locate-anything.cpp

locate-anything.cpp 是一个基于 ggml 的 C++17 实现，用于高效运行 NVIDIA LocateAnything-3B 视觉语言模型，支持开放词汇目标检测与视觉定位。其核心功能是接收图像和自然语言提示（如“person”或“red car”），输出精确的边界框坐标及对应标签；技术上采用 Qwen2.5-3B 语言模型、MoonViT 视觉编码器与轻量 MLP 投影器，在 token 空间直接生成坐标标记（<0>–<1000>），全程无 Python 依赖，支持纯 CPU 或 GPU 加速推理。适用于边缘设备、本地化 AI 应用、隐私敏感场景下的实时视觉理解任务。