摘要：苦口婆心地摆事实讲道理：正处于身体生长发育的关键期，长期不良的坐姿对脊柱健康有着严重的影响。
孩子上学以后，就遇到了一个很难缠的问题：坐姿不正确。
看书还好，做作业的时候不是头趴下去，就是身子歪歪扭扭的。
买了专门的儿童学习桌椅和那种防止低头的支架，都不管用。
苦口婆心地摆事实讲道理：正处于身体生长发育的关键期，长期不良的坐姿对脊柱健康有着严重的影响。
孩子很理解，但是坚持一会儿就忘了，恢复自己最“舒服”的坐姿。把我逼得经常大声训斥：头抬起来！坐直！
但是父母也不能这么一直盯着，总得想想办法。
自动坐姿识别
作为程序员，必定要发挥编程的优势，把监督坐姿这件事儿给自动化了。
先上网搜了一下，发现早在2019年，北邮已经有人申请了专利《一种基于深度学习的人体坐姿实时监视方法和系统》:
将拍摄的人体坐姿图像实时输入至核心处理器中；核心处理器将接收到的人体坐姿图像作为输入，进入已训练好的Yolo3网络中，输出分类为人的包围框，将输出的包围框输入姿态估计器，通过G-RMI的网络得到关键点骨架图，将得到的骨架图输入分类器，得到人体坐姿图像对应用户的当前坐姿状态......
你看，这个世界的牛人实在太多，无论你有什么新想法，总是有人比你先想到。
不过这个过程实在是复杂，我是做不来。
这两年大模型很火爆，大模型生成文字、生成代码、识别图像、分析图像已经相当成熟，能不能用它干点儿事情呢？
比如，可以开发一个App，每隔一段时间对孩子的坐姿拍一张照片，然后把照片发给让大模型分析，看看坐姿是否正确，如果不正确App就可以语音提示。
相比专利中提到的方法，这个路子不需要我建立深度学习网络，分类器，脏活累活都被大模型做完了，难度一下子降低了一个数量级，相当于降维打击了。
就这么做，开干。
智谱GLM-4V-Flash
坐姿识别App功能很简单，虽然我不是Android程序员，但我相信拍照语音等功能不会很复杂，在大模型的辅助下，很容易就能开发出来。
关键是对坐姿图片的分析，这个一定得靠谱，不能把好的坐姿识别成坏的，更不能无法识别坏坐姿。
我又到网上搜索了一下，也询问了几个朋友，发现智谱大模型，智谱由清华大学的知识工程实验室孵化而来，GLM-4V-Flash专注于高效的单一图像理解，适用于快速图像解析的场景，正好符合我的需要。
我试了一下，这个模型不错，对图像的分类、描述、推理都很棒。
比如我用两个坐姿照片进行了测试，第一个是正确坐姿，第二个是错误坐姿。
可以看出对于每种情况，GLM-4V-Flash都能正确识别，并且给出更进一步的建议。
更重要的是，几乎所有的大模型在调用多模态能力的时候都是收费的，而GLM-4V-Flash则完全免费！
实现
我写代码的时候，喜欢先实现最核心的部分，这个坐姿识别最核心的自然是调用GLM-4V-Flash大模型。
于是申请账号，创建API Key，安装智谱的SDK，这些步骤不用我展开详细说，程序员都知道。
提示词是这样写的：
指令：分析提供的照片中学生的坐姿，并在1到10分的范围内进行评分。
如果坐姿大致正确，就不要因为一些错误的小细节而给低分，如果坐姿明显错误，一定要给出低分（5分以下）
若坐姿不理想，请提供具体的改进建议。输出结果应采用JSON格式，包含“score”和“suggestion”两个字段。
背景信息：照片中的学生坐在书桌前，可能正在学习。照片从侧面捕捉了学生的全身坐姿。
输出格式：
{
"score": [分数],
"suggestion": "[坐姿改进建议]",
}
这个提示词是我实验了多次得出来的，有个关键点是“如果坐姿大致正确，就不要因为一些错误的小细节而给低分”，
因为我发现大模型比较严厉，坐姿稍微有点错误就被它抓住，从而打低分。
输出是个JSON格式，包含了一个坐姿的评分分数，之所以没有用“正确”或者“不正确”这种二元的评价，一方面可以增加手机App的灵活度，另一方面以后也许可以对坐姿情况进行统计。
有了提示词，调用大模型就很简单：
client = ZhipuAI(api_key="xxxxxxxx") # 填写您自己的APIKeyresponse = client.chat.completions.create(model="glm-4v-flash", # 填写需要调用的模型名称messages=[{"role": "user","content": [{"type": "text","text": prompt},{"type": "image_url","image_url": {"url" : pic_url}}]}])message = response.choices[0].message# 读取其中的值content = message.content拿一个好的坐姿图调用一下:
对错误的坐姿，结果如下：
你可能注意到了，GLM-4V-Flash模型现在不支持图片上传，只支持图片链接，我手头正好有个云服务器，可以把图片上传到那里去。
既然如此，干脆把逻辑改成这样：
主要的逻辑都在服务器端实现，Android端只需要调用接口即可。
服务器端的逻辑不用自己从头写，可以用智谱的GLM-4-Flash模型来生成。
之前一直说的GLM-4V-Flash更加偏重视觉，而GLM-4-Flash这个模型更加通用，也是免费的。
生成的代码还不错，稍微改一下就可以用了：
手机端App的逻辑也不用自己写了，让GLM-4-Flash来帮忙吧：
其中核心的逻辑是这样的，其他细节就不再罗列了
总结
可以看出，在GLM-4V-Flash和GLM-4-Flash这两个大模型的辅助下，我快速完成了坐姿分析这个小应用，虽然其中还有很多细节（例如界面，提示词，API等）需要打磨，但是核心功能已经搞定，开发效率是很高的。
作为新上线的的视觉理解模型，GLM-4V-Flash大模型是坐姿识别的核心担当，表现相当不错，对图像理解准确，免费好用。和同样免费的GLM-4-Flash搭配就是支持多模态的全家桶，后者有着128K上下文和超强推理能力，生成代码对它来说就是小事一桩。
人工智能时代，建议大家都关注下大模型，关注一下GLM-4V-Flash，看看它的图像处理能力，想一想如何把大模型融合到实际的场景当中，也许能发掘出属于你自己的场景，提升工作效率，让生活更加美好。
来源：码农翻身一点号
