Maix-III AXera-Pi 试试 Python 编程

2023-06-15

时间	负责人	更新内容
2022.12.02	lyx	初次编写文档
2022.12.15	lyx	增加内容
2023.01.04	lyx	增加人脸/车牌识别、Yolov6等新模型
2023.01.29	lyx	补充细节说明
2023.02.23	lyx	增加 YOLOV8 、 YOLOV8-SEG 、ax_bvc_det （人车非检测）、crowdcount （人流量统计）等模型

基于前文的产品上手指南以及系统使用手册后，本文章会介绍如何在 MAIX-III AXera-Pi 板卡上体验 Python 编程！

前言

从 MIAX-I MCU、MAIX-II SOC、再到 MAIX-III Linux 系列，SIPEED 一直在致力于让更多的人轻松快捷的把板卡使用起来，所以衍生了各种各样的上手指南文档，板卡也在增加着更多形式的编程体验，Linux 基础差不熟悉？C++ 有难度？调用 AI 模型困难？没有关系，那就由这篇适合初学者的 Python 编程文档来帮助你快速把 AXera-Pi 板卡用起来并调用 AI 模型应用。

在进入到使用 Python 编程之前，我们需要先认识要使用的语言以及工具，一起往下看吧。

在 AXera-Pi 板卡内置了 Python3、Jupyter Notebook、Pinpong、Pillow 等包让用户更便捷的进行使用 Python 编程，本篇文档以在 Jupyter Notebook 网页上进行 Python 编程为示例阐述。

什么是 Python

Python 是一种广泛使用的解释型、高级和通用的编程语言。它支持多种编程范型包括函数式、指令式、反射式、结构化和面向对象编程，还拥有动态类型系统和垃圾回收功能，能够自动管理内存使用，并且其本身拥有一个巨大而广泛的标准库。

Python 与 C++ 相比有什么区别？

从上文得知 Python 是一种解释型语言，用户不需要编译以扩展名为 .py 的代码可直接传递给解释器生成输出。而 C++ 是编译型语言，编译器需要把源代码生成目标代码再执行生成输出。对于初学者来说 Python 更易于学习并且语法简单、可读性更强。而 C++ 在系统编程及性能上更优胜，但语法复杂编写起来对初学者有一定的挑战难度。

Python 基础及入门学习

在使用 Jupyter Notebook 进行 Python 编程之前，同学们需要掌握一定的 Python 语言的基础才能接着往下走，可根据下列提供的传送门进行学习。

什么是 Python ?

国内 Python 基础教程

以下的文章适合有一定 Python 基础想深入的同学们：

大佬鼠の嵌入式 Python 入门教程[1]

大佬鼠の嵌入式 Python 入门教程[2]

什么是 Jupyter Notebook

它是同时兼具 Python3、Markdown 及 Terminal 的环境并基于网页用于交互计算的应用程序。其可应用于开发、文档编写、运行代码和展示结果，以网页的形式打开并可直接编写及运行代码，运行结果也会直接显示在代码框下层。如在过程中需要编写说明文档，可在同页面中编写便于及时的解释和说明。

启动网页

如果你浏览完上面的段落后到达这里，相信你已经掌握如何在 AXera-Pi 进行烧录并登录系统以及基础的 Linux 操作了，并对我们即将用到的 Python 语言以及工具 Jupyter Notebook 有了一定的认识，那就接着往下学习如何启动网页进行 Python 编程吧！

产品上手指南

系统使用手册

使用前准备一台 AXera-Pi 设备并把它接入电脑端通电，参考系统使用手册登录到板卡的 Linux debian11 系统，登录后使用 ifconfig -a 命令查看板卡的 IP 地址方便后续使用。

查询完输入 jupyter notebook 命令启动它，终端会返回一系列服务器的信息。

上图可以看到终端返回服务器信息，打开任意浏览器输入板卡 IP 地址后缀加上 :8888 即可直接访问网页端（但请注意：lo:127.0.0.1 此 IP 是不可用于访问）网页端会提醒输入密码 root 后访问。

注意：使用 Jupyter Notebook 时终端需保持连接状态，否则会与本地服务器的连接断开而无法操作。

输入后会跳转到 Files 的页面，点击右侧的 New 可选择符合需求的编辑环境。

txt
Python3：默认的python3 kernel
Text File：新建一个文本文件
Folder：新建一个文件夹
Terminal：在浏览器中新建一个用户终端，类似于 shell/adb 终端.

基础用法

这里介绍每个方框称为单元格，单元框左侧会有 蓝色（命令模式） 或 绿色（编辑模式） 两种颜色。

蓝色单元格(命令模式)

绿色单元格(编辑模式)

通用用法：

Shift+ Enter：运行单元格，且以命令模式切换到下一个单元格
Ctrl + Enter：运行单元格，且进入命令模式

编辑模式中：

Esc：进入命令模式

命令模式中：

h：打开帮助
Enter：进入编辑模式
x：剪切单元格
c：复制单元格
v：粘贴单元格
dd：删除整个单元格
ii：终止运行
a：向光标所在单元格上方添加单元格
b：向下添加
m：使得单元格变成 markdown 状态

运行代码

本篇文章所有的示例代码都是摄像头 GC4653 为例，如有 OS04A10 型号请前往 Maix-III 系列 AXera-Pi 常见问题（FAQ）修改。

用户选择 Python3 环境即可进入编辑页面，在网页上运行 Python 代码有以下三种示例供大家参考，代码运行后编辑框下会打印输出结果参数，用户则可以从板卡设备屏幕观察到运行实时效果。

使用 ! + cmd 运行内置的脚本或命令行，或是直接在框内编辑 Python 代码并点击运行，这里以运行 NPU 应用为例。

In [5]:

!ls home/images

air.jpg        carvana02.jpg	 face5.jpg	   o2_resize.jpg  ssd_car.jpg
aoa-2.jpeg     carvana03.jpg	 grace_hopper.jpg  pineapple.jpg  ssd_dog.jpg
aoa.jpeg       carvana04.jpg	 mobileface01.jpg  pose-1.jpeg	  ssd_horse.jpg
bike.jpg       cat.jpg		 mobileface02.jpg  pose-2.jpeg
bike2.jpg      cityscape.png	 mtcnn_face4.jpg   pose-3.jpeg
cable.jpg      dog.jpg		 mtcnn_face6.jpg   pose.jpg
carvana01.jpg  efficientdet.png  mv2seg.png	   selfie.jpg

In [13]:

!/home/ax-samples/build/install/bin/ax_yolov5s -m /home/models/yolov5s.joint -i /home/images/cat.jpg -r 10

--------------------------------------
model file : /home/models/yolov5s.joint
image file : /home/images/cat.jpg
img_h, img_w : 640 640
[AX_SYS_LOG] AX_SYS_Log2ConsoleThread_Start
Run-Joint Runtime version: 0.5.10
--------------------------------------
[INFO]: Virtual npu mode is 1_1

Tools version: d696ee2f
run over: output len 3
--------------------------------------
Create handle took 487.99 ms (neu 22.29 ms, axe 0.00 ms, overhead 465.70 ms)
--------------------------------------
Repeat 10 times, avg time 22.57 ms, max_time 22.88 ms, min_time 22.46 ms
--------------------------------------
detection num: 1
15:  89%, [ 167,   28,  356,  353], cat
[AX_SYS_LOG] Waiting thread(2867848448) to exit
[AX_SYS_LOG] AX_Log2ConsoleRoutine terminated!!!
exit[AX_SYS_LOG] join thread(2867848448) ret:0

In [15]:

from IPython.display import Image
Image("yolov5s_out.jpg")

Out[15]:

No description has been provided for this image

也可以使用 %run 跑模块文件或 .py文件，这里以运行 hello.py 为例。

In [18]:

%run hello.py

hello world！

启动终端

上文演示了如何实现 Python 编程，而 Jupyter Notebook 还能开启终端并与 Python3 同时运行。

回到 home page 后点击右侧的 New 后选择 Terminal 新建终端进行操作。用户可以在 Files 页面直接查看内置目录的文件夹，或者是使用终端用 ls 查看目录，用 cd 进入目录。

api_wed%20.jpg

编写文档

用户可在 Jupyter Notebook 里使用 Markdowm 语法编写文档提升代码的易读性以及条理性。

点击编辑框把模式从代码更换成 Markdown ，在命令模式下可使用 M 键变成 Markdown 状态。

传输文件

除了运行代码以及编写文档等还可以进行文件的传输，让用户使用更加便捷。

如何导入电脑端的文件，以下面两种方式为例：

点击主页右侧 New 新建 Text File：文本文件或 Folder：文件夹或文件，手动复制粘贴内容导入文件。

或者是直接从网页端导入文件，点击右侧的 Upload 直接在任意目录下导入需要的文件即可。

如何导出我们在网页端编写的文件，以下面为例：

在网页端编写的的内容都可以以文档的形似输出，默认保存的是以后缀名为 .ipynb 的 json 格式，保存不同格式请点击 File->Download as->选择你需要的格式即可，网页会自动下载到本地。

ax-pipeline-api

基于 20230214 后更新的镜像包，ax-pipeline-api 版本升级到 1.0.9 支持 Python 获取摄像头图像及推理结果一起显示到屏幕上或保存。

ax-pipeline-api：此项目基于 ax-pipeline 实现了 pybind11 和 ctypes 的 Python API，用户可使用 Python 调用内置的多种 AI 模型以及通用的 Python 库 pinpong、opencv、numpy、pillow 等，让 AXera-Pi 用起来更简单！

ctypes 和 pybind11 两者区别？

ctypes 是最早适配的，相较于新的 pybind11 来说支持的接口更多稳定性更好，而新的 pybind11 则是输出效果更直观（可显示到屏幕/网页上）代码更任意理解，但两者因板卡外设有限不可混用。

使用前先安装获取 ax-pipeline-api 包

因 ax-pipeline-api 更新升级较频繁，用户在使用 Python 编程前可先在终端使用下方命令行更新包，确保自己使用是最新版本的即可。

In [2]:

!pip3 install ax-pipeline-api -U

Requirement already satisfied: ax-pipeline-api in /usr/local/lib/python3.9/dist-packages (1.0.7)
Collecting ax-pipeline-api
  Using cached ax-pipeline-api-1.0.7.tar.gz (15.5 MB)
  Using cached ax-pipeline-api-1.0.6.tar.gz (19.5 MB)

如果出现更新失败，可替换清华源 -i https://pypi.tuna.tsinghua.edu.cn/simple 加速一下。

Yolov5/Yolov8 目标检测（ctypes）

把 ax-pipeline-api 包升级好后，接下来我们先体验更稳定的 ctypes 的 Yolov5/8 模型实现目标检测！

In [4]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov5s.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            x, y, w, h = i['bbox']['x'], i['bbox']['y'], i['bbox']['w'], i['bbox']['h']
            objname, objprob = i['objname'], i['prob']
            print(objname, objprob, x, y, w, h)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

b'bottle' 0.5032062530517578 0.11116950958967209 0.40303218364715576 0.21706661581993103 0.5804097652435303
b'bottle' 0.7368168830871582 0.11036165803670883 0.4033470153808594 0.2250344455242157 0.5822746157646179
b'bottle' 0.7751374244689941 0.11194521933794022 0.3943900167942047 0.21920150518417358 0.5996366739273071
b'bottle' 0.7996727228164673 0.1136007010936737 0.4050813317298889 0.21979697048664093 0.579041600227356
b'bottle' 0.7779128551483154 0.11486124992370605 0.4005553424358368 0.21681155264377594 0.5885791778564453
b'bottle' 0.7506007552146912 0.11348568648099899 0.4008048176765442 0.2208258956670761 0.5853195190429688
b'bottle' 0.7448824644088745 0.11283267289400101 0.40612301230430603 0.22086872160434723 0.5755194425582886

In [10]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov8.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            x, y, w, h = i['bbox']['x'], i['bbox']['y'], i['bbox']['w'], i['bbox']['h']
            objname, objprob = i['objname'], i['prob']
            print(objname, objprob, x, y, w, h)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

b'toilet' 0.4541160762310028 0.602770209312439 0.9111631512641907 0.16810722649097443 0.08513855934143066
b'toilet' 0.6902503967285156 0.606963574886322 0.9117961525917053 0.16024480760097504 0.08727789670228958
b'toilet' 0.6852353811264038 0.6020327210426331 0.9118891358375549 0.16942621767520905 0.08718493580818176
b'toilet' 0.7014157176017761 0.6041151881217957 0.9120386242866516 0.16582755744457245 0.0863698348402977
b'cup' 0.46080872416496277 0.6049922108650208 0.9143685698509216 0.1643451750278473 0.08425315469503403

从上面跑的 yolov8 模型示例来看，运行时编辑框下会输出检测结果的相关参数，而实际画面可在板卡屏幕查看。我们也可以从上面的代码中替换不同功能的 .so 库或不同效果的 AI 模型来实现更多的 AI 应用。

更换 .so 库以及 AI 模型请参考以下示例进行修改，这篇文档只挑选部分经典模型作为示例，大家可以举一反三进行更换功能库以及模型，更多详细信息前往 ax-pipeline-api 查看。全文示例使用 GC4653 摄像头不同型号请前往 Maix-III 系列 AXera-Pi 常见问题（FAQ）修改。

以下是内置的 libxxx*.so 库总览：

可通过替换不同的 libxxx*.so 来体验不同的功能。

libsample_h264_ivps_joint_vo_sipy.so            # input h264 video to ivps joint output screen vo
libsample_v4l2_user_ivps_joint_vo_sipy.so       # input v4l2 /dev/videoX to ivps joint output screen vo
libsample_rtsp_ivps_joint_rtsp_vo_sipy.so       # input video from rtsp to ivps joint output rtsp and screen vo
libsample_vin_ivps_joint_vo_sipy.so             # input mipi sensor to ivps joint output screen vo
libsample_vin_ivps_joint_venc_rtsp_sipy.so      # input mipi sensor to ivps joint output rtsp
libsample_vin_ivps_joint_venc_rtsp_vo_sipy.so   # input mipi sensor to ivps joint output rtsp and screen vo
libsample_vin_ivps_joint_vo_h265_sipy.so        # input mipi sensor to ivps joint output screen vo and save h265 video file
libsample_multi_rtsp_ivps_joint_multi_rtsp_sipy.so   # input multi rtsp video to ivps joint output multi rtsp video
libsample_rtsp_ivps_joint_rtsp_sipy.so              # input video from rtsp to ivps joint output rtsp
libsample_rtsp_ivps_joint_rtsp_vo_sipy.so           # input video from rtsp to ivps joint output rtsp and screen vo
libsample_rtsp_ivps_joint_vo_sipy.so                # input video from rtsp to ivps joint output screen vo

更换 libxxx*.so 可参考以下示例：

pipeline.load([
        'libsample_vin_ivps_joint_venc_rtsp_vo_sipy.so',
        '-p', '/home/config/yolov5s.json',
        '-c', '2',
    ])

以下是内置的多种 AI 模型总览：

AI 模型被内置在 /home/config 的目录下，可通过更换模型来实现不同的 AI 应用。

ax_bvc_det.json              hrnet_pose_yolov8.json           yolov5s_face_recognition.json
ax_person_det.json           license_plate_recognition.json   yolov5s_license_plate.json
ax_pose.json		          nanodet.json		                yolov6.json
ax_pose_yolov5s.json	      palm_hand_detection.json	     yolov7.json
ax_pose_yolov8.json	      pp_human_seg.json		         yolov7_face.json
crowdcount.json		      scrfd.json			             yolov7_palm_hand.json
hand_pose.json		          yolo_fastbody.json		         yolov8.json
hand_pose_yolov7_palm.json   yolopv2.json		                 yolov8_seg.json
hrnet_animal_pose.json	      yolov5_seg.json		             yolox.json
hrnet_pose.json		      yolov5s.json
hrnet_pose_ax_det.json	      yolov5s_face.json

更换 AI 模型可参考以下示例：

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov5s_face.json',
    '-c', '2',
])

Yolov8-seg 实例分割

In [10]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov8_seg.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            print(i)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

{'label': 39, 'prob': 0.41857901215553284, 'objname': b'bottle', 'bbox': {'x': 0.02848125249147415, 'y': 0.03796946257352829, 'w': 0.03146517649292946, 'h': 0.15615946054458618}, 'bHasMask': 1, 'mYolov5Mask': {'w': 6, 'h': 15, 'data': b'\x00\x00\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00'}}
{'label': 39, 'prob': 0.4118087887763977, 'objname': b'bottle', 'bbox': {'x': 0.028065890073776245, 'y': 0.03647643327713013, 'w': 0.0326821468770504, 'h': 0.15858806669712067}, 'bHasMask': 1, 'mYolov5Mask': {'w': 6, 'h': 15, 'data': b'\x00\x00\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\xff\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00\xff\xff\xff\xff\x00\x00'}}

读取 USB 摄像头进行检测

使用前先准备USB 摄像头以及 USB type-c 转接头备用，把 USB 摄像头接入 USB type-c 转接头，再把转接头的 type-c 端接入板卡设备的 OTG 口。接线完毕后运行下文代码即可支持 USB 摄像头输入进行检测，运行效果会输出到设备屏幕。

In [ ]:

import time
from ax import pipeline

pipeline.load([
    'libsample_v4l2_user_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov8.json'
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()

车牌识别（输出运行效果）

In [8]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/license_plate_recognition.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            print(i)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

{'label': 0, 'prob': 0.350676953792572, 'objname': b'anhuiCLJ3', 'bbox': {'x': 0.2686941921710968, 'y': 0.17339776456356049, 'w': 0.4595341384410858, 'h': 0.3150448203086853}, 'bHasBoxVertices': 1, 'bbox_vertices': [{'x': 0.2912384867668152, 'y': 0.17690573632717133}, {'x': 0.7315817475318909, 'y': 0.22101126611232758}, {'x': 0.708527147769928, 'y': 0.47905251383781433}, {'x': 0.2720993161201477, 'y': 0.44149187207221985}], 'nLandmark': 4, 'landmark': [{'x': 0.2720993161201477, 'y': 0.44149187207221985}, {'x': 0.708527147769928, 'y': 0.47905251383781433}, {'x': 0.7315817475318909, 'y': 0.22101126611232758}, {'x': 0.2912384867668152, 'y': 0.17690573632717133}]}
{'label': 0, 'prob': 0.2783961892127991, 'objname': b'anhuiTLJ0', 'bbox': {'x': 0.23988564312458038, 'y': 0.38015124201774597, 'w': 0.46291205286979675, 'h': 0.31740766763687134}, 'bHasBoxVertices': 1, 'bbox_vertices': [{'x': 0.26884639263153076, 'y': 0.38855984807014465}, {'x': 0.7055302858352661, 'y': 0.4226400554180145}, {'x': 0.6729471683502197, 'y': 0.6891617774963379}, {'x': 0.24066202342510223, 'y': 0.658175528049469}], 'nLandmark': 4, 'landmark': [{'x': 0.24066202342510223, 'y': 0.658175528049469}, {'x': 0.6729471683502197, 'y': 0.6891617774963379}, {'x': 0.7055302858352661, 'y': 0.4226400554180145}, {'x': 0.26884639263153076, 'y': 0.38855984807014465}]}

人脸识别

In [13]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov5s_face_recognition.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            print(i)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

{'label': 0, 'prob': 0.5212324261665344, 'objname': b'unknown', 'bbox': {'x': 0.6881264448165894, 'y': 0.5129707455635071, 'w': 0.05985317379236221, 'h': 0.12323958426713943}, 'bHasBoxVertices': 1, 'bbox_vertices': [{'x': 0.0, 'y': 0.0}, {'x': 0.0, 'y': 0.0}, {'x': 0.0, 'y': 0.0}, {'x': 0.0, 'y': 0.0}], 'nLandmark': 5, 'landmark': [{'x': 0.7027329802513123, 'y': 0.5531390309333801}, {'x': 0.7250422835350037, 'y': 0.5570502281188965}, {'x': 0.7070087194442749, 'y': 0.57811439037323}, {'x': 0.7003915905952454, 'y': 0.6006622314453125}, {'x': 0.7167162299156189, 'y': 0.6037786602973938}]}

ax_bvc_det 人车非机动车检测

In [4]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/ax_bvc_det.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            x, y, w, h = i['bbox']['x'], i['bbox']['y'], i['bbox']['w'], i['bbox']['h']
            objname, objprob = i['objname'], i['prob']
            print(objname, objprob, x, y, w, h)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

b'vehicle' 0.9299032092094421 0.3565574288368225 0.44399410486221313 0.23071418702602386 0.2580929398536682
b'vehicle' 0.9225113391876221 0.357175350189209 0.44230249524116516 0.23054184019565582 0.2606807053089142
b'vehicle' 0.9186123609542847 0.3581112325191498 0.44336238503456116 0.22992925345897675 0.26163965463638306
b'vehicle' 0.5208129286766052 0.3618425130844116 0.4461480975151062 0.23065532743930817 0.2652992308139801
b'vehicle' 0.7194858193397522 0.3608142137527466 0.45302334427833557 0.23270295560359955 0.2703518867492676
b'vehicle' 0.8540934324264526 0.3617907166481018 0.4548843204975128 0.23152287304401398 0.27814221382141113
b'vehicle' 0.7356315851211548 0.31006965041160583 0.45962005853652954 0.23436705768108368 0.26961490511894226

crowdcount 人流量检测

In [1]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            print(i)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

姿态关键点系列（人体/手/动物）

姿态关键点系列包含人体姿态、手势姿态以及动物姿态的检测，出于方便大家的使用都罗列出来了。

ax-pose-ppl 人体姿态检测

关键点对应的人体部位如下：

0：鼻子、1：左眼、2：右眼、3：左耳、4：右耳、5：左肩、6：右肩、7：左肘、

8：右肘、9: 左腕、10：右腕、11：左胯、12：右胯、13：左膝、14: 右膝、15：左踝、16：右踝

In [26]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/ax_pose.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            print(i)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

{'label': 0, 'prob': 0.41659796237945557, 'objname': b'person', 'bbox': {'x': 0.01200273260474205, 'y': 0.0, 'w': 0.9315435290336609, 'h': 0.9421796798706055}, 'bHasBoxVertices': 0, 'bHasLandmark': 17, 'landmark': [{'x': 0.6708333492279053, 'y': 0.23333333432674408}, {'x': 0.6427083611488342, 'y': 0.16851851344108582}, {'x': 0.6520833373069763, 'y': 0.14629629254341125}, {'x': 0.7322916388511658, 'y': 0.5055555701255798}, {'x': 0.7614583373069763, 'y': 0.06481481343507767}, {'x': 0.7541666626930237, 'y': 0.09444444626569748}, {'x': 0.7541666626930237, 'y': 0.1518518477678299}, {'x': 0.7124999761581421, 'y': 0.15925925970077515}, {'x': 0.5041666626930237, 'y': 0.08703703433275223}, {'x': 0.6739583611488342, 'y': 0.07407407462596893}, {'x': 0.690625011920929, 'y': 0.6814814805984497}, {'x': 0.7833333611488342, 'y': 0.25}, {'x': 0.7614583373069763, 'y': 0.25}, {'x': 0.35104167461395264, 'y': 0.6074073910713196}, {'x': 0.3489583432674408, 'y': 0.5777778029441833}, {'x': 0.0572916679084301, 'y': 0.5185185074806213}, {'x': 0.0677083358168602, 'y': 0.5185185074806213}]}

HandPose 手势姿态检测

In [38]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/hand_pose.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            x, y, w, h = i['bbox']['x'], i['bbox']['y'], i['bbox']['w'], i['bbox']['h']
            objname, objprob = i['objname'], i['prob']
            print(objname, objprob, x, y, w, h)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

{'label': 0, 'prob': 0.948456346988678, 'objname': b'hand', 'bbox': {'x': 0.26589435338974, 'y': 0.26926565170288086, 'w': 0.46994149684906006, 'h': 0.4706382751464844}, 'bHasBoxVertices': 1, 'bbox_vertices': [{'x': 1.4048067331314087, 'y': -0.42393070459365845}, {'x': 1.2827746868133545, 'y': 1.74061918258667}, {'x': 0.06521528959274292, 'y': 1.5236728191375732}, {'x': 0.18724757432937622, 'y': -0.6408770084381104}], 'bHasLandmark': 21, 'landmark': [{'x': 0.3895833194255829, 'y': 0.6722221970558167}, {'x': 0.4635416567325592, 'y': 0.5925925970077515}, {'x': 0.5979166626930237, 'y': 0.4888888895511627}, {'x': 0.6979166865348816, 'y': 0.4148148000240326}, {'x': 0.7562500238418579, 'y': 0.442592591047287}, {'x': 0.7541666626930237, 'y': 0.5388888716697693}, {'x': 0.8166666626930237, 'y': 0.4314814805984497}, {'x': 0.7927083373069763, 'y': 0.3314814865589142}, {'x': 0.768750011920929, 'y': 0.25925925374031067}, {'x': 0.746874988079071, 'y': 0.5981481671333313}, {'x': 0.778124988079071, 'y': 0.43703705072402954}, {'x': 0.7260416746139526, 'y': 0.3203703761100769}, {'x': 0.706250011920929, 'y': 0.27222222089767456}, {'x': 0.703125, 'y': 0.6499999761581421}, {'x': 0.7291666865348816, 'y': 0.4611110985279083}, {'x': 0.6666666865348816, 'y': 0.3722222149372101}, {'x': 0.628125011920929, 'y': 0.3351851999759674}, {'x': 0.6416666507720947, 'y': 0.6981481313705444}, {'x': 0.6864583492279053, 'y': 0.5814814567565918}, {'x': 0.6625000238418579, 'y': 0.5092592835426331}, {'x': 0.6447916626930237, 'y': 0.4592592716217041}]}

animal-pose 动物姿态检测

In [7]:

import time
from ax import pipeline

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/hrnet_animal_pose.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        for i in tmp['mObjects']:
            x, y, w, h = i['bbox']['x'], i['bbox']['y'], i['bbox']['w'], i['bbox']['h']
            objname, objprob = i['objname'], i['prob']
            print(objname, objprob, x, y, w, h)
        # if tmp['nObjSize'] > 10: # try exit
        #     pipeline.drop()

b'cat' 0.4067786633968353 0.5895833373069763 0.0833333358168602 0.25 0.5703703761100769
b'cat' 0.47085827589035034 0.5666666626930237 0.09444444626569748 0.2708333432674408 0.5740740895271301
b'cat' 0.5028171539306641 0.5239583253860474 0.09814814478158951 0.32083332538604736 0.5888888835906982
b'cat' 0.4983457326889038 0.5302083492279053 0.1111111119389534 0.31041666865348816 0.5777778029441833
b'dog' 0.807929515838623 0.0833333358168602 0.1259259283542633 0.26875001192092896 0.5370370149612427
b'dog' 0.6479188799858093 0.15729166567325592 0.8425925970077515 0.12291666865348816 0.1518518477678299

Pillow Yolov5s 目标检测

In [3]:

import time
from ax import pipeline
from PIL import Image, ImageDraw

# ready sipeed logo canvas
lcd_width, lcd_height = 854, 480

img = Image.new('RGBA', (lcd_width, lcd_height), (255,0,0,200))
ui = ImageDraw.ImageDraw(img)
ui.rectangle((20,20,lcd_width-20,lcd_height-20), fill=(0,0,0,0), outline=(0,0,255,100), width=20)

logo = Image.open("/home/res/logo.png")
img.paste(logo, box=(lcd_width-logo.size[0], lcd_height-logo.size[1]), mask=None)

def rgba2argb(rgba):
    r,g,b,a = rgba.split()
    return Image.merge("RGBA", (a,b,g,r))
canvas_argb = rgba2argb(img)

pipeline.load([
    'libsample_vin_ivps_joint_vo_sipy.so',
    '-p', '/home/config/yolov5s.json',
    # '-p', '/home/config/yolov8.json',
    '-c', '2',
])

while pipeline.work():
    time.sleep(0.001)
    argb = canvas_argb.copy()
    tmp = pipeline.result()
    if tmp and tmp['nObjSize']:
        ui = ImageDraw.ImageDraw(argb)
        for i in tmp['mObjects']:
            x = i['bbox']['x'] * lcd_width
            y = i['bbox']['y'] * lcd_height
            w = i['bbox']['w'] * lcd_width
            h = i['bbox']['h'] * lcd_height
            objlabel = i['label']
            objprob = i['prob']
            ui.rectangle((x,y,x+w,y+h), fill=(100,0,0,255), outline=(255,0,0,255))
            ui.text((x,y), str(objlabel))
            ui.text((x,y+20), str(objprob))
    pipeline.config("display", (lcd_width, lcd_height, "ARGB", argb.tobytes()))

print_data 2 False

Pillow Yolov8 目标检测（pybind11）

体验完 ctypes 来试试新的 API pybind11 跑 Yolov8 目标检测吧！新的 pybind11 支持把获取摄像头图像以及推理结果一起显示到屏幕（网页）或者是保存下来，但目前还处于不稳定状态，使用时出现不稳定闪烁或者是报错请重启内核即可。

In [ ]:

import m3axpi

# m3axpi.camera(SysCase=0) # switch os04a10
# m3axpi.camera(SysCase=2) # default gc4653
m3axpi.load("/home/config/yolov8.json")

from PIL import Image, ImageDraw, ImageFont

lcd_width, lcd_height, lcd_channel = 854, 480, 4

fnt = ImageFont.truetype("/home/res/sans.ttf", 20)
img = Image.new('RGBA', (lcd_width, lcd_height), (255,0,0,200))
ui = ImageDraw.ImageDraw(img)
ui.rectangle((20, 20, lcd_width-20, lcd_height-20), fill=(0,0,0,0), outline=(0,0,255,100), width=20)
logo = Image.open("/home/res/logo.png")
img.paste(logo, box=(lcd_width-logo.size[0], lcd_height-logo.size[1]), mask=None)


while True:
    rgba = img.copy()
    tmp = m3axpi.capture()
    rgb = Image.frombuffer("RGB", (tmp[1], tmp[0]), tmp[3])
    rgba.paste(rgb, box=(0, 0), mask=None) ## camera 320x180 paste 854x480
    res = m3axpi.forward()
    if 'nObjSize' in res:
        ui = ImageDraw.ImageDraw(rgba)
        ui.text((0, 0), "fps:%02d" % (res['niFps']), font=fnt)
        for obj in res['mObjects']:
            x, y, w, h = int(obj['bbox'][0]*lcd_width), int(obj['bbox'][1]*lcd_height), int(obj['bbox'][2]*lcd_width), int(obj['bbox'][3]*lcd_height)
            ui.rectangle((x,y,x+w,y+h), fill=(255,0,0,100), outline=(255,0,0,255))
            ui.text((x, y), "%s:%02d" % (obj['objname'], obj['prob']*100), font=fnt)
            rgba.paste(logo, box=(x+w-logo.size[1], y+h-logo.size[1]), mask=None)

    m3axpi.display([lcd_height, lcd_width, lcd_channel, rgba.tobytes()])
#     display(rgba)#显示到网页

调用 Pillow 进行图像处理并显示

Pillow（PIL）是 Python 常用的图像处理库，而 Pillow 是 PIL 支，提供了广泛的文件格式支持，强大的图像处理能力，主要包括图像储存、图像显示、格式转换以及基本的图像处理操作等。

使用以下的例子来说明如何使用 Python Pillow:

In [12]:

!ls home/images

air.jpg        carvana02.jpg	 face5.jpg	   mv2seg.png	  selfie.jpg
aoa-2.jpeg     carvana03.jpg	 faces		   o2_resize.jpg  ssd_car.jpg
aoa.jpeg       carvana04.jpg	 grace_hopper.jpg  pineapple.jpg  ssd_dog.jpg
bike.jpg       cat.jpg		 mobileface01.jpg  pose-1.jpeg	  ssd_horse.jpg
bike2.jpg      cityscape.png	 mobileface02.jpg  pose-2.jpeg
cable.jpg      dog.jpg		 mtcnn_face4.jpg   pose-3.jpeg
carvana01.jpg  efficientdet.png  mtcnn_face6.jpg   pose.jpg

In [8]:

from PIL import Image, ImageDraw
pil_im = Image.open('home/images/bike2.jpg', 'r')
draw = ImageDraw.Draw(pil_im)
draw.arc((0, 0,400,400) , start=0, end=300, fill='red',width=3)
draw.rectangle((20, 20, 200, 100), fill=(100, 20, 60), outline="#FF0000", width=3)
pil_im.show() # display(pil_im)

关于 Pillow 更多的使用资料请点击查看。

调用 Numpy 进行数组计算

NumPy（Numerical Python）是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也是针对数组运算提供大量的数学函数库。

使用以下的例子来说明如何调用 Numpy：

In [11]:

import numpy as np
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print(dt)

int32

关于 Numpy 的更多资料例程请点击查看。

播放音视频

如何使用 Python 播放音视频

发起 Http 请求或 MQTT 通信

如何发起 Http 请求或 MQTT 通信

使用 PinPong 库控制 Microbit

PinPong 库是一套控制开源硬件主控板的 Python 库，基于 Firmata 协议并兼容 MicroPython 语法。

使用前请先准备材料并按步骤接线，使用 Micro usb 数据线连接 Microbit，然后把另一端接入转接头的 USB 口，再把转接头的 Type-c 口接入设备的 OTG 口，使用 Type-c 数据线连接设备的 UART 口及 PC 端通电。

一个 Type-c USB 转接头
一台 Microbit 以及 Micro usb 数据线
一台 AXera-Pi 设备以及 Type-c 数据线

可直接在 Python3 环境运行下方代码即可连接 microbit 掌控版并会看到 hello world 亮灯效果。

In [ ]:

import time
from pinpong.board import Board,Pin
from pinpong.extension.microbit import *
Board("microbit","/dev/ttyACM0").begin()
display.show(Image.HEART)
while True:    
    display.scroll("hello world")


  __________________________________________
 |    ____  _       ____                    |
 |   / __ \(_)___  / __ \____  ____  ____ _ |
 |  / /_/ / / __ \/ /_/ / __ \/ __ \/ __ `/ |
 | / ____/ / / / / ____/ /_/ / / / / /_/ /  |
 |/_/   /_/_/ /_/_/    \____/_/ /_/\__, /   |
 |   v0.4.9  Designed by DFRobot  /____/    |
 |__________________________________________|
 
[01] Python3.9.2 Linux-4.19.125-armv7l-with-glibc2.31 Board: MICROBIT
selected -> board: MICROBIT serial: /dev/ttyACM0
[10] Opening /dev/ttyACM0
[32] Firmata ID: 2.7
[22] Arduino compatible device found and connected to /dev/ttyACM0
[40] Retrieving analog map...
[42] Auto-discovery complete. Found 26 Digital Pins and 6 Analog Pins
------------------------------
All right. PinPong go...
------------------------------

点击 Microbit 传送门查看更多的相关例程资料。

使用 PinPong 库控制 Arduino UNO

使用前请先准备材料按步骤接线，先用 Type-B 数据线连接 Arduino UNO，接着把另一端接入转接头的 USB 口，再把转接头的 Type-c 口接入设备板载的 OTG 口，使用 Type-c 数据线连接设备板载的 UART 口及电脑端进行上电操作。

一个 Type-c USB 转接头
一台 Arduino UNO 以及 Type-b 数据线
一台 AXera-Pi 设备以及 Type-c 数据线

直接在编辑框运行以下代码控制 Arduino UNO 板点亮外接的 LED 灯以及板载也会亮起。

In [5]:

import time
from pinpong.board import Board,Pin
Board("uno","/dev/ttyUSB0").begin()               
led = Pin(Pin.D13, Pin.OUT) #引脚初始化为电平输出

while True:
  led.value(1) #输出高电平
  print("1") #终端打印信息
  time.sleep(1) #等待1秒 保持状态

  led.value(0) #输出低电平 
  print("0") #终端打印信息
  time.sleep(1) #等待1秒 保持状态


  __________________________________________
 |    ____  _       ____                    |
 |   / __ \(_)___  / __ \____  ____  ____ _ |
 |  / /_/ / / __ \/ /_/ / __ \/ __ \/ __ `/ |
 | / ____/ / / / / ____/ /_/ / / / / /_/ /  |
 |/_/   /_/_/ /_/_/    \____/_/ /_/\__, /   |
 |   v0.4.9  Designed by DFRobot  /____/    |
 |__________________________________________|
 
[01] Python3.9.2 Linux-4.19.125-armv7l-with-glibc2.31 Board: UNO
selected -> board: UNO serial: /dev/ttyUSB0
[10] Opening /dev/ttyUSB0
[32] Firmata ID: 2.7
[22] Arduino compatible device found and connected to /dev/ttyUSB0
[40] Retrieving analog map...
[42] Auto-discovery complete. Found 20 Digital Pins and 6 Analog Pins
------------------------------
All right. PinPong go...
------------------------------

1
0
1
0
1
user quit process

An exception has occurred, use %tb to see the full traceback.

SystemExit: 0

点击 Arduino UNO 传送门查看更多的相关例程资料。

系统使用手册

开始 C/C++ 编程

wiki

Maix-III AXera-Pi 试试 Python 编程

前言

什么是 Python

什么是 Jupyter Notebook

启动网页

基础用法

运行代码

启动终端

编写文档

传输文件

ax-pipeline-api

Yolov5/Yolov8 目标检测（ctypes）

Yolov8-seg 实例分割

读取 USB 摄像头进行检测

车牌识别（输出运行效果）

人脸识别

ax_bvc_det 人车非机动车检测

crowdcount 人流量检测

姿态关键点系列（人体/手/动物）

ax-pose-ppl 人体姿态检测

HandPose 手势姿态检测

animal-pose 动物姿态检测

Pillow Yolov5s 目标检测

Pillow Yolov8 目标检测（pybind11）

调用 Pillow 进行图像处理并显示

调用 Numpy 进行数组计算

播放音视频

发起 Http 请求或 MQTT 通信

使用 PinPong 库控制 Microbit

使用 PinPong 库控制 Arduino UNO