前言

你好，我是<code>GISer Liu，一名热爱AI技术的GIS开发者，本文是DataWhale 2024 AI夏令营的最后一期——Mobile-Agent赛道，这是作者的学习文档，这里总结一下，和作者一起学习这个多模态大模型新项目吧😀；

一、准备工作

为了快速实现本次项目准备工作，作者将对应步骤的的流程用图片展示，各位读者只需要按顺序执行即可;

1. API申请

打开阿里云百炼官网，API申请步骤如下：

复制创建的API KEY;

这里注意保存获得的API KEY，不要泄露给别人；

我们可以在这里测试一下API接口是否正常：

<code># Refer to the document for workspace information: https://help.aliyun.com/document_detail/2746874.html

from dashscope import MultiModalConversation

import dashscope

dashscope.api_key = "<your api key>"

def simple_multimodal_conversation_call():

"""Simple single round multimodal conversation call.

"""

messages = [

{

"role": "user",

"content": [

{ "image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/dog_and_girl.jpeg"},

{ "text": "这是什么?"}

]

}

]

responses = MultiModalConversation.call(model='qwen-vl-plus',code>

messages=messages,

stream=True)

for response in responses:

print(response)

if __name__ == '__main__':

simple_multimodal_conversation_call()

作者输出如下：

没有问题！

<code>git lfs install

git clone https://www.modelscope.cn/datasets/Datawhale/MobileAgent_V2_Demo_qwenVL.git

cd MobileAgent_V2_Demo_qwenVL

创建环境：

<code>conda create -n moblieagent python=3.9.19

conda activate moblieagent

复制如下命令在终端执行，安装相关依赖

Mac电脑运行这个：

pip install -r mac_requirements.txt

Win电脑运行这个：

pip install -r win_requirements.txt

运行项目

python run.py

效果如下

二、思路分析

1. 项目基础

本项目是一个基于手机操作的自动化助手系统，旨在通过多模态大模型技术来读取手机屏幕内容，识别屏幕元素，并根据用户的指令自动操作手机。整个项目的核心是结合了文本识别、图像识别和LLM技术，使用了多种深度学习模型来实现手机自动化操作的流程。

2. 平台与技术栈

平台：

项目运行在Android设备上，通过ADB(Android Debug Bridge)接口与手机进行交互。使用了Python编写逻辑代码，并集成了多种AI模型用于图像处理和文本分析。

技术栈：

图像处理与识别：

OCR（光学字符识别）： 用于从截图中提取文本内容。使用了 <code>damo/cv_resnet18_ocr-detection-line-level_damo 和 damo/cv_convnextTiny_ocr-recognition-document_damo 两个模型。图标检测： 使用 GroundingDINO 模型来检测屏幕上的图标。

自然语言处理：

Qwen-VL 系列模型： 用于自然语言理解和生成，模型的选择可以是本地模型（如 qwen-vl-chat）或通过API访问（如 qwen-vl-plus）。Prompt Engineering： 使用prompt来指导模型生成适合的响应，包括操作指令生成、反思生成、记忆生成和操作流程规划。

设备控制：

使用 get_screenshot、tap、slide 等函数通过ADB接口操作Android设备，如截图、点击、滑动、输入文本等。

集成的模型框架：

使用了 ModelScope 平台的pipeline来下载和调用AI模型。集成了 dashscope 用于多模态对话。

3. 主要流程分析

初始化

配置设定： 设置ADB路径，指令内容，模型类型，API密钥等基本配置。模型加载： 根据配置加载OCR模型、图标检测模型、以及Qwen-VL模型（可以是本地或API调用）。

获取屏幕信息

截图： 使用ADB获取当前手机屏幕截图并保存。OCR识别： 通过OCR模型检测截图中的文本块及其坐标位置。图标检测： 通过GroundingDINO模型检测截图中的图标位置，并将图标裁剪出来进行进一步识别。结果合并： 将文本块和图标识别结果整理成统一格式的 perception_infos 列表，每个元素包含检测到的内容（文本或图标描述）及其屏幕坐标。

处理用户指令

生成操作指令： 通过调用Qwen-VL模型，根据 perception_infos 生成操作指令（如点击、滑动、输入等）。执行操作： 根据生成的操作指令通过ADB接口对手机进行相应的操作。

反思与记忆

反思： 项目支持通过对比前后两次截图的差异，生成反思Prompt，分析当前操作是否正确或需要修正。记忆： 项目可以将重要的信息保存到记忆中，以便后续操作中更好地理解和处理。

迭代循环

重复操作： 以上过程在一个循环中不断重复，直到完成所有指令或满足停止条件。

三、 代码分析

项目的主要目的是通过调用多模态大模型和图像处理技术，实现对移动设备的屏幕内容的读取、分析和操作。项目通过 Android 设备桥（ADB）与设备通信，获取屏幕截图，然后利用各种模型进行图像识别、文字识别、操作决策，最终执行用户指令。

项目由多个模块组成，每个模块都承担特定的功能。以下是模块划分和相应的代码分析：

1. 环境设置与初始化

功能：设置ADB路径、用户指令、选择模型和API的调用方式等配置。代码：

# Your ADB path

adb_path = "C:/Users/<username>/AppData/Local/Android/Sdk/platform-tools/adb.exe"

# Your instruction

instruction = "Read the Screen, tell me what day it is today. Then open Play Store."

# Choose between "api" and "local". api: use the qwen api. local: use the local qwen checkpoint

caption_call_method = "api"

# Choose between "qwen-vl-plus" and "qwen-vl-max" if use api method. Choose between "qwen-vl-chat" and "qwen-vl-chat-int4" if use local method.

caption_model = "qwen-vl-plus"

# If you choose the api caption call method, input your Qwen api here

qwen_api = "<your api key>"

# Other settings...

思路：在开始前，项目通过设置 ADB 路径、用户指令、API调用方式以及模型选择来初始化项目运行的基础环境。

2. 聊天历史初始化

功能：初始化不同对话历史（如操作历史、反思历史、记忆历史）用于后续交互。

代码：

def init_action_chat():

operation_history = []

sysetm_prompt = "You are a helpful AI mobile phone operating assistant. You need to help me operate the phone to complete the user's instruction."

operation_history.append({ 'role': 'system', 'content': [{ 'text': sysetm_prompt}]})

return operation_history

思路：不同的聊天初始化函数用于分别构建操作对话历史、反思对话历史、记忆对话历史等，这样在不同阶段可以复用这些历史对话记录来生成决策。

3. 图像处理与信息提取

功能：截取手机屏幕、进行OCR识别、图标检测、坐标处理等。

代码：

def get_perception_infos(adb_path, screenshot_file):

get_screenshot(adb_path)

width, height = Image.open(screenshot_file).size

text, coordinates = ocr(screenshot_file, ocr_detection, ocr_recognition)

text, coordinates = merge_text_blocks(text, coordinates)

center_list = [[(coordinate[0]+coordinate[2])/2, (coordinate[1]+coordinate[3])/2] for coordinate in coordinates]

draw_coordinates_on_image(screenshot_file, center_list)

perception_infos = []

for i in range(len(coordinates)):

perception_info = { "text": "text: " + text[i], "coordinates": coordinates[i]}

perception_infos.append(perception_info)

# Detect icons...

# Add icon descriptions to perception_infos...

return perception_infos, width, height

思路：该模块负责从手机截图中提取有用的信息，包括文本和图标，并将这些信息转化为后续操作的输入。

4. 深度学习模型加载与推理

功能：加载和初始化所需的深度学习模型，处理用户的指令。

代码：

device = "cpu"

torch.manual_seed(1234)

if caption_call_method == "local":

# Load local models...

elif caption_call_method == "api":

# Use API for models...

思路：根据用户选择，项目会加载本地或API提供的模型来进行图像描述、文本识别、图标检测等任务。通过选择不同模型和API，可以适应不同的应用场景和硬件环境。

5. 操作与执行

功能：根据模型输出的操作指令，执行相应的手机操作（点击、滑动、返回等）。

代码：

if "Open app" in action:

# Open a specific app...

elif "Tap" in action:

# Tap on a specific coordinate...

elif "Swipe" in action:

# Swipe from one coordinate to another...

elif "Type" in action:

# Type text...

elif "Back" in action:

back(adb_path)

elif "Home" in action:

home(adb_path)

elif "Stop" in action:

break

思路：这一部分是项目的核心逻辑，它根据分析得到的操作指令执行相应的手机操作，来完成用户的任务指令。

6. 反思与记忆模块

功能：通过反思上一次的操作结果来调整下一步操作的策略，并将有价值的信息存储在记忆中。

代码：

if reflection_switch:

prompt_reflect = get_reflect_prompt(...)

chat_reflect = init_reflect_chat()

chat_reflect = add_response_two_image("user", prompt_reflect, chat_reflect, [last_screenshot_file, screenshot_file])

output_reflect = call_with_local_file(chat_action, api_key=qwen_api, model='qwen-vl-plus')code>

reflect = output_reflect.split("### Answer ###")[-1].replace("\n", " ").strip()

chat_reflect = add_response("system", output_reflect, chat_reflect)

if 'A' in reflect:

thought_history.append(thought)

summary_history.append(summary)

action_history.append(action)

# Other conditions...

思路：通过反思模块，系统会基于之前的操作结果来判断是否需要调整策略，并将重要的信息存储到内存模块中，以便在后续操作中参考。

7. 主循环与终止条件