一秒找到東西！|NVIDIA神級AI教學

你是否有過這種經驗？翻遍手機相簿，就是找不到那張截圖；在密密麻麻的產品照片中，要找出特定零件，眼睛都快花了。或是身為設計師，想在幾百張素材圖裡找到「戴紅色帽子的那個人」，滑鼠點到快抽筋。

別擔心，NVIDIA 最新開源的 LocateAnything-3B 模型，就是為了解決這個困擾而生的。這個在 HuggingFace 上短短一週就獲得超過 1298 個讚的模型，號稱「只要說得出來，就能找得到」。而且最棒的是，它完全免費、開源，你可以在自己的電腦上執行，不用把照片上傳到任何雲端伺服器。

今天這篇教學，就是要帶你從零開始，用最簡單的方式，3分鐘內學會使用 LocateAnything-3B。不管你是完全不懂程式的普通人，還是想把它整合進工作流程的專業人士，這篇都適用。

這到底是什麼神器？｜一句話解釋 LocateAnything

簡單來說，LocateAnything-3B 是一個「AI 物體定位器」。你給它一張圖片，然後用「自然語言」描述你要找的東西——比如「左邊第二個杯子」、「穿藍色衣服的人」、「紅色圓形按鈕」——它就會用一個方框，精準地把那個物體框出來。

它跟一般的「物件偵測」模型不同。傳統模型只能辨識它「學過」的物體（比如貓、狗、車子），但 LocateAnything 厲害的地方在於，它能夠理解你隨意描述的語句。即使你描述的東西它從來沒「看過」，它也能根據上下文推測出你要找的是什麼。

這背後的技術是 NVIDIA 結合了「視覺語言模型」和「指涉表達理解（Referring Expression Comprehension）」的最新成果。簡單講，就是它同時「看」懂了圖片，也「讀」懂了你的話，然後把兩者對應起來。

第一步：免安裝！｜用 HuggingFace 線上體驗

如果你只是想快速體驗一下，完全不需要安裝任何東西。NVIDIA 官方在 HuggingFace 上提供了一個免費的線上 Demo。

1. 打開瀏覽器，前往 HuggingFace 的 LocateAnything 空間（搜尋 nvidia/LocateAnything-3B 就能找到）。
2. 你會看到一個簡單的介面，左邊可以上傳圖片，右邊是結果顯示區。
3. 點擊「上傳圖片」，選一張你電腦裡的照片，最好是內容豐富一點的，比如一張雜亂的桌面、一群人聚會的照片，或是你家的寵物。
4. 在下方文字框輸入你要找的東西。例如圖片中有一隻貓和一隻狗，你就輸入「那隻黑色的貓」。
5. 按下「送出」或「Locate」，等個幾秒鐘，圖片上就會出現一個紅色的框框，精準地框住你描述的物體。

是不是很神奇？你可以多試幾種不同的描述方式，例如「最右邊的人」、「桌上的手機」、「藍色的杯子」。你會發現，即使描述很模糊，它也能給你合理的答案。

第二步：本地安裝｜在自己的電腦上跑起來

線上體驗雖然方便，但如果你有大量圖片要處理，或是注重隱私不想上傳照片，那就需要在本機端跑這個模型了。放心，步驟非常簡單，你只需要有 Python 基礎知識就夠。

環境準備

首先，確認你的電腦有安裝 Python 3.8 以上版本。然後打開終端機（Windows 用戶打開命令提示字元或 PowerShell），依序輸入以下指令：

# 建立一個新的資料夾
mkdir locate-anything-demo
cd locate-anything-demo

# 建立虛擬環境（建議）
python -m venv venv
# Windows 啟動虛擬環境
venv\Scripts\activate
# Mac/Linux 啟動虛擬環境
source venv/bin/activate

# 安裝必要的套件
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install transformers pillow gradio

這裡我們安裝了 PyTorch（AI 運算核心）、Transformers（HuggingFace 模型庫）、Pillow（圖片處理）和 Gradio（快速建立網頁介面）。

下載模型並執行程式

接下來，複製以下程式碼，貼到一個新檔案，命名為 app.py：

import gradio as gr
from transformers import AutoModelForUniversalSegmentation, AutoProcessor
from PIL import Image
import torch

# 載入模型和處理器
model_name = "nvidia/LocateAnything-3B"
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForUniversalSegmentation.from_pretrained(
    model_name, 
    trust_remote_code=True,
    torch_dtype=torch.float16  # 節省記憶體
)

def locate_object(image, text_query):
    # 處理輸入
    inputs = processor(images=image, text=text_query, return_tensors="pt")
    
    # 執行推理
    with torch.no_grad():
        outputs = model(**inputs)
    
    # 取得邊界框結果
    boxes = outputs.pred_boxes[0].tolist()
    scores = outputs.scores[0].tolist()
    
    # 在圖片上畫框
    from PIL import ImageDraw
    draw = ImageDraw.Draw(image)
    for box, score in zip(boxes, scores):
        if score > 0.3:  # 只顯示信心度大於30%的結果
            draw.rectangle(box, outline="red", width=5)
    
    return image

# 建立 Gradio 介面
iface = gr.Interface(
    fn=locate_object,
    inputs=[
        gr.Image(type="pil", label="上傳圖片"),
        gr.Textbox(label="描述你要找的物體", placeholder="例如：左邊第二個杯子")
    ],
    outputs=gr.Image(label="結果"),
    title="NVIDIA LocateAnything-3B 本地版",
    description="上傳一張圖片，然後用文字描述你要找的物體，AI會自動幫你框出來！"
)

iface.launch(share=False)  # share=True 可以產生公開連結

然後在終端機執行：

python app.py

第一次執行會自動下載模型（約 6GB），請耐心等待。下載完成後，終端機會顯示一個本地網址（通常是 http://127.0.0.1:7860），用瀏覽器打開就能看到跟線上版類似的介面了。

進階技巧：批次處理大量圖片

如果你有幾百張圖片要處理，不想一張一張上傳，可以改用以下批次處理腳本：

import os
from PIL import Image
from transformers import AutoModelForUniversalSegmentation, AutoProcessor
import torch

model_name = "nvidia/LocateAnything-3B"
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForUniversalSegmentation.from_pretrained(
    model_name, trust_remote_code=True, torch_dtype=torch.float16
)

input_folder = "input_images"
output_folder = "output_results"
os.makedirs(output_folder, exist_ok=True)

query = "手機"  # 你要找的物體

for filename in os.listdir(input_folder):
    if filename.endswith((".jpg", ".png", ".jpeg")):
        image_path = os.path.join(input_folder, filename)
        image = Image.open(image_path).convert("RGB")
        
        inputs = processor(images=image, text=query, return_tensors="pt")
        with torch.no_grad():
            outputs = model(**inputs)
        
        boxes = outputs.pred_boxes[0].tolist()
        scores = outputs.scores[0].tolist()
        
        # 在圖片上畫框
        from PIL import ImageDraw
        draw = ImageDraw.Draw(image)
        for box, score in zip(boxes, scores):
            if score > 0.3:
                draw.rectangle(box, outline="red", width=5)
        
        output_path = os.path.join(output_folder, f"located_{filename}")
        image.save(output_path)
        print(f"已處理: {filename}")

print("全部完成！")

這個腳本會讀取 input_images 資料夾裡的所有圖片，自動找出你指定的物體，並在 output_results 資料夾輸出標記好的圖片。

第三步：進階應用｜結合其他工具打造超級工作流

LocateAnything 最強大的地方，是它可以跟其他 AI 工具結合，變成自動化流程的一部分。

案例一：自動整理照片庫

你有一萬張家庭照片，想找出所有「有小孩在沙灘玩耍」的照片。你可以這樣做：

1. 先用圖片字幕模型（如 BLIP）為每張照片產生描述。
2. 再用 LocateAnything 對這些描述進行「二次定位」，確認小孩和沙灘的位置。
3. 最後自動把符合條件的照片移動到「沙灘回憶」資料夾。

案例二：電商產品品質檢測

如果你是網拍賣家，每天有上百件商品要拍照上架。你可以建立一個自動化流程：

1. 拍攝商品照片後，自動用 LocateAnything 檢查「商品是否在畫面中央」。
2. 如果偵測到商品偏移，自動標記為「不合格」，並提示重新拍攝。
3. 甚至可以結合 OCR，檢查商品標籤上的文字是否清晰可見。

案例三：學術研究輔助

研究人員在分析顯微鏡照片時，常常需要手動標記特定細胞或結構。現在只要寫一個簡單的腳本，就能讓 AI 自動幫你標記「紅色的細胞核」或「受損的組織區域」，大幅節省人工標註的時間。

實用技巧｜讓 LocateAnything 更聽話

經過測試，我們發現幾個能讓結果更準確的小技巧：

• 描述要具體：不要只說「杯子」，試著說「左邊那個藍色馬克杯」。越具體，AI 越容易鎖定目標。
• 善用空間詞：使用「左邊」、「右邊」、「上面」、「下面」、「中間」等詞，能幫助 AI 理解相對位置。
• 多試幾種說法：如果第一次沒找到，換個描述方式試試。例如「穿紅色衣服的人」改成「照片中間穿紅衣的那位」。
• 調整信心度門檻：在程式碼中調整 score > 0.3 這個數值。調低（如 0.1）會顯示更多候選框，調高（如 0.7）則只顯示最有把握的結果。

為什麼你應該現在就試？

LocateAnything-3B 代表的是一個趨勢：AI 正從「能辨識什麼」進化到「能理解你在找什麼」。這不是一個玩具，而是真正能提升工作效率的工具。不管是整理照片、處理設計素材、還是做研究分析，它都能幫你省下大量「眼睛搜尋」的時間。

而且，它是 NVIDIA 開源的，意味著你不用擔心未來要付費，社群也會持續改進它。現在學會，就是投資自己未來的生產力。

---

延伸閱讀

• 一秒找到東西！|NVIDIA神級AI教學
• 一秒找到東西！|NVIDIA神級AI教學
• 五分鐘學會！|免費生成AI影片

常見問題

Q: 我的電腦需要多好的顯示卡才能跑？ A: 其實不需要很好的顯示卡。LocateAnything-3B 可以在 CPU 上執行（只是速度較慢）。如果你有 NVIDIA 顯示卡（6GB VRAM 以上），可以用 GPU 加速，速度會快 5-10 倍。Mac 的 M1/M2 晶片也能順利執行。

Q: 支援繁體中文輸入嗎？ A: 目前官方版本主要針對英文設計，對繁體中文的支援有限。建議先用英文描述（例如 “the blue cup on the left”），效果最好。社群已經有人在開發中文版本，相信不久後就會出現。

Q: 可以一次找多個物體嗎？ A: 可以，但需要分次執行。例如先輸入「紅色杯子」，儲存結果後，再輸入「藍色盤子」。批次處理腳本可以讓你一次處理多個查詢，但每個查詢是獨立進行的。

Q: 模型下載後佔用多少空間？ A: 完整模型約 6GB，加上相關依賴套件，總共約 10GB。建議在硬碟保留至少 20GB 的空間。

Q: 跟 Google 的「以圖搜圖」有什麼不同？ A: 完全不同。Google 以圖搜圖是「用圖片找相似的圖片」，LocateAnything 是「用文字描述在單張圖片中定位物體」。前者是搜尋引擎，後者是視覺理解工具，兩者可以互補使用。