用途：该技能实现零样本区域检测，把自然语言标签转成图像上的边界框，替代 svg-portrait-mode 中手工标注 focus_targets / focus_edges 的步骤。
主要能力：输入图片与 targets、edges、distractors 标签，输出两组 {'bbox': (x1,y1,x2,y2), 'label': str} 列表。流程为图像经 B/14 视觉编码器得到 patch 特征，文本标签经 9 个 TCL 模板集成编码并 L2 归一化，逐标签计算余弦热力图，再取 top-k% patch 的最大连通分量，缩放加边距映射回图像坐标。不使用 softmax，因为标签并非互斥，需靠 distractor 标签锚定相对尺度。
使用方式：调用 detect_zones(image, targets, edges, distractors, ckpt_dir, tips_root, ...)，可先用 load_models 预加载模型在多张图上摊销开销。关键参数包括 input_size（448 为 32×32 网格，896 为 64×64）、target_top_frac（默认 0.04）、edge_top_frac（默认 0.06）、pad_frac（默认 0.02）、device。依赖安装：pip install torch torchvision tensorflow tensorflow-text scipy pillow numpy --break-system-packages -q；并克隆上游仓库 git clone https://github.com/google-deepmind/tips /path/to/tips，准备约 500MB 的 B/14 检查点（vision、text 的 npz 与 tokenizer.model）。
适用场景：主体与背景分离效果强，适合 portrait_mode 这类粗粒度目标/边缘分区。
限制：B/14 加 448 下子部件区分较弱，dog face、dog paws、dog ears 常落在同一区域；可尝试更具体提示词、L/14 或 SO/14 模型、滑窗推理。必须提供 3–7 个 distractor 标签。CPU 上 896 输入约慢 12 倍。PIL 预处理不处理 EXIF 旋转，而 portrait_mode 经 OpenCV 会处理，EXIF 旋转照片需先烘焙旋转或调用 ImageOps.exif_transpose。