mvVisionpython样例资源-CSDN文库

共7个文件

py：4个

md：1个

jpg：1个

需积分: 10 29 浏览量 2022-09-22 09:12:03 上传评论收藏 91KB ZIP 举报

**标题与描述解析** "mvVision python 样例" 是一个关于使用mindX SDK中的mvVision模块进行Python编程的示例集。mindX SDK是由华为提供的一个强大的开发平台，旨在加速AI应用的开发和部署。其中，mvVision是针对视觉处理部分的一个组件，它提供了丰富的接口和工具，使得开发者可以轻松地在Python环境中实现图像和视频的处理、分析以及机器学习模型的部署。 "mindx SDK 中 mvVision python 样例" 暗示了这个压缩包包含了一系列使用Python调用mvVision功能的代码实例。这些样例可能涵盖了基本的图像读取、图像处理操作、目标检测、图像分类等任务，同时也可能涉及到更复杂的计算机视觉算法和模型的应用。 **标签解析** "MIndX" 和 "mxVision" 是与该主题密切相关的两个标签。MIndX是华为AI开发平台的统称，它包含了多个子模块，如mxNet、mindSpore等，用于深度学习模型的训练、推理和优化。而"mxVision"可能是mindX SDK中的一个子模块，专门用于计算机视觉任务，它可能提供了各种预训练的模型和接口，方便开发者快速集成到自己的项目中。 **可能包含的知识点** 1. **Python基础**：了解Python的基本语法和数据结构，如变量、函数、类和异常处理，这是使用任何Python库的基础。 2. **OpenCV库**：mvVision可能利用OpenCV库进行图像处理，因此熟悉OpenCV的基本操作如图像读取、图像转换、滤波和特征检测等是必要的。 3. **图像和视频处理**：样例可能包括了读取、显示、保存图像，以及处理视频流等操作。 4. **目标检测**：mvVision可能包含目标检测模型，例如YOLO或SSD，学习如何加载模型、进行预测和处理检测结果。 5. **图像分类**：可能有预训练的分类模型（如ResNet、VGG），学习如何使用这些模型对图像进行分类。 6. **深度学习模型的集成**：了解如何将预训练的深度学习模型与mvVision接口结合，实现模型的部署和推理。 7. **API使用**：学习mindX SDK的mvVision模块提供的API，理解它们的功能和使用方法。 8. **性能优化**：可能涉及如何通过mvVision优化模型的运行速度和资源消耗。 9. **日志和调试**：了解如何记录和分析程序运行过程中的日志信息，以便于调试和优化代码。 10. **实战项目**：通过样例，可以学习如何将mvVision应用到实际项目中，比如监控系统、自动驾驶、智能安防等领域。 **总结** 这个"mvVision python 样例"提供了学习和实践mindX SDK中计算机视觉功能的机会，涵盖了从基础的图像处理到复杂的深度学习模型应用的多个层次。对于希望在Python环境中使用华为AI开发平台进行视觉任务开发的开发者来说，这是一个宝贵的资源。通过深入研究这些样例，可以提升对mindX SDK的掌握，增强开发能力。

资源详情

资源评论

资源推荐

收起资源包目录

python.zip （7个子文件）

python

test.jpg 84KB

main.py 2KB

main_functional.py 2KB

run.sh 955B

README.md 3KB

main_tensorinfer.py 5KB

main_sequential.py 2KB

# python api sample ## 介绍 `main.py`是行业SDK流程编排python api的sample，该sample主要实现了从sample.pipeline中读取pipeline创建推理stream，然后读取一张图片送到stream进行推理，获取推理结构后把结果打印出来，最后销毁stream。 ## 配置请确保pipeline所需要的yolov3和resnet50模型文件在`../models/yolov3`和`../models/resnet50`中存在，模型获取方法可参考《mxVision用户指南》->使用命令行开发->样例介绍->C++运行步骤章节的模型获取方法。 run.sh脚本中LD_LIBRARY_PATH设置了ACL动态库链接路径为/usr/local/Ascend/ascend-toolkit/latest/acllib/lib64，如果实际环境中路径不一致，需要替换为实际的目录。准备一张图片（jpeg）进行推理，图片需要重命名为test.jpg并放在当前目录下。 ## 运行 ```bash bash run.sh ``` ## 运行 ```bash bash run.sh ``` ## 更换pipeline 在`../pipeline`文件夹中，还提供了一系列的pipeline文件，用户可根据需求更改main.py中指定的pipeline路径进行测试。在测试前请确保pipeline中需要的模型已在`../models/[model_name]`中存在，模型获取方法可参考《mxVision用户指南》->使用命令行开发->样例介绍->C++运行步骤章节的步骤1。 ## 更换输入图片在sample中更换测试图片的方法：在`python`目录下放入测试图片(jpeg)，并在main_xxx.py中更换指定测试图片的名字（默认为test.jpg） ## 更换视频流在sample中更换视频流路径的方法：将所有对应pipeline中的“rtspUrl”字段值替换为可用的 rtsp 流源地址（目前只支持264格式的rtsp流，例："rtsp://xxx.xxx.xxx.xxx:xxx/input.264", 其中xxx.xxx.xxx.xxx:xxx为ip和端口号 ## 可供测试的pipeline以及涉及的模型和插件 * `BertMultiPorts.pipeline` : 输入插件，串流插件，bert模型 * `FasterRcnn.pipeline` : 媒体数据处理插件，fastercrnn模型 * `Sample.pipeline` : 分类模型后处理插件，resnet50模型 * `SampleOsd.pipeline` ：屏幕显示（OSD）相关插件，串流插件 * `SampleOsdVideo2Channels.pipeline` ：屏幕显示（OSD）相关插件，yolov3模型，resnet50模型 * `SamplePlugin.pipeline` ：分类模型后处理插件，resnet50模型 * `SplitterNms.pipeline` ：过滤分块后重叠区域重复目标插件，目标检测模型后处理插件，yolov3模型 * `KeyPointPostProcessor.pipeline` : 姿态检测模型后处理插件，openpose模型 * `SemanticSegPostProcessor.pipeline` : 语义分割模型后处理插件，unet模型 * `TextGenerationPostProcessor.pipeline` ：文本生成模型后处理插件，crnn模型 * `SampleImageNormalize.pipeline` ：图像归一化处理插件，语义分割模型后处理插件，deeplabv3ms模型 * `SampleOpencvCenterCrop.pipeline` ：裁剪图片中心图片插件，deeplabv3pytorch模型 * `SampleObjectSelector.pipeline` ：多级推理选择过滤插件，ssdmobilenetv1模型 * `VideoObjectDetection.pipeline` ：视频流插件，媒体数据处理插件，yolov3模型 * `SampleMotsimplesortv2.pipeline` ：视频流插件，媒体数据处理插件，多目标路径记录插件，yolov3模型 * `SampleSkipframe.pipeline` ：视频流插件，媒体数据处理插件，跳帧插件，yolov3模型 * `SampleNmsoverLapedroiv2.pipeline` ：过滤分块后重叠区域重复目标v2插件 * `SampleMotsimplesortv2.pipeline` ：多目标路径记录v2插件, yolov3模型 ## 支持如果使用过程中遇到问题，请联系华为技术支持。