Python Windows 代码示例 ----------------------------------- 您可以使用我们给的 `Python示例代码 `_ 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。 .. contents:: :local: 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" 引入库 ~~~~~~~~~~~~~~~~ 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 加载深度学习模型 ~~~~~~~~~~~~~~~~ .. 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) #非监督缺陷检测 model = dlsdk.UnsupervisedDefectSegmentation(model_path, device=dlsdk.DeviceType.GPU) #监督缺陷检测 model = dlsdk.SupervisedDefectSegmentation(model_path, device=dlsdk.DeviceType.GPU) #OCR model = dlsdk.OCR(model_path, device=dlsdk.DeviceType.GPU) #定位模型 (只在工业版支持) model = dlsdk.Positioning(model_path, device=dlsdk.DeviceType.GPU) #漏错装检测 (只在工业版支持) model = dlsdk.PresenceChecking(model_path, device=dlsdk.DeviceType.GPU) 读取图片 ~~~~~~~~~~~~~~~~ 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 使用深度学习模型进行预测 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 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()) #输出常规json结果 with open("outputAnnotation.json", "w") as f: f.write(prediction.toAnnotationJSONString()) #输出标注格式的json结果 后处理 *********************** 模型的预测 可以接受后处理参数： - dlsdk.PostProcessType.CONFIDENCE_THRESHOLD 置信度阈值，会过滤掉结果中置信度低于设定值的结果 - dlsdk.PostProcessType.IOU_THRESHOLD IOU阈值，会过滤掉结果中IOU低于设定值的结果 - dlsdk.PostProcessType.SENSITIVITY_THRESHOLD 非监督缺陷分割（异常检测）模型中使用敏感度，控制模型对于缺陷的敏感度，越高则模型会检测出越多的缺陷，但是容易误检 .. code-block:: python prediction = model.inference(daoai_image,{dlsdk.PostProcessType.CONFIDENCE_THRESHOLD: 0.95, dlsdk.PostProcessType.IOU_THRESHOLD: 0.5}) 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) 获取预测结果 ~~~~~~~~~~~~~~~~ Box（边界框） `````````````````````````````` Box 是模型预测结果中的边界框，可通过以下方式获取： .. code-block:: python prediction = model.inference(daoai_image) prediction.boxes[0].x1(); // 左上角 x 坐标 prediction.boxes[0].y1(); // 左上角 y 坐标 prediction.boxes[0].x2(); // 右下角 x 坐标 prediction.boxes[0].y2(); // 右下角 y 坐标 Mask（掩码） `````````````````````````````` Mask 是预测结果中目标物体的外轮廓信息，可以通过以下方式提取多边形区域的顶点： .. code-block:: python prediction = model.inference(daoai_image) prediction.masks[0].toPolygons()[0].points[0].x // 顶点的 X 坐标 prediction.masks[0].toPolygons()[0].points[0].y // 顶点的 Y 坐标 - **`masks[0]`**：提取第一个目标物体的掩码。 - **`toPolygons()`**：将掩码转换为多边形外轮廓。 - **`points[0]`**：获取多边形的第一个顶点坐标。 通过顺序连接多边形的所有顶点，可以形成完整的轮廓区域，用于目标检测、区域分析等应用场景。 可视化输出 ~~~~~~~~~~~~ 生成并保存预测结果与原图叠加的可视化图像： .. code-block:: python result = dlsdk.visualize(daoai_image, prediction) result.save("output.png")