前言

你好，我是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：

# 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',
                                           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！

---

2. Android Studio配置

这里需要下载Android Studio应用

这里无需Android 开发，只是需要借用Android Studio提供的Android虚拟机进行代码调试，以及其提供的Android adb的接口来实现屏幕截图和Agent操作执行的功能；

，安装好以后，详细配置过程如下：

这一步是为了让AI 可以在桌面看到这个日历应用的图标；

3. MobileAgent项目部署与配置

• clone项目到本地：

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：

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 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

1. 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）。

2. 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。

3. 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。

4. 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。

5. 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')
      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

• 功能：主循环执行多轮操作，并根据一定条件终止循环。

• 代码：

  while True:
      iter += 1
      # First iteration...
      # Action decision...
      # Memory update...
      # Reflection...
      if "Stop" in action:
          break
      time.sleep(5)
  

• 思路：项目在一个循环中进行，直到任务完成或达到终止条件。每次循环都会根据新的屏幕截图和用户指令更新操作，并在适当的时候进行反思和策略调整。

8. 总结功能

• 功能：对项目进行总结，提取核心内容，确保项目达成目标。

• 代码：

  completed_requirements = output_planning.split("### Completed contents ###")[-1].replace("\n", " ").strip()
  

• 思路：这一部分通过对完成任务的总结，验证项目的执行效果，确保达到用户的预期目标。

---

项目详细代码参考下面的链接；

参考链接

• 阿里百炼
• 代码文件
• 体验链接

---

如果觉得我的文章对您有帮助，三连+关注便是对我创作的最大鼓励！或者一个star🌟也可以😂.