diff --git a/example/vision/face_detection/README.md b/example/vision/face_detection/README.md
index 427bd4694661a06bd07bda52b2627b0fbcdc28c8..fe24056cd32d5aaf2f32810f5b0c3883d51ec552 100644
--- a/example/vision/face_detection/README.md
+++ b/example/vision/face_detection/README.md
@@ -2,7 +2,7 @@
发布版本：V0.0.0
-日期：2024-11-04
+日期：2024-11-25
文件密级：□绝密 □秘密 □内部资料 ■公开
@@ -23,29 +23,30 @@
**修订记录**
-| **日期** | **版本** | **作者** | **修改说明** |
-| :--------- | -------- | -------- | ------------ |
-| 2024/11/04 | 0.0.0 | 郑必城 | 初始版本 |
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/25 | 0.0.0 | 钟海滨 | 初始版本 |
## 1 简介
-在深度学习中，RetinaFace 是一种高效的人脸检测模型，旨在准确识别图像中的人脸及其关键点。该模型结合了特征金字塔网络（FPN）和单阶段检测方法，能够在不同尺度下进行人脸检测，从而提高了对小型和远距离人脸的检测能力。RetinaFace 不仅能够检测人脸位置，还能提供人脸的五个关键点（如眼睛、鼻子和嘴巴）的坐标，适用于多种人脸识别和分析应用。
+在深度学习中，人脸检测是一项重要的计算机视觉任务，旨在在图像或视频中精确定位和识别人脸的位置。这项技术广泛应用于安全监控、身份验证、社交媒体、智能设备等多种场景。
+为了实现高效且准确的人脸检测，我们基于 Lockzhiner Vision Module 的 LZ-Picodet 模型，在飞桨的 AI Studio 平台上训练了一个高性能的人脸检测模型。
## 2 运行前的准备
-* 请确保你已经下载了 [凌智视觉模块人脸检测模型](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.3/LZ-RetinaFace-2024-1121-1627.rknn)
+* 请确保你已经下载了 [凌智视觉模块人脸检测模型](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.3/LZ-Face.rknn)
## 3 在凌智视觉模块上部署模型
训练完模型后，请参考以下教程在凌智视觉模块上部署检测模型例程：
-* [凌智视觉模块人脸检测模型 Python 部署指南](./python)
+* [凌智视觉模块人脸检测模型 Python 部署指南](./python/README.md)
## 4 各模型性能指标
以下测试数据为模型执行 Predict 函数运行 1000 次耗时的平均时间
| 人脸检测模型 | FPS(帧/s) | 精度(%) |
-|:-------:|:----:|:----:|
-|LZ-RetinaFace| 38 | - |
\ No newline at end of file
+|:------:|:--------:|:----:|
+|LZ-Face | 25 | - |
\ No newline at end of file
diff --git a/example/vision/face_detection/README_BAK.md b/example/vision/face_detection/README_BAK.md
new file mode 100644
index 0000000000000000000000000000000000000000..79fb8378bd94e7e20ecea3b6533a294b843911b4
--- /dev/null
+++ b/example/vision/face_detection/README_BAK.md
@@ -0,0 +1,51 @@
+凌智视觉模块人脸检测模型部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-04
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+| :--------- | -------- | -------- | ------------ |
+| 2024/11/04 | 0.0.0 | 郑必城 | 初始版本 |
+
+## 1 简介
+
+在深度学习中，RetinaFace 是一种高效的人脸检测模型，旨在准确识别图像中的人脸及其关键点。该模型结合了特征金字塔网络（FPN）和单阶段检测方法，能够在不同尺度下进行人脸检测，从而提高了对小型和远距离人脸的检测能力。RetinaFace 不仅能够检测人脸位置，还能提供人脸的五个关键点（如眼睛、鼻子和嘴巴）的坐标，适用于多种人脸识别和分析应用。
+
+## 2 运行前的准备
+
+* 请确保你已经下载了 [凌智视觉模块人脸检测模型](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.3/LZ-RetinaFace-2024-1121-1627.rknn)
+
+## 3 在凌智视觉模块上部署模型
+
+训练完模型后，请参考以下教程在凌智视觉模块上部署检测模型例程：
+
+
+* [凌智视觉模块人脸检测模型 Python 部署指南](./python/README_BAK.md)
+
+## 4 各模型性能指标
+
+以下测试数据为模型执行 Predict 函数运行 1000 次耗时的平均时间
+
+| 人脸检测模型 | FPS(帧/s) | 精度(%) |
+|:-------:|:--------:|:----:|
+|LZ-RetinaFace| 38 | - |
\ No newline at end of file
diff --git a/example/vision/face_detection/images/connect.png b/example/vision/face_detection/images/connect.png
new file mode 100644
index 0000000000000000000000000000000000000000..4eb7fd6d04f4dc89efcfd36cdb8aa1014152df39
Binary files /dev/null and b/example/vision/face_detection/images/connect.png differ
diff --git a/example/vision/face_detection/images/result1.png b/example/vision/face_detection/images/result1.png
new file mode 100644
index 0000000000000000000000000000000000000000..d8f53c8ae3c58da8023125d9ebc3b571d9581a47
Binary files /dev/null and b/example/vision/face_detection/images/result1.png differ
diff --git a/example/vision/face_detection/images/result2.png b/example/vision/face_detection/images/result2.png
new file mode 100644
index 0000000000000000000000000000000000000000..e2b9953cde43bb9b98638f727f5b74226728b04d
Binary files /dev/null and b/example/vision/face_detection/images/result2.png differ
diff --git a/example/vision/face_detection/images/stfp.png b/example/vision/face_detection/images/stfp.png
new file mode 100644
index 0000000000000000000000000000000000000000..5725826af28458ef278828d7e46fe9cc63894d18
Binary files /dev/null and b/example/vision/face_detection/images/stfp.png differ
diff --git a/example/vision/face_detection/python/README.md b/example/vision/face_detection/python/README.md
index 1264cd36b67b1f018afc29bcdc55e0e1b4a7c955..a16416606f8776cd080b4ec43876b118c4fa6982 100644
--- a/example/vision/face_detection/python/README.md
+++ b/example/vision/face_detection/python/README.md
@@ -2,7 +2,7 @@
发布版本：V0.0.0
-日期：2024-11-04
+日期：2024-11-25
文件密级：□绝密 □秘密 □内部资料 ■公开
@@ -23,15 +23,15 @@
**修订记录**
-| **日期** | **版本** | **作者** | **修改说明** |
-| :--------- | -------- | -------- | ------------ |
-| 2024/11/04 | 0.0.0 | 郑必城 | 初始版本 |
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/25 | 0.0.0 | 钟海滨 | 初始版本 |
## 1 简介
-接下来让我们基于 Python 来部署 RetinaFace 人脸检测模型。在开始本章节前：
+接下来让我们基于 Python 来部署 PaddleDetection 人脸检测模型。在开始本章节前：
-- 请确保你已经参考 [凌智视觉模块人脸检测模型部署指南](../README.md) 正确下载了凌智视觉模块人脸检测模型。
+- 请确保你已经参考 [凌智视觉模块人脸检测模型部署指南](../README.md) 对模型进行了充分训练。
- 请确保你已经按照 [开发环境搭建指南](../../../../docs/introductory_tutorial/python_development_environment.md) 正确配置了开发环境。
## 2 Python API 文档
@@ -84,86 +84,62 @@ class Rect:
"""
return self.rect.height
-class Point:
- def __init__(self):
- self.point = cv2.Point()
-
- @property
- def x(self):
- """
- 获取坐标点的 x 坐标
-
- Returns:
- int: 坐标点的 x 坐标
- """
- return self.rect.x
-
- @property
- def y(self):
- """
- 获取坐标点的 y 坐标
-
- Returns:
- int: 坐标点的 y 坐标
- """
- return self.rect.y
-
-class FaceDetectionResult:
+class DetectionResult:
"""
- 检测结果类，用于封装和处理人脸检测结果数据。
+ 人脸检测结果类，用于封装和处理目标人脸检测结果数据。
- 该类主要提供了一个包装层，用于访问和管理由视觉模块产生的检测结果。
+ 该类主要提供了一个包装层，用于访问和管理由视觉模块产生的人脸检测结果。
"""
def __init__(self):
- self.face_detection_result = vision.FaceDetectionResult()
+ self.detection_result = vision.DetectionResult()
@property
def box(self):
"""
- 获取人脸检测模型检测结果的矩形框信息
+ 获取目标人脸检测模型人脸检测结果的矩形框信息
Returns:
Rect: 矩形框信息
"""
- return self.face_detection_result.box
+ return self.detection_result.box
@property
def score(self):
"""
- 获取人脸检测模型检测结果的得分信息
+ 获取目标人脸检测模型人脸检测结果的得分信息
Returns:
float: 得分信息
"""
- return self.face_detection_result.score
+ return self.detection_result.score
@property
- def points(self):
+ def label_id(self):
"""
- 获取人脸检测模型检测结果的人脸关键点信息， 一般共 5 个关键点
+ 获取目标人脸检测模型人脸检测结果的分类标签信息
Returns:
- list(cv2.Points): 关键点列表
+ int: 分类标签信息
"""
- return self.face_detection_result.points
+ return self.detection_result.label_id
-class RetinaFace:
+class PaddleDet:
"""
- RetinaFace 类 - 用于人脸检测的 RetinaFace 模型封装。
+ PaddleDet 类 - 用于目标人脸检测的 PaddlePaddle 模型封装。
- 该类封装了 RetinaFace 框架下的目标检测模型，提供了初始化和预测的方法。
+ 该类封装了 PaddleDet 框架下的目标人脸检测模型，提供了初始化和预测的方法。
"""
def __init__(self):
"""
构造函数 - 初始化 PaddleDet 对象。
"""
- self.model = vision.RetinaFace()
+ self.model = vision.PaddleDet()
def initialize(self, model_path):
"""
- 初始化模型 - 加载预训练的 RetinaFace 模型。
+ 初始化模型 - 加载预训练的 PaddlePaddle 模型。
Args:
model_path (str): 模型文件的路径。
@@ -175,11 +151,11 @@ class RetinaFace:
def set_threshold(self, score_threshold=0.5, nms_threshold=0.3):
"""
- 设置目标检测阈值
+ 设置目标人脸检测阈值
Args:
- score_threshold (float): 目标检测得分阈值，默认为 0.5
- nms_threshold (float): 目标检测 NMS 阈值，默认为 0.3
+ score_threshold (float): 目标人脸检测得分阈值，默认为 0.5
+ nms_threshold (float): 目标人脸检测 NMS 阈值，默认为 0.3
"""
self.model.initialize(score_threshold, nms_threshold)
@@ -192,18 +168,23 @@ class RetinaFace:
input_mat (cv2.Mat): 输入的图像数据，通常是一个 cv2.Mat 变量。
Returns:
- list(FaceDetectionResult): 预测结果对象列表，每一个预测结果包含了矩形框、人脸关键点和置信度等信息。
+ list(DetectionResult): 预测结果对象列表，每一个预测结果包含了矩形框、标签信息和置信度等信息。
"""
return self.model.predict(input_mat)
+
+
+class Picodet(PaddleDet):
+ def __init__(self):
+ super().__init__()
```
## 3 项目介绍
-为了方便大家入手，我们做了一个简易的人脸检测例程。该程序可以使用摄像头进行端到端推理。
+为了方便大家入手，我们做了一个简易的目标人脸检测例程。该程序可以使用摄像头进行端到端推理。
```python
from lockzhiner_vision_module.cv2 import VideoCapture
-from lockzhiner_vision_module.vision import RetinaFace, visualize
+from lockzhiner_vision_module.vision import PaddleDet, visualize
from lockzhiner_vision_module.edit import Edit
import time
import sys
@@ -211,15 +192,15 @@ import sys
if __name__ == "__main__":
args = sys.argv
if len(args) != 2:
- print("Need model path. Example: python test_retina_face.py LZ-RetinaFace.rknn")
+ print("Need model path. Example: python test_face_detection.py LZ-Face.rknn")
exit(1)
edit = Edit()
edit.start_and_accept_connection()
- model = RetinaFace()
+ model = PaddleDet()
if model.initialize(args[1]) is False:
- print("Failed to initialize RetinaFace")
+ print("Failed to initialize PaddleClas")
exit(1)
video_capture = VideoCapture()
@@ -247,7 +228,7 @@ if __name__ == "__main__":
score = result.score
label_id = result.label_id
print(
- f"(x,y,w,h,score): [{box.x},{box.y},{box.width},{box.height},{score}]"
+ f"(x,y,w,h,score,label_id): [{box.x},{box.y},{box.width},{box.height},{score},{label_id}]"
)
vis_mat = visualize(mat, results)
edit.print(vis_mat)
@@ -262,30 +243,24 @@ if __name__ == "__main__":
请使用 Electerm Sftp 依次上传以下两个文件:
-- 进入存放 **test_retina_face.py** 脚本文件的目录，将 **test_retina_face.py** 上传到 Lockzhiner Vision Module
-- 进入存放 **LZ-RetinaFace.rknn(也可能是其他模型)** 模型存放的目录（模型存放在训练模型后下载的 output 文件夹内），将 **LZ-RetinaFace.rknn** 上传到 Lockzhiner Vision Module
-
-
-
+- 进入存放 **test_face_detection.py** 脚本文件的目录，将 **test_face_detection.py** 上传到 Lockzhiner Vision Module
+- 进入存放 **LZ-Face.rknn(也可能是其他模型)** 模型存放的目录（模型存放在训练模型后下载的 output 文件夹内），将 **LZ-Face.rknn** 上传到 Lockzhiner Vision Module
+
请使用 Electerm Ssh 并在命令行中执行以下命令:
```bash
-python test_retina_face.py LZ-RetinaFace.rknn
+python test_face_detection.py LZ-Face.rknn
```
-
+
连接凌智视觉模块图片传输助手[凌智视觉模块图片传输助手下载地址](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.0/LockzhinerVisionModuleImageFetcher.exe)后，选择连接设备
-
-
-
-
-
-运行程序后，屏幕上开始打印矩形框信息和置信度，并在一段时间后输出 FPS 值
+
+运行程序后，屏幕上开始打印矩形框信息，标签信息和置信度，并在一段时间后输出 FPS 值
-
+
diff --git a/example/vision/face_detection/python/README_BAK.md b/example/vision/face_detection/python/README_BAK.md
new file mode 100644
index 0000000000000000000000000000000000000000..3f526631fdae24acbb9041739bf74e893d2370fd
--- /dev/null
+++ b/example/vision/face_detection/python/README_BAK.md
@@ -0,0 +1,292 @@
+凌智视觉模块人脸检测模型 Python 部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-04
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+| :--------- | -------- | -------- | ------------ |
+| 2024/11/04 | 0.0.0 | 郑必城 | 初始版本 |
+
+## 1 简介
+
+接下来让我们基于 Python 来部署 RetinaFace 人脸检测模型。在开始本章节前：
+
+- 请确保你已经参考 [凌智视觉模块人脸检测模型部署指南](../README_BAK.md) 正确下载了凌智视觉模块人脸检测模型。
+- 请确保你已经按照 [开发环境搭建指南](../../../../docs/introductory_tutorial/python_development_environment.md) 正确配置了开发环境。
+
+## 2 Python API 文档
+
+```python
+class Rect:
+ def __init__(self):
+ self.rect = cv2.Rect()
+
+ def empty(self):
+ return self.rect.empty()
+
+ @property
+ def x(self):
+ """
+ 获取矩形左上角坐标点的 x 坐标
+
+ Returns:
+ int: 获取矩形左上角坐标点的 x 坐标
+ """
+ return self.rect.x
+
+ @property
+ def y(self):
+ """
+ 获取矩形左上角坐标点的 y 坐标
+
+ Returns:
+ int: 获取矩形左上角坐标点的 y 坐标
+ """
+ return self.rect.y
+
+ @property
+ def width(self):
+ """
+ 获取矩形的宽
+
+ Returns:
+ int: 获取矩形的宽
+ """
+ return self.rect.width
+
+ @property
+ def height(self):
+ """
+ 获取矩形的高
+
+ Returns:
+ int: 获取矩形的高
+ """
+ return self.rect.height
+
+class Point:
+ def __init__(self):
+ self.point = cv2.Point()
+
+ @property
+ def x(self):
+ """
+ 获取坐标点的 x 坐标
+
+ Returns:
+ int: 坐标点的 x 坐标
+ """
+ return self.rect.x
+
+ @property
+ def y(self):
+ """
+ 获取坐标点的 y 坐标
+
+ Returns:
+ int: 坐标点的 y 坐标
+ """
+ return self.rect.y
+
+class FaceDetectionResult:
+ """
+ 检测结果类，用于封装和处理人脸检测结果数据。
+
+ 该类主要提供了一个包装层，用于访问和管理由视觉模块产生的检测结果。
+ """
+
+ def __init__(self):
+ self.face_detection_result = vision.FaceDetectionResult()
+
+ @property
+ def box(self):
+ """
+ 获取人脸检测模型检测结果的矩形框信息
+
+ Returns:
+ Rect: 矩形框信息
+ """
+ return self.face_detection_result.box
+
+ @property
+ def score(self):
+ """
+ 获取人脸检测模型检测结果的得分信息
+
+ Returns:
+ float: 得分信息
+ """
+ return self.face_detection_result.score
+
+ @property
+ def points(self):
+ """
+ 获取人脸检测模型检测结果的人脸关键点信息， 一般共 5 个关键点
+
+ Returns:
+ list(cv2.Points): 关键点列表
+ """
+ return self.face_detection_result.points
+
+class RetinaFace:
+ """
+ RetinaFace 类 - 用于人脸检测的 RetinaFace 模型封装。
+
+ 该类封装了 RetinaFace 框架下的目标检测模型，提供了初始化和预测的方法。
+ """
+
+ def __init__(self):
+ """
+ 构造函数 - 初始化 PaddleDet 对象。
+ """
+ self.model = vision.RetinaFace()
+
+ def initialize(self, model_path):
+ """
+ 初始化模型 - 加载预训练的 RetinaFace 模型。
+
+ Args:
+ model_path (str): 模型文件的路径。
+
+ Returns:
+ bool: 初始化是否成功。
+ """
+ return self.model.initialize(model_path)
+
+ def set_threshold(self, score_threshold=0.5, nms_threshold=0.3):
+ """
+ 设置目标检测阈值
+
+ Args:
+ score_threshold (float): 目标检测得分阈值，默认为 0.5
+ nms_threshold (float): 目标检测 NMS 阈值，默认为 0.3
+
+ """
+ self.model.initialize(score_threshold, nms_threshold)
+
+ def predict(self, input_mat):
+ """
+ 进行预测 - 使用加载的模型对输入数据进行分类预测。
+
+ Args:
+ input_mat (cv2.Mat): 输入的图像数据，通常是一个 cv2.Mat 变量。
+
+ Returns:
+ list(FaceDetectionResult): 预测结果对象列表，每一个预测结果包含了矩形框、人脸关键点和置信度等信息。
+ """
+ return self.model.predict(input_mat)
+```
+
+## 3 项目介绍
+
+为了方便大家入手，我们做了一个简易的人脸检测例程。该程序可以使用摄像头进行端到端推理。
+
+```python
+from lockzhiner_vision_module.cv2 import VideoCapture
+from lockzhiner_vision_module.vision import RetinaFace, visualize
+from lockzhiner_vision_module.edit import Edit
+import time
+import sys
+
+if __name__ == "__main__":
+ args = sys.argv
+ if len(args) != 2:
+ print("Need model path. Example: python test_retina_face.py LZ-RetinaFace.rknn")
+ exit(1)
+
+ edit = Edit()
+ edit.start_and_accept_connection()
+
+ model = RetinaFace()
+ if model.initialize(args[1]) is False:
+ print("Failed to initialize RetinaFace")
+ exit(1)
+
+ video_capture = VideoCapture()
+ if video_capture.open(0) is False:
+ print("Failed to open capture")
+ exit(1)
+
+ while True:
+ read_index = 0
+ total_time_ms = 0
+ for i in range(30):
+ ret, mat = video_capture.read()
+ if ret is False:
+ continue
+
+ start_time = time.time()
+ results = model.predict(mat)
+ end_time = time.time()
+ total_time_ms += end_time - start_time
+ read_index += 1
+
+ print(f"result size is {len(results)}")
+ for result in results:
+ box = result.box
+ score = result.score
+ label_id = result.label_id
+ print(
+ f"(x,y,w,h,score): [{box.x},{box.y},{box.width},{box.height},{score}]"
+ )
+ vis_mat = visualize(mat, results)
+ edit.print(vis_mat)
+ print(f"FPS is {1.0 / (total_time_ms/read_index)}")
+```
+
+## 4 上传并测试 Python 程序
+
+参考 [连接设备指南](../../../../docs/introductory_tutorial/connect_device_using_ssh.md) 正确连接 Lockzhiner Vision Module 设备。
+
+
+
+请使用 Electerm Sftp 依次上传以下两个文件:
+
+- 进入存放 **test_retina_face.py** 脚本文件的目录，将 **test_retina_face.py** 上传到 Lockzhiner Vision Module
+- 进入存放 **LZ-RetinaFace.rknn(也可能是其他模型)** 模型存放的目录（模型存放在训练模型后下载的 output 文件夹内），将 **LZ-RetinaFace.rknn** 上传到 Lockzhiner Vision Module
+
+
+
+
+
+请使用 Electerm Ssh 并在命令行中执行以下命令:
+
+```bash
+python test_retina_face.py LZ-RetinaFace.rknn
+```
+
+
+连接凌智视觉模块图片传输助手[凌智视觉模块图片传输助手下载地址](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.0/LockzhinerVisionModuleImageFetcher.exe)后，选择连接设备
+
+
+
+
+
+
+运行程序后，屏幕上开始打印矩形框信息和置信度，并在一段时间后输出 FPS 值
+
+
+
+
+
+
diff --git a/example/vision/face_detection/python/test_face_detection.py b/example/vision/face_detection/python/test_face_detection.py
new file mode 100644
index 0000000000000000000000000000000000000000..6c35fa9698263a67e3ea6ae9c0c24191aea4abe6
--- /dev/null
+++ b/example/vision/face_detection/python/test_face_detection.py
@@ -0,0 +1,50 @@
+from lockzhiner_vision_module.cv2 import VideoCapture
+from lockzhiner_vision_module.vision import PaddleDet, visualize
+from lockzhiner_vision_module.edit import Edit
+import time
+import sys
+
+if __name__ == "__main__":
+ args = sys.argv
+ if len(args) != 2:
+ print("Need model path. Example: python test_face_detection.py LZ-Face.rknn")
+ exit(1)
+
+ edit = Edit()
+ edit.start_and_accept_connection()
+
+ model = PaddleDet()
+ if model.initialize(args[1]) is False:
+ print("Failed to initialize PaddleDet")
+ exit(1)
+
+ video_capture = VideoCapture()
+ if video_capture.open(0) is False:
+ print("Failed to open capture")
+ exit(1)
+
+ while True:
+ read_index = 0
+ total_time_ms = 0
+ for i in range(30):
+ ret, mat = video_capture.read()
+ if ret is False:
+ continue
+
+ start_time = time.time()
+ results = model.predict(mat)
+ end_time = time.time()
+ total_time_ms += end_time - start_time
+ read_index += 1
+
+ print(f"result size is {len(results)}")
+ for result in results:
+ box = result.box
+ score = result.score
+ label_id = result.label_id
+ print(
+ f"(x,y,w,h,score,label_id): [{box.x},{box.y},{box.width},{box.height},{score},{label_id}]"
+ )
+ vis_mat = visualize(mat, results)
+ edit.print(vis_mat)
+ print(f"FPS is {1.0 / (total_time_ms/read_index)}")
\ No newline at end of file