10 行代码让 AI 看懂你的手势：MediaPipe 视觉开发零基础入门

如果你想让你的 AI 拥有“看懂世界”的能力，但又不想去啃深奥的计算机视觉论文，那么 MediaPipe 就是你最好的起点。

它是具身智能中最轻量、最实用的“眼睛”。

1. 认识 MediaPipe

它是什么？

MediaPipe 是由 Google 开发的一个开源框架，专门用于构建跨平台的多媒体机器学习管道。简单来说，它把复杂的 AI 视觉模型（如人脸识别、手部追踪、人体姿态估计）封装成了“开箱即用”的工具。

为什么是视觉入门首选

它不需要昂贵的 GPU，普通的笔记本电脑就能流畅运行。而且处理速度极快，非常适合需要实时反馈的机器人项目。

多功能合一，一个库就能搞定：

• 手部追踪：识别 21 个手部关键点（做遥操作必备）。

• 姿态估计：识别全身骨架（教机器人模仿人类动作必备）。

• 面部特效：高精度的面部网格捕捉。

2. 第一个视觉实战

我们将通过一个最经典的项目：实时手部关键点追踪，带你进入视觉 AI 的世界。

第一步：环境准备

确保你的电脑安装了 Python。打开终端（或命令行），安装 MediaPipe 和 OpenCV（用于调用摄像头）：

pip install mediapipe opencv-python

第二步：编写你的第一个“视觉大脑”

创建一个 hand_tracking.py 文件，把这段代码粘进去。这是 MediaPipe 最精简的实现版本：

import cv2
import mediapipe as mp
# 初始化 MediaPipe 手部模型
mp_hands = mp.solutions.hands
hands = mp_hands.Hands()
mp_draw = mp.solutions.drawing_utils
# 打开摄像头
cap = cv2.VideoCapture(0)
while cap.isOpened():
    success, img = cap.read()
    if not success: break
    # 将图像转换为 RGB（MediaPipe 需要）
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    results = hands.process(img_rgb)
    # 如果检测到手，就把关键点画出来
    if results.multi_hand_landmarks:
        for hand_lms in results.multi_hand_landmarks:
            mp_draw.draw_landmarks(img, hand_lms, mp_hands.HAND_CONNECTIONS)
    # 显示画面
    cv2.imshow("MediaPipe Hands", img)
    if cv2.waitKey(1) & 0xFF == ord('q'): # 按 Q 退出
        break
cap.release()
cv2.destroyAllWindows()

第三步：运行与观察

运行脚本：

python hand_tracking.py

这里！当你伸出手时，你会发现屏幕上精准地出现了 21 个彩色圆点和连接线。即使你晃动手掌或做复杂的姿势，点位依然紧紧跟随机。

3. 总结

对于具身智能小白来说，MediaPipe 的意义在于：它把“视觉感知”从一个数学难题变成了一个好用的 API。 当你学会了获取空间坐标，你离给机器人装上“大脑”就只差一步之遥了。