1024手机基地看电影,午夜福利视频导航,国产精品福利在线一区,亚洲欧美日韩另类成人,在线观看午夜日本理论片,成年超爽免费网站,国产精品成人免费,精品动作一级毛片,成人免费观看网站,97精品伊人久久大香蕉

標題: 角蜂鳥python sdk [打印本頁]

作者: aacbwangke 時間: 2018-11-20 10:06
標題: 角蜂鳥python sdk
開發指南[color=var(--MAIN-ANCHOR-color)][size=0.5em]

hsapi 的包結構如下：

hsapi├── __init__.py├── core│ ├── __init__.py│ ├── base.py│ ├── device.py│ └── graph.py├── high│ ├── __init__.py│ ├── net.py│ └── task.py└── easy ├── __init__.py └── prefab.py

core 模塊為底層接口
high 模塊為高層接口，抽象了一個神經網絡基類，簡化操作流程
easy 模塊提供了一些使用內置神經網絡比較簡便的類和方法

底層接口[color=var(--MAIN-ANCHOR-color)][size=0.5em]管理設備 Device實例[color=var(--MAIN-ANCHOR-color)][size=0.5em]import numpyimport hsapi as hs # 導入 hsapi 模塊, 注意導入路徑# 獲取角蜂鳥設備device_list = hs.EnumerateDevices() # 獲取所有已連接的角蜂鳥device = hs.Device(device_list[0])# 打開角蜂鳥設備device.OpenDevice()"""# [可選，根據業務需要]# 讀取角蜂鳥設備自帶的攝像頭的圖像 image = device.GetImage(zoomMode=True) # zoomMode: True(640x360) False(1920x1080)"""# 操作神經網絡資源、處理數據、業務邏輯等...# 關閉設備，角蜂鳥設備將會自動重置device.CloseDevice()管理神經網絡資源 Graph實例[color=var(--MAIN-ANCHOR-color)][size=0.5em]

單角蜂鳥多模型：同一個 Device實例 加載多個Graph文件，獲取多個 Graph實例
多角蜂鳥多模型：不同的 Device實例 加載不同的Graph文件，獲取對應的 Graph實例

# 加載Graph文件, 獲取Graph實例with open('Graph文件路徑', mode='rb') as f: data = f.read()graph = device.AllocateGraph(data, scale, mean) # scale、mean 圖像預處理參數# 神經網絡的圖像輸入，這里有兩種方式 [2選1]# 1. 加載外部圖像，這里以讀取USB攝像頭為例"""import cv2capture = cv2.VideoCapture(0)_, image = capture.read()image = image_preprocess(image) # 把圖像預處理，處理成神經網絡需要的格式和大小graph.LoadTensor(image.astype(numpy.float16), None) # 加載圖像作為神經網絡的輸入"""# 2. 使用角蜂鳥自帶的攝像頭作為輸入# 使用自帶的攝像頭作為輸入, 返回圖像image = graph.GetImage(True) # zoomMode: True(640x360) False(1920x1080)# 讀取神經網絡輸出output, _ = graph.GetResult()# 解析神經網絡輸出，實現業務邏輯...# 釋放神經網絡資源graph.DeallocateGraph()簡單的接口調用流程[color=var(--MAIN-ANCHOR-color)][size=0.5em]# 單角蜂鳥單模型import cv2, numpyimport hsapi as hs # 導入 hsapi 模塊, 注意導入路徑scale = 0.007843 # 圖像預處理參數mean = -1.0 # 圖像預處理參數device_list = hs.EnumerateDevices() # 獲取所有已連接的角蜂鳥device = hs.Device(device_list[0]) # 獲取Device實例device.OpenDevice() # 打開角蜂鳥設備with open('Graph文件路徑', mode='rb') as f: data = f.read()graph = device.AllocateGraph(data, scale, mean) # 獲取Graph實例try: while True: # 使用自帶攝像頭作為輸入 image = graph.GetImage(True) # 用角蜂鳥設備圖像作為神經網絡輸入 output, _ = graph.GetResult() # 獲取神經網絡輸出結果 print(output) cv2.imshow("horned-sungem", image) cv2.waitKey(1)finally: graph.DeallocateGraph() # 釋放神經網絡資源 device.CloseDevice() # 關閉角蜂鳥設備高層接口[color=var(--MAIN-ANCHOR-color)][size=0.5em]

[color=var(--MAIN-LINK-color)]Net 是個抽象類，封裝了部分簡單的設備操作。
基于該類可實現一個自己的神經網絡類，可參考 easy.prefab 模塊中預置的模型類。

預置模型 - 人臉檢測[color=var(--MAIN-ANCHOR-color)][size=0.5em]# 單角蜂鳥單模型import cv2, numpy from hsapi import FaceDetector # 導入模塊# 可通過graphPath屬性來指定模型路徑，默認路徑在examples/graphs下net = FaceDetector(graphPath="./graph_face_SSD", zoom = True, thresh=0.55) # 創建人臉檢測網絡try: while True: # 使用自帶攝像頭作為輸入 result = net.run(image=None) # 使用角蜂鳥自帶設備作為輸入，獲取網絡輸出 image = net.plot(result) # 根據輸出結果繪制圖像 cv2.imshow("FaceDetector", image) cv2.waitKey(1)finally: net.quit() # 退出神經網絡，釋放資源，重置設備預置模型 - 人臉檢測 + 物體檢測[color=var(--MAIN-ANCHOR-color)][size=0.5em]# 單角蜂鳥多模型import cv2import hsapi as hsdevice_list = hs.EnumerateDevices() # 獲取所有已連接的角蜂鳥device = hs.Device(device_list[0]) # 獲取Device實例face_net = hs.FaceDetector(device=device, zoom = True, thresh=0.55) # 創建人臉檢測網絡obj_net = hs.ObjectDetector(device=device, zoom = True, thresh=0.55) # 創建物體檢測網絡"""多角蜂鳥多模型: 初始化 Net 時使用不同的 Device 實例即可"""capture = cv2.VideoCapture(0) # 獲取USB攝像頭try: while True: # 使用USB攝像頭作為輸入 _, image = capture.read() # 讀取USB攝像頭圖像數據 face_result = face_net.run(image) # 將圖像輸入到人臉檢測網絡中 obj_result = obj_net.run(image) # 將圖像輸入到物體檢測網絡中 image = face_net.overlay(image, face_result[1]) # 根據人臉檢測網絡的識別結果在圖像上進行繪制 image = obj_net.overlay(image, obj_result[1]) # 根據物體檢測網絡的識別結果在圖像上進行繪制 cv2.imshow("Face/Obj Detector", image) cv2.waitKey(1)finally: face_net.quit() # 重置設備，同一個設備退出一個網絡即可關于預處理參數 (scale & mean)[color=var(--MAIN-ANCHOR-color)][size=0.5em]

神經網絡的輸入，根據網絡的需要，需要對圖像進行預處理操作。

當使用角蜂鳥自帶攝像頭作為神經網路輸入時，目前僅支持對圖像的RGB通道進行統一的預處理操作。
這里角蜂鳥設備內部和 Python API 都使用乘加運算對圖像進行預處理操作。

image *= scaleimage += mean

若需要圖像3通道統一處理，或者對預處理要求不嚴格，可對mean取均值作為參數輸入。

mean = -1.0 # [-1.0, -1.0, -1.0]scale = 0.007843graph = device.AllocateGraph(data, scale, mean) # scale & meanimage = graph.GetImage(True) # 自帶的設備圖像已經過預處理后加載到神經網絡中，返回的圖像是未處理的原始圖像output, _ = graph.GetResult() # 讀取神經網絡輸出結果

若需要灰度圖輸入，或者需要對不同的通道進行不同的預處理操作，可對圖像自行處理后加載到角蜂鳥中。

image = preprocess(image) # 自行預處理graph.LoadTensor(image.astype(numpy.float16), None)API文檔[color=var(--MAIN-ANCHOR-color)][size=0.5em]

hsapi.core
底層API
- class Status(enum.Enum)
  返回狀態
  - OK 正常
  - BUSY 設備繁忙
  - ERROR 異常
  - OUT_OF_MEMORY 內存溢出
  - DEVICE_NOT_FOUND 沒有找到設備
  - INVALID_PARAMETERS 無效的參數
  - TIMEOUT 超時
  - NO_DATA 沒有數據
  - GONE 沒有找到Graph或已關閉
  - UNSUPPORTED_GRAPH_FILE 不支持的Graph文件
  - MYRIAD_ERROR 內部錯誤
- class GlobalOption(enum.Enum)
  全局選項
  - LOG_LEVEL 日志等級
- GetGlobalOption(opt)
  獲取全局選項的值
  - opt 參考GlobalOption
- SetGlobalOption(opt, data)
  設置全局選項
  - opt 參考GlobalOption
  - data 值
- BootUpdateApp(fileName)
  通過Boot模式固件升級，主要用于固件更新失敗后的恢復和升級
  - fileName 固件文件
- EnumerateDevices()
  枚舉所有已連接的設備
- class Device
  設備類
  - init(self, name)
    實例化類對象
  - OpenDevice(self)
    打開設備
  - CloseDevice(self)
    關閉設備
  - UpdateApp(self)
    升級固件
  - AllocateGraph(self, graphfile, std_value=1.0, mean_value=0.0)
    分配神經網絡資源，返回Graph實例
    - graphfile graph文件
    - std_value 圖像預處理參數
    - mean_value 圖像預處理參數
  - GetImage(self, zoomMode=True)
    獲取設備圖像
    - zoomMode 圖像縮放模式 (True: 640x360, False: 1920x1080)
- class Graph
  神經網絡容器類，可由 Device 實例調用 AllocateGraph() 分配獲得
  - init(self, handle, std_value, mean_value)
    實例化類對象
    - handle graph句柄
    - std_value 圖像預處理參數
    - mean_value 圖像預處理參數
  - DeallocateGraph(self)
    釋放分配的神經網絡資源
  - LoadTensor(self, tensor, userobj)
    加載神經網絡輸入的圖像數據
    - tensor 預處理后的圖像數據，格式必須為一個半精度浮點(float16)數類型的 numpy ndarray
    - userobj 自定義參數
  - GetResult(self)
    獲取神經網絡前向推斷的輸出結果
  - GetImage(self, zoomMode=True)
    使用自帶的攝像頭作為神經網絡輸入，返回輸入的圖像
    - zoomMode 圖像縮放模式 (True: 640x360, False: 1920x1080)
hsapi.high
高層API
- GetDevice(index=0)
  獲取已連接的設備
- class Net(object)
  神經網絡抽象類，該類對Device類和Graph類進行了一些簡單的封裝
  - scale(self)
    圖像預處理參數 (子類必須實現的抽象屬性)
  - mean(self)
    圖像預處理參數 (子類必須實現的抽象屬性)
  - netSize(self)
    神經網絡輸入的圖像大小 (子類必須實現的抽象屬性)
  - graphPath(self)
    graph文件路徑 (子類必須實現的抽象屬性)
  - cleanup(self)
    釋放神經網絡資源
  - quit(self)
    釋放資源并關閉設備
  - run(self, image=None, **kwargs)
    執行一次神經網絡
    - image 輸入的圖像，None則表示使用設備攝像頭
- class SingleTask
  本類管理了兩個子線程來執行單一的神經網絡任務
  - init(self, net, **kwargs)
    實例化方法
    - net Net實例
  - start(self)
    開始任務
  - stop(self)
    結束任務
hsapi.easy
使用內置神經網絡的一些比較方便的API
- GetDefaultGraphRelPath(fileName)
  獲取graphs默認路徑
- GetDefaultMiscRelPath(fileName)
  獲取misc默認路徑
- class SSD(object)
  預置的MobileNet-SSD抽象類
  - labels(self)
    分類的標簽 (子類必須實現的抽象屬性)
  - thresh(self) 分類的閾值 (子類必須實現的抽象屬性)
  - getBoundingBoxes(self, output, image_size)
    從神經網絡的輸出的結果中解析位置信息
    - output 神經網絡輸出
    - image_size 圖像大小
  - overlay(self, image, boxes)
    在圖像上疊加位置信息
    - image 圖像
    - boxes 位置信息
  - plot(self, result)
    根據輸出結果在圖像上疊加位置信息
    - result 輸出結果
  - crop(self, result, square=True)
    根據輸出結果裁剪出識別的圖像
    - result 輸出結果
    - square 正方形
- class ObjectDetector(Net, SSD)
  預置模型 - 基于SSD的物體檢測
- class FaceDetector(Net, SSD)
  預置模型 - 基于SSD的人臉檢測
- class FaceDetectorPlus(Net, SSD)
  預置模型 - 基于SSD的人臉檢測+
- class Mnist(Net)
  預置模型 - Mnist
- class GoogleNet(Net)
  預置模型 - GoogleNet
- class SceneRecorder(GoogleNet)
  預置模型 - 基于GoogleNet的情景記錄器
  - record(self, result, key, **kwargs)
    根據GoogleNet輸出結果進行ANN檢索，返回相似度結果
    - result GoogleNet輸出結果
    - key 指令
- class SketchGuess(Net)
  預置模型 - 簡筆畫識別

歡迎光臨 (http://www.raoushi.com/bbs/)