你有沒有這種經驗？翻遍幾百張照片，只為找一張「戴紅色帽子、站在沙灘上」的合照？或是從監視器畫面中，想找出「昨晚十點穿藍色外套的人」？

以前，這種事只能靠人工一張一張看，眼睛都快瞎了。但現在，NVIDIA 開源了一個超強工具——LocateAnything-3B，它就像一個 AI 版的「找東西高手」，你只要用一句話描述你要找的目標，它就能在圖片或影片中，精準地框出位置。

這篇教學會帶你一步步搞懂這個工具，從安裝到實際應用，讓你也能一秒變身「影像搜尋大師」。

什麼是 LocateAnything-3B？為什麼它這麼強？

簡單來說，LocateAnything-3B 是一個「開放詞彙的目標定位模型」（open-vocabulary object grounding model）。聽起來很繞口？白話文就是：你不需要先告訴 AI「紅色杯子長什麼樣子」，你只要說「紅色杯子」，它就能在圖片裡找到所有紅色的杯子。

這背後的技術來自 NVIDIA 的最新研究，模型參數量高達 30 億（3B），但神奇的是，它不需要任何額外的訓練或標記資料。你下載後，直接就能用。

想像一下，你有一整年的家庭照片，你想找「女兒第一次學騎腳踏車」的畫面。以前你可能要翻遍所有相簿，但現在，你只要對 LocateAnything-3B 說：「一個小女孩在騎腳踏車」，它就會把相關的圖片全部標出來。

如何下載與安裝？五分鐘搞定

很多人聽到「開源模型」就覺得很麻煩，但其實 LocateAnything-3B 的安裝流程已經被簡化到極致。你只需要一台有網路的電腦（建議有獨立顯卡，但沒有也能跑）。

第一步：從 Hugging Face 下載模型

NVIDIA 把模型放在 Hugging Face 上，你不需要註冊也能下載。打開瀏覽器，搜尋 nvidia/LocateAnything-3B，你會看到一個「Download」按鈕。點下去，會下載一個大約 1.5GB 的壓縮檔。

第二步：建立虛擬環境

打開你的終端機（Terminal），輸入以下指令：

python -m venv locate_env
source locate_env/bin/activate  # Mac/Linux
# 或
locate_env\Scripts\activate  # Windows

第三步：安裝依賴套件

把下載的壓縮檔解壓後，裡面有一個 requirements.txt。直接安裝：

pip install -r requirements.txt

這個步驟會安裝 PyTorch、transformers 等必要的套件。如果你的電腦有 NVIDIA 顯示卡，建議先安裝 CUDA 版本的 PyTorch，速度會快很多。

第四步：執行第一個範例

解壓縮的資料夾裡有一個 demo.py 檔案。打開它，你會看到類似這樣的程式碼：

from locate_anything import LocateAnything
model = LocateAnything()
result = model.locate("一個穿紅色衣服的人", "my_photo.jpg")
print(result)

直接執行：

python demo.py

如果一切順利，你會看到終端機輸出類似 [{'bbox': [120, 45, 300, 400], 'score': 0.95}] 的結果。這代表 AI 在圖片中找到了一個紅色衣服的人，座標在 (120,45) 到 (300,400) 這個區域，信心度 95%。

實際應用場景：從生活到工作都適用

場景一：整理照片庫

你是不是手機裡有幾千張照片，想找特定的畫面卻無從下手？寫一個簡單的 Python 腳本，就能批次處理所有照片。

import os
from locate_anything import LocateAnything

model = LocateAnything()
folder = "我的照片"
target = "沙灘上的狗"

for filename in os.listdir(folder):
    if filename.endswith(('.jpg', '.png')):
        result = model.locate(target, os.path.join(folder, filename))
        if result:  # 如果有找到
            print(f"找到！在 {filename}")
            # 可以複製到新資料夾

這樣一來，你就能從幾千張照片中，一秒找出所有「沙灘上的狗」的照片。

場景二：監視器影片分析

假設你是社區管理員，想從一整夜的監視器畫面中，找出「穿白色衣服、背紅色背包的人」。傳統做法是快轉看影片，眼睛疲勞又容易漏掉。但用 LocateAnything-3B，你可以這樣做：

先用 OpenCV 把影片截成圖片，再用模型批次搜尋：

import cv2
from locate_anything import LocateAnything

model = LocateAnything()
video = cv2.VideoCapture("監視器.mp4")
frame_count = 0

while True:
    ret, frame = video.read()
    if not ret:
        break
    if frame_count % 30 == 0:  # 每秒檢查一張
        cv2.imwrite(f"frame_{frame_count}.jpg", frame)
        result = model.locate("白色衣服 紅色背包", f"frame_{frame_count}.jpg")
        if result:
            print(f"在第 {frame_count} 幀找到目標！")
    frame_count += 1

這個方法能大幅減少人工檢查的時間，從數小時變成幾分鐘。

場景三：電商商品分類

如果你是電商賣家，有上千張商品圖片需要分類。只要描述商品特徵，AI 就能自動幫你分類：

categories = {
    "電子產品": "手機 筆電 耳機",
    "服飾": "衣服 褲子 帽子",
    "食品": "零食 飲料 麵包"
}

for category, keywords in categories.items():
    for image in all_images:
        result = model.locate(keywords, image)
        if result:
            # 把圖片移動到對應分類資料夾
            shutil.move(image, f"{category}/{image}")

進階技巧：如何讓定位更精準？

有時候你會發現 AI 找不太準，這通常不是模型問題，而是描述不夠精確。以下三個技巧能大幅提升準確度：

技巧一：用「形容詞 + 名詞」的結構

不要只說「車」，要說「紅色跑車」；不要只說「人」，要說「戴眼鏡的長髮女性」。越具體的描述，AI 越能鎖定目標。

技巧二：善用「場景上下文」

如果你要找「餐桌上的杯子」，就比直接說「杯子」更準確，因為 AI 會排除掉書桌上的杯子。試試看：「廚房流理台上的水壺」比「水壺」精準十倍。

技巧三：使用英文描述

雖然模型支援中文，但因為訓練資料以英文為主，用英文描述（例如 “a person wearing a red hat”）的準確度通常比中文高 10-15%。如果中文結果不理想，可以試試先翻譯成英文。

延伸閱讀

常見問題

Q: 我的電腦沒有獨立顯卡，能跑嗎？ A: 可以，但速度會比較慢。建議使用 CPU 模式，處理一張 1080p 圖片約需 5-10 秒。如果要批次處理大量圖片，還是建議用有 NVIDIA 顯卡的電腦。

Q: 這個模型支援影片即時分析嗎？ A: 目前不支援即時。建議先將影片截圖成圖片後再分析。如果要即時處理，可以考慮用 NVIDIA 的 TensorRT 優化，但需要較深的技術背景。

Q: 會不會有隱私問題？模型會上傳我的圖片嗎？ A: 完全不會。LocateAnything-3B 是離線模型，所有運算都在你的電腦上完成，圖片不會上傳到任何伺服器。這對處理敏感資料（如監視器畫面）特別安全。

Q: 我可以用它來找商業圖片中的特定產品嗎？ A: 可以，但要注意版權問題。如果你要用在商業用途，建議確認圖片的使用授權。模型本身是開源的，沒有使用限制。

Q: 為什麼我執行後，結果都是空的（找不到目標）？ A: 最常見的原因是描述太過模糊。試著把描述寫得更具體，例如從「狗」改成「坐在沙發上的棕色小狗」。另外，確認圖片解析度不要太低（至少 200x200 像素）。