用 YOLO 和 WhatsApp 视频通话,把普通智能眼镜变成实时物体识别设备

开发者何笠同学(@HeLi8866)在 X 上分享了一套低成本方案:用 YOLO 追踪模型、OBS 虚拟摄像头和 macOS 语音合成,将带摄像头的智能眼镜改造成能实时报出人、车、狗的 AI 设备,并称免费、开源、普通 Mac 即可运行。

一句话看懂:开发者何笠同学(@HeLi8866)在 X 上分享了一套低成本方案:用 YOLO 追踪模型、OBS 虚拟摄像头和 macOS 语音合成,将带摄像头的智能眼镜改造成能实时报出人、车、狗的 AI 设备,并称免费、开源、普通 Mac 即可运行。

事件核心:发生了什么

2026 年 11 月 15 日,开发者何笠同学在 X 上发布了一套可复现的教程。核心流程并不复杂:先用 pip install ultralytics 安装 YOLO 工具链;戴上智能眼镜,通过 WhatsApp 视频通话把眼镜画面实时传回 Mac;在 OBS 中捕获通话窗口并开启虚拟摄像头,使画面以标准摄像头输入的形式进入系统;随后运行 YOLO 追踪命令,对每一帧做单次检测,并由默认的 ByteTrack 为物体分配跨帧 ID;再通过 classes 和 conf 参数只保留人、车、狗等目标类别;最后用 macOS 的 say 生成语音,经 BlackHole 等虚拟麦克风回传进通话,让提示音直接进入耳朵。作者还给出了自定义训练和导出到 iPhone(CoreML)或 Android(TFLite)的路径。需要说明的是,这目前是个人分享的开源玩法,并非厂商官方产品功能。

为什么重要

这套方案的价值在于把几个现成组件拼成了可用的实时视觉助手:YOLO 单阶段检测保证速度,ByteTrack 解决目标连续性,OBS 虚拟摄像头打通了任意视频输入源,语音合成则补上了免手操作的交互闭环。它说明大模型之外,轻量级视觉模型在消费级硬件上依然有很强的落地空间;开源模型和开发者社区正在把过去需要专门硬件才能做的事,变成一台 Mac 加一副眼镜就能完成。

对用户/开发者/创作者的影响

对普通用户,这是低门槛的辅助感知尝试,比如骑行或视障辅助场景;对开发者,教程完整展示了从视频接入、推理、追踪到语音输出的链路,可继续替换模型或接入本地语音服务;对创作者,自定义数据集训练的步骤意味着可以把自家产品、工具甚至宠物训练成专属识别目标,为内容创作和互动视频提供新玩法。不过实际体验仍受通话延迟、网络稳定性和 Mac 算力影响。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是这条链路在实际街道场景中的延迟和识别准确率是否稳定;二是是否有开发者把 CoreML/TFLite 导出路径做成开箱即用的手机端应用;三是智能眼镜厂商是否会官方开放摄像头视频流,降低对 WhatsApp 和 OBS 这类中转工具的依赖。

来源:@HeLi8866

celebrityanime
celebrityanime
文章: 35228

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注