# 1. 安裝Python（推薦3.11版本，兼容所有入門工具）
# 官網(wǎng)：https://www.python.org/downloads/，安裝時勾選Add Python to PATH
# 驗證安裝
python --version  # 輸出Python 3.11.x即為成功

# 2. 升級pip，避免安裝失敗
pip install --upgrade pip

# 3. 一鍵安裝入門必備工具（覆蓋所有熱門方向）
pip install streamlit fastapi langchain transformers opencv-python pandas numpy

# 4. 驗證工具安裝成功
import streamlit as st
import pandas as pd
import cv2

print("所有工具安裝成功！")

# 導入必備庫
import streamlit as st
from langchain.llms import OpenAI
from langchain.chains import SummarizationChain
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 頁面配置（美化界面，CSDN博客展示更美觀）
st.set_page_config(page_title="AI文本總結(jié)工具", page_icon="??")
st.title("?? 2026 AI文本總結(jié)工具（Python+Streamlit）")

# 輸入API密鑰（可替換為通義千問、文心一言API）
api_key = st.text_input("請輸入你的OpenAI API密鑰", type="password")

# 輸入需要總結(jié)的文本
input_text = st.text_area("請輸入需要總結(jié)的文本（支持長文本）", height=200)

# 總結(jié)按鈕
if st.button("開始總結(jié)"):
    if not api_key or not input_text:
        st.warning("請輸入API密鑰和文本！")
    else:
        # 初始化大模型
        llm = OpenAI(api_key=api_key, model_name="gpt-3.5-turbo-instruct")
        # 分割長文本（避免超出模型長度限制）
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
        texts = text_splitter.split_text(input_text)
        # 初始化總結(jié)鏈
        chain = SummarizationChain.from_llm(llm=llm, chain_type="map_reduce")
        # 生成總結(jié)
        summary = chain.run(texts)
        # 展示結(jié)果
        st.success("總結(jié)完成！")
        st.subheader("總結(jié)結(jié)果：")
        st.write(summary)

# 導入必備庫
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import LoraConfig, get_peft_model
import torch

# 加載Llama 3模型和Tokenizer（開源模型，可免費使用）
model_name = "meta-llama/Llama-3-8B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map="auto"  # 自動分配GPU/CPU
)

# 配置LoRA微調(diào)（輕量化微調(diào)，無需大量顯存）
lora_config = LoraConfig(
    r=8,  # 秩，越小顯存占用越少
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora_config)

# 準備微調(diào)數(shù)據(jù)（簡單示例，可替換為自己的數(shù)據(jù)集）
data = [
    {"input": "請介紹Python基礎(chǔ)語法", "output": "Python基礎(chǔ)語法包括變量、循環(huán)、條件判斷、函數(shù)等..."}
]

# 數(shù)據(jù)預(yù)處理（將數(shù)據(jù)轉(zhuǎn)換為模型可識別的格式）
def format_data(sample):
    return f"用戶：{sample['input']}\n助手：{sample['output']}"

tokenized_data = tokenizer(
    [format_data(sample) for sample in data],
    truncation=True,
    max_length=256,
    padding="max_length"
)

# 配置訓練參數(shù)（簡化配置，新手無需修改）
training_args = TrainingArguments(
    output_dir="./llama3-finetune",
    per_device_train_batch_size=1,
    num_train_epochs=3,
    logging_steps=10,
    learning_rate=2e-4
)

# 開始微調(diào)
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_data
)
trainer.train()

# 保存微調(diào)后的模型
model.save_pretrained("./llama3-finetune-final")
print("微調(diào)完成！")

# 導入必備庫
import cv2
from ultralytics import YOLO

# 加載YOLOv11模型（預(yù)訓練模型，可直接用于目標檢測）
model = YOLO("yolov11n.pt")  # 輕量化模型，適合新手

# 讀取圖像（可替換為自己的圖像路徑）
image = cv2.imread("test.jpg")

# 目標檢測（自動識別圖像中的目標，如人、車、物體）
results = model(image)

# 自動標注（在圖像上繪制邊界框和類別）
annotated_image = results[0].plot()

# 保存標注后的圖像
cv2.imwrite("annotated_test.jpg", annotated_image)

# 顯示標注結(jié)果
cv2.imshow("AI自動標注結(jié)果", annotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

print("自動標注完成，標注后的圖像已保存！")