Python Windows 代码示例
-----------------------------------

您可以使用我们给的 `Python示例代码 <https://daoairoboticsinc-my.sharepoint.com/:f:/g/personal/nrd_daoai_com/Elcb0srODHNGpDZYQu58mZsBeoD1173XVKj0YIvUalUGPA?e=OoBkUN>`_ 里面包含了图片的读取，模型的读取，以及模型的预测和输出。

您需要有效的DaoAI 许可证才可以运行，如果您没有许可证，请参考 :ref:`软件许可证` 。

然后运行以下命令就可以运行python脚本

.. code-block:: python

    python example.py

您可以通过更改example.py中的文件读取路径来使用不同的图片和深度学习模型。

.. code-block:: python

    model_path = "./model.dwm"
    image_path = "./image.png"

您也可以从一个新的python文件开始，那么首先需要导入 dlsdk 库，也就是我们的DaoAI World Python Windows SDK

.. code-block:: python

    import os
    import sys
    import dlsdk.dlsdk as dlsdk

以下的库可能也会对您有帮助

.. code-block:: python

    import cv2
    import numpy as np
    import matplotlib.pyplot as plt


初始化，读取模型

.. code-block:: python

    #初始化模型
    dlsdk.initialize()
    model_path = "./model.dwm"
    model = dlsdk.KeypointDetection(model_path, device=dlsdk.DeviceType.GPU)


注意，这里每一个检测任务都有对应的对象：

.. code-block:: python

    #实例分割
    model = dlsdk.InstanceSegmentation(model_path, device=dlsdk.DeviceType.GPU)

    #关键点检测
    model = dlsdk.KeypointDetection(model_path, device=dlsdk.DeviceType.GPU)
    
    #图像分类
    model = dlsdk.Classification(model_path, device=dlsdk.DeviceType.GPU)
    
    #目标检测
    model = dlsdk.ObjectDetection(model_path, device=dlsdk.DeviceType.GPU)
    
    #异常检测
    model = dlsdk.AnomalyDetection(model_path, device=dlsdk.DeviceType.GPU)
    
    #语义分割
    model = dlsdk.SemanticSegmentation(model_path, device=dlsdk.DeviceType.GPU)
    
    #OCR
    model = dlsdk.OCR(model_path, device=dlsdk.DeviceType.GPU)


读取图片，这一步可以使用 opencv 来读取， 如果您没有 安装，您可以运行 ``pip install python-opencv`` 来进行安装

.. code-block:: python

    image_path = "./kp1.png" #读取的图片路径
    img = cv2.imread(image_path)

    daoai_image = dlsdk.Image.from_numpy(img, dlsdk.Image.Type.BGR) #创建 DaoAI Image 

模型预测，并输出结果为Json文件

.. code-block:: python

    assert isinstance(daoai_image, dlsdk.Image)
    prediction = model.inference(daoai_image,{dlsdk.PostProcessType.CONFIDENCE_THRESHOLD: 0.95})

    with open("output.json", "w") as f:
        f.write(prediction.toJSONString())

您也可以通过其它方法来获取结果信息


.. code-block:: python

    print(prediction.boxes)
    print(prediction.class_ids) 
    print(prediction.class_labels)