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。

您也可以查看我们的 GitHub repo，其中包含 C++、C# 和 Python 的示例项目，方便用户快速上手和参考。

链接： DaoAI World SDK Desktop Demo

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 软件许可证 。

然后运行以下命令就可以运行python脚本

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。

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

import os
import sys
import dlsdk.dlsdk as dlsdk

以下的库可能也会对您有帮助

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

加载深度学习模型

备注

  • 在第一次运行时，需要加载模型等数据到内存，这通常需要更久的时间。在程序的后续运行中，也就是从第二次图片加载，推理时，运行时间就会稳定在更快速的时间。

#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：

#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 需要用 DaoAI 非监督 SDK

#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

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

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：

  • model.setConfidenceThreshold()

    置信度阈值，会过滤掉结果中置信度低于设定值的结果

  • model.setIOUThreshold()

    IOU阈值，会过滤掉结果中IOU低于设定值的结果

model.setConfidenceThreshold(0.5)
prediction = model.inference(daoai_image)

您也可以通过其它方法来获取结果信息

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

获取预测结果

Box 是模型预测结果中的边界框，可通过以下方式获取：

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 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：

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：

result = dlsdk.visualize(daoai_image, prediction)

result.save("output.png")