理

VisionAgent 还能处理视频！比如，你想在一段视频里跟踪某个物体：

import vision_agent.tools as T

# 从视频里提取每一帧和对应的时间戳
frames_and_ts = T.extract_frames_and_timestamps("people.mp4")  # 假设你有一个名为 people.mp4 的视频
frames = [f["frame"] for f in frames_and_ts]

# 在每一帧里跟踪 "person"
tracks = T.countgd_sam2_video_tracking("person", frames)

# 把跟踪结果（分割掩码）画在每一帧上
viz = T.overlay_segmentation_masks(frames, tracks)

# 把处理后的视频保存下来
T.save_video(viz, "people_detected.mp4")

这段代码会生成一个名为 people_detected.mp4 的视频，里面的人都被跟踪并标记出来啦！

想用其他的 LLM？

VisionAgent 默认使用 Anthropic Claude-3.5 和 OpenAI o1，但你也可以换成其他的 LLM。

只需要修改 vision_agent/configs 目录下的 config.py 文件就行。比如，你想只用 Anthropic，就把 anthropic_config.py 复制成 config.py：

cp vision_agent/configs/anthropic_config.py vision_agent/configs/config.py

同类工具？

这里就不给大家横向对比其他同类型工具了，因为 VisionAgent 本身就是一个集成工具，它把 LLM 当做大脑，然后调用各种视觉工具包来处理视觉任务。所以，VisionAgent 的强大之处在于它的“大脑”，也就是 LLM 的选择，实际上也没看见类似的工具