本文主要是介绍基于多模态大语言模型的摄像头实时感知交互，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
简介：
调用本地摄像头，通过多模态大语言模型实时感知世界，并进行交互
界面：
代码：
import tkinter as tk
from tkinter import ttk
from PIL import Image, ImageTk
import cv2
import requests# 定义处理函数
def capture_and_send():# 从摄像头读取当前帧ret, frame = cap.read()if ret:# 将帧转换为图像格式_, buffer = cv2.imencode('.jpg', frame)image_data = buffer.tobytes()# 获取用户输入的 promptprompt = prompt_entry.get()# 构建请求数据files = {'image': ('image.jpg', image_data, 'image/jpeg')}data = {'prompt': prompt}# 发送 POST 请求到多模态大语言模型的服务response = requests.post('http://10.136.22.140:7860/qwenvl2', files=files, data=data)# 将响应显示在结果文本框中if response.status_code == 200:result = response.json()['text']result_entry.delete(1.0, tk.END)result_entry.insert(tk.END, result)else:result_entry.delete(1.0, tk.END)result_entry.insert(tk.END, "Error: " + str(response.status_code))def clear_text():# 清空两个文本框的内容prompt_entry.delete(0, tk.END)result_entry.delete(1.0, tk.END)def update_frame():ret, frame = cap.read()if ret:# 将图像转换为适合在 Tkinter 中显示的格式cv2image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)img = Image.fromarray(cv2image)imgtk = ImageTk.PhotoImage(image=img)camera_label.imgtk = imgtkcamera_label.configure(image=imgtk)# 每 10 毫秒更新一次camera_label.after(10, update_frame)# 创建主窗口
root = tk.Tk()
root.title("Multi-modal AI Interface")
root.geometry("900x600") # 设置窗口大小# 样式配置
style = ttk.Style()
style.configure("TButton", font=("Arial", 12), padding=10)
style.configure("TLabel", font=("Arial", 12))
style.configure("TEntry", font=("Arial", 12))
style.configure("TText", font=("Arial", 12))# 摄像头画面区域
camera_label = ttk.Label(root)
camera_label.grid(row=0, column=0, rowspan=6, padx=10, pady=10, sticky="nsew")# Prompt 输入框
prompt_label = ttk.Label(root, text="Enter prompt:")
prompt_label.grid(row=0, column=1, padx=10, pady=5, sticky="w")
prompt_entry = ttk.Entry(root, width=50)
prompt_entry.grid(row=1, column=1, padx=10, pady=5, sticky="ew")# 结果显示框
result_label = ttk.Label(root, text="Model Output:")
result_label.grid(row=2, column=1, padx=10, pady=5, sticky="w")
result_entry = tk.Text(root, width=50, height=15)
result_entry.grid(row=3, column=1, padx=10, pady=5, sticky="ew")# 发送按钮
send_button = ttk.Button(root, text="Send to Model", command=capture_and_send)
send_button.grid(row=4, column=1, padx=10, pady=5, sticky="ew")# 清空按钮
clear_button = ttk.Button(root, text="Clear Text", command=clear_text)
clear_button.grid(row=5, column=1, padx=10, pady=5, sticky="ew")# 打开摄像头
cap = cv2.VideoCapture(0)# 开始摄像头实时更新
update_frame()# 运行主循环
root.mainloop()# 释放摄像头
cap.release()
cv2.destroyAllWindows()
这篇关于基于多模态大语言模型的摄像头实时感知交互的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
