2026年入门AI还来得及？Python是最好的选择！

# 1. 安装Python（推荐3.11版本，兼容所有入门工具）
# 官网：https://www.python.org/downloads/，安装时勾选Add Python to PATH
# 验证安装
python --version  # 输出Python 3.11.x即为成功

# 2. 升级pip，避免安装失败
pip install --upgrade pip

# 3. 一键安装入门必备工具（覆盖所有热门方向）
pip install streamlit fastapi langchain transformers opencv-python pandas numpy

# 4. 验证工具安装成功
import streamlit as st
import pandas as pd
import cv2

print("所有工具安装成功！")

# 导入必备库
import streamlit as st
from langchain.llms import OpenAI
from langchain.chains import SummarizationChain
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 页面配置（美化界面，CSDN博客展示更美观）
st.set_page_config(page_title="AI文本总结工具", page_icon="📝")
st.title("📝 2026 AI文本总结工具（Python+Streamlit）")

# 输入API密钥（可替换为通义千问、文心一言API）
api_key = st.text_input("请输入你的OpenAI API密钥", type="password")

# 输入需要总结的文本
input_text = st.text_area("请输入需要总结的文本（支持长文本）", height=200)

# 总结按钮
if st.button("开始总结"):
    if not api_key or not input_text:
        st.warning("请输入API密钥和文本！")
    else:
        # 初始化大模型
        llm = OpenAI(api_key=api_key, model_name="gpt-3.5-turbo-instruct")
        # 分割长文本（避免超出模型长度限制）
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
        texts = text_splitter.split_text(input_text)
        # 初始化总结链
        chain = SummarizationChain.from_llm(llm=llm, chain_type="map_reduce")
        # 生成总结
        summary = chain.run(texts)
        # 展示结果
        st.success("总结完成！")
        st.subheader("总结结果：")
        st.write(summary)

# 导入必备库
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
from peft import LoraConfig, get_peft_model
import torch

# 加载Llama 3模型和Tokenizer（开源模型，可免费使用）
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"  # 自动分配GPU/CPU
)

# 配置LoRA微调（轻量化微调，无需大量显存）
lora_config = LoraConfig(
    r=8,  # 秩，越小显存占用越少
    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)

# 准备微调数据（简单示例，可替换为自己的数据集）
data = [
    {"input": "请介绍Python基础语法", "output": "Python基础语法包括变量、循环、条件判断、函数等..."}
]

# 数据预处理（将数据转换为模型可识别的格式）
def format_data(sample):
    return f"用户：{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"
)

# 配置训练参数（简化配置，新手无需修改）
training_args = TrainingArguments(
    output_dir="./llama3-finetune",
    per_device_train_batch_size=1,
    num_train_epochs=3,
    logging_steps=10,
    learning_rate=2e-4
)

# 开始微调
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_data
)
trainer.train()

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

# 导入必备库
import cv2
from ultralytics import YOLO

# 加载YOLOv11模型（预训练模型，可直接用于目标检测）
model = YOLO("yolov11n.pt")  # 轻量化模型，适合新手

# 读取图像（可替换为自己的图像路径）
image = cv2.imread("test.jpg")

# 目标检测（自动识别图像中的目标，如人、车、物体）
results = model(image)

# 自动标注（在图像上绘制边界框和类别）
annotated_image = results[0].plot()

# 保存标注后的图像
cv2.imwrite("annotated_test.jpg", annotated_image)

# 显示标注结果
cv2.imshow("AI自动标注结果", annotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

print("自动标注完成，标注后的图像已保存！")