导读

随着视觉语言模型的发展，计算机视觉系统正在从传统的固定类别识别逐渐迈向开放目标理解。本文基于开放目标视觉计数模型
CountGD++，构建了一套交互式 AI
视觉计数系统，将模型推理能力与网页交互、人工反馈以及标注数据导出功能相结合，实现了面向开放目标的自动计数与辅助标注。

一、从目标检测到开放目标计数：视觉理解能力的新阶段

计算机视觉的发展，是机器对视觉世界理解能力不断提升的过程。

传统方法主要关注图像分类、目标检测和实例分割，使模型能够回答"是什么"和"在哪里"。

但在工业生产、农业统计、仓储管理以及机器人操作等场景中，还需要进一步回答：

场景中到底有多少个目标？

这推动了视觉计数（Visual Counting）任务的发展。

相比固定类别检测，开放目标计数进一步结合视觉语言模型，使模型能够根据用户指定目标完成数量估计。

二、CountGD++：基于视觉语言模型的开放目标计数方法

CountGD++ 是一种面向开放目标视觉计数任务的视觉语言模型。

该方法结合图像信息与文本提示（Prompt），使模型能够根据用户指定目标完成实例定位与数量估计。

例如输入：

orange

模型能够理解当前目标，并在图像中寻找对应实例，输出位置和数量。

其流程为：

图像输入
+
文本提示 Prompt
↓
视觉-语言特征融合
↓
目标定位与数量预测

CountGD++的核心优势在于开放目标理解能力。用户无需针对不同目标重新训练模型，只需要改变输入提示，即可完成不同类别目标的计数任务。

三、基于 CountGD++ 的交互式视觉计数系统实现与效果展示

本文基于 CountGD++ 构建了一套交互式视觉计数系统。

系统流程：

图像输入
↓
目标描述 Prompt
↓
CountGD++ 推理
↓
目标定位与数量统计
↓
结果可视化与数据导出

系统支持：

• 文本目标提示；
• 自动目标计数；
• 预测结果可视化；
• 视觉示例辅助；
• JSON 标注结果导出。

3.1 不同场景下的自动计数效果

通过输入不同目标描述，系统能够动态切换关注对象。

例如输入：

apple

即可统计图片中的苹果数量。

3.2 密集目标场景下的交互优化

针对竹签等密集目标场景，通过视觉示例辅助目标匹配，可以提升复杂环境下的预测效果。

测试结果：

目标：竹签

数量：97

3.3 从视觉计数结果到标注数据

系统支持将预测结果导出为 JSON
文件，包括目标类别、位置和数量信息，可辅助视觉数据构建。

四、从视觉计数到智能感知：未来应用探索

视觉计数不仅是一项独立任务，也代表计算机视觉从目标识别走向环境理解的发展方向。

4.1 智能制造中的数量理解

开放目标计数可以应用于：

• 零件统计；
• 工具管理；
• 产品检测；
• 仓储盘点。

4.2 机器人环境理解与自主操作

机器人不仅需要知道环境中有什么，还需要理解目标数量和任务相关性。

视觉计数能够为目标选择和自主操作提供基础视觉信息

4.3 面向智能系统的数据构建

交互式视觉计数系统还可以辅助：

• 数据采集；
• 半自动标注；
• 模型训练。

总结

本文基于 CountGD++ 构建了一套交互式 AI
视觉计数系统，实现了开放目标计数、结果可视化以及标注数据导出。

开放目标视觉计数不仅能够完成目标统计任务，也具备服务于视觉数据构建、机器人感知以及智能制造等场景的潜力。

---

【码上视觉】

记录计算机视觉与智能系统实践。