BadBob / Playground
ONNX Runtime · OpenCV · MIT

04 / Python

Python। मॉडल से कैमरे तक।

लाइव एनोटेशन और सीमित फ़्रेम प्रोसेसिंग के साथ अपना ONNX डिटेक्टर स्थानीय रूप से चलाएँ।

ये उदाहरण नियंत्रित परिवेश में वस्तुओं और जानवरों पर केंद्रित हैं। इनमें लोगों की निगरानी, पहचान या व्यवहार का विश्लेषण शामिल नहीं है।

04.01

प्रोजेक्ट तैयार करें

दी गई निर्भरताएँ इंस्टॉल करें और परीक्षण चलाएँ। कैमरा खोलने से पहले किसी स्थानीय चित्र को आज़माएँ।

मूल बातें

python -m unittest
कैमरा खोले बिना स्वचालित जाँच चलाता है।
Terminalbash
unzip badbob-playground-python.zip
cd badbob-playground-python
python3.12 -m venv .venv
. .venv/bin/activate
python -m pip install -r requirements.txt
python -m unittest discover -s tests -v
04.02

मॉडल जोड़ें

कैमरा खोलने से पहले मॉडल और लेबल जाँचें।

मूल बातें

OnnxDetector.__init__(...)
ONNX मॉडल लोड करता है और उसके इनपुट, आउटपुट तथा लेबल की संख्या जाँचता है।
prepare_input(...)
अनुपात बनाए रखते हुए 640×640 का RGB इनपुट बनाता है और बाकी क्षेत्र को भरता है।
OnnxDetector.detect(...)
चित्र तैयार करता है, मॉडल चलाता है और डिटेक्शन लौटाता है।
ध्यान रखें
लक्षण
बॉक्स खिसकते हैं या मॉडल लोड नहीं होता।
कारण
प्रीप्रोसेसिंग, आउटपुट प्रारूप या लेबल का क्रम मेल नहीं खाता।
उपाय
यह अडैप्टर केवल नीचे दिए गए अनुबंध को सपोर्ट करता है। Core ML फ़ाइलों और अन्य ONNX आउटपुट प्रारूपों के लिए अलग अडैप्टर चाहिए।

यह अडैप्टर केवल नीचे दिए गए अनुबंध को सपोर्ट करता है। Core ML फ़ाइलों और अन्य ONNX आउटपुट प्रारूपों के लिए अलग अडैप्टर चाहिए।

विस्तार से

निर्देशांक 640×640 इनपुट पिक्सेल में बॉक्स का केंद्र और आकार बताते हैं। लेबल मॉडल के क्लास क्रम से बिल्कुल मेल खाने चाहिए।

ONNXyaml
input:
  color: RGB
  dtype: float32
  shape: [1, 3, 640, 640]
  letterbox: 114
  scale: 1/255
output:
  dtype: float32
  shape: [1, 4+C, N]
  boxes: [cx, cy, width, height]
  class_scores: probabilities
  objectness: false
  embedded_nms: false
detector.pypython
"""Explicit CPU ONNX adapter; another export contract needs another adapter."""

from pathlib import Path
from typing import cast

import cv2
import numpy as np
import onnxruntime as ort

from .geometry import calculate_letterbox, decode_predictions
from .image_contract import validate_image
from .labels import validate_label_metadata
from .types import Detection, Image, Letterbox, Tensor


def prepare_input(frame: Image) -> tuple[Tensor, Letterbox]:
    validate_image(frame)
    transform = calculate_letterbox(frame.shape[1], frame.shape[0])
    resized = cv2.resize(frame, (transform.width, transform.height), interpolation=cv2.INTER_LINEAR)
    canvas = np.full((640, 640, 3), 114, dtype=np.uint8)
    canvas[
        transform.top : transform.top + transform.height,
        transform.left : transform.left + transform.width,
    ] = resized
    rgb = cv2.cvtColor(canvas, cv2.COLOR_BGR2RGB)
    tensor = np.ascontiguousarray(rgb.transpose(2, 0, 1)[None], dtype=np.float32)
    tensor /= np.float32(255)
    return tensor, transform


class OnnxDetector:
    def __init__(self, model: Path, labels: tuple[str, ...]) -> None:
        if not model.is_file() or model.suffix.lower() != ".onnx":
            raise ValueError("Supply an existing local .onnx model")
        if not 1 <= len(labels) <= 1024:
            raise ValueError("Expected 1..1024 class labels")

        self._session: ort.InferenceSession | None = None
        self._classes = len(labels)
        ort.disable_telemetry_events()
        session = ort.InferenceSession(str(model), providers=["CPUExecutionProvider"])
        inputs, outputs = session.get_inputs(), session.get_outputs()
        if (
            len(inputs) != 1
            or inputs[0].type != "tensor(float)"
            or inputs[0].shape != [1, 3, 640, 640]
        ):
            raise ValueError("Expected one float32 RGB NCHW input [1,3,640,640]")
        if len(outputs) != 1 or outputs[0].type != "tensor(float)":
            raise ValueError("Expected one float32 detector output")

        self._validate_output_shape(outputs[0].shape)
        validate_label_metadata(session.get_modelmeta().custom_metadata_map, labels)
        self._input_name, self._output_name = inputs[0].name, outputs[0].name
        self._session = session
        # Validate actual output values before the runner may acquire a camera.
        self.detect(np.full((640, 640, 3), 114, dtype=np.uint8))

    def _validate_output_shape(self, shape: object) -> None:
        if not isinstance(shape, list) or len(shape) != 3 or shape[:2] != [1, 4 + self._classes]:
            raise ValueError("Expected output metadata [1,4+C,N] matching label count")
        candidates = shape[2]
        if isinstance(candidates, int) and not 1 <= candidates <= 100000:
            raise ValueError("Expected 1..100000 detector candidates")
        if candidates is not None and not isinstance(candidates, (str, int)):
            raise ValueError("Invalid detector candidate dimension")

    def detect(self, frame: Image) -> tuple[Detection, ...]:
        session = self._session
        if session is None:
            raise RuntimeError("Detector is closed")

        tensor, transform = prepare_input(frame)
        results = session.run([self._output_name], {self._input_name: tensor})
        output: object = results[0]
        if not isinstance(output, np.ndarray) or output.dtype != np.float32:
            raise ValueError("Expected a float32 NumPy detector tensor")
        return decode_predictions(cast(Tensor, output), self._classes, transform)

    def close(self) -> None:
        # The Python CPU session has no public close(); drop its owner reference.
        self._session = None
04.03

कैमरा जोड़ें

कैप्चर और इन्फ़रेंस एक ही क्रमिक वर्कर थ्रेड पर चलते हैं। इंटरफ़ेस को केवल सबसे नया पूरा प्रोसेस किया गया चित्र और उसके डिटेक्शन मिलते हैं।

मूल बातें

Runner._run()
एक ही वर्कर थ्रेड पर कैमरा कैप्चर और इन्फ़रेंस संभालता है।
LatestResult.take()
नवीनतम संसाधित चित्र और उसके डिटेक्शन लेता है; परिणाम कतार में जमा नहीं हो सकते।
Runner.stop()
नए परिणाम स्वीकार करना बंद करता है और सक्रिय कार्य पूरा होने पर संसाधन मुक्त करता है।
ध्यान रखें
लक्षण
प्रीव्यू पीछे रह जाता है और मेमोरी का उपयोग बढ़ता है।
कारण
कैमरा अनुमान की प्रक्रिया से तेज़ फ़्रेम देता है, इसलिए असीमित कतार बढ़ती जाती है।
उपाय
कैप्चर और इन्फ़रेंस एक ही क्रमिक वर्कर थ्रेड पर चलते हैं। इंटरफ़ेस को केवल सबसे नया पूरा प्रोसेस किया गया चित्र और उसके डिटेक्शन मिलते हैं।
विस्तार से

रोकने का अनुरोध करें, देर से आए परिणाम अस्वीकार करें और संसाधन मुक्त करने से पहले सक्रिय कार्य पूरा होने की प्रतीक्षा करें। अंतर्निहित तंत्र को रद्द करना प्लेटफ़ॉर्म के समर्थन पर निर्भर करता है।

runner.pypython
"""One joined worker, no input queue, and one complete owned output pair."""

import threading
from collections.abc import Callable

from .types import Detector, FrameResult, FrameSource


class LatestResult:
    def __init__(self) -> None:
        self._lock = threading.Lock()
        self._pending: FrameResult | None = None
        self._closed = False

    def publish(self, result: FrameResult) -> bool:
        with self._lock:
            if self._closed:
                return False
            self._pending = result
            return True

    def take(self) -> FrameResult | None:
        with self._lock:
            result, self._pending = self._pending, None
            return result

    def close(self) -> None:
        with self._lock:
            self._closed = True
            self._pending = None


class Runner:
    def __init__(
        self, detector_factory: Callable[[], Detector], source_factory: Callable[[], FrameSource]
    ):
        self.results = LatestResult()
        self.finished = threading.Event()
        self.stop_requested = threading.Event()
        self.error: str | None = None
        self._detector_factory = detector_factory
        self._source_factory = source_factory
        self._thread: threading.Thread | None = None

    def start(self) -> None:
        if self._thread is not None or self.stop_requested.is_set():
            raise RuntimeError("A Runner starts once; create a new Runner for another session")
        self._thread = threading.Thread(target=self._run, name="badbob-inference", daemon=False)
        self._thread.start()

    def stop(self) -> None:
        self.stop_requested.set()
        self.results.close()
        if self._thread is not None:
            self._thread.join()

    def _capture(self, detector: Detector, source: FrameSource) -> None:
        sequence = 0
        while not self.stop_requested.is_set():
            frame = source.read()
            if frame is None:
                return
            if self.stop_requested.is_set():
                return

            # Own the pixels even when a backend or test double reuses its buffer.
            owned_frame = frame.copy()
            detections = detector.detect(owned_frame)
            if self.stop_requested.is_set():
                return
            sequence += 1
            self.results.publish(FrameResult(owned_frame, detections, sequence))

    def _run(self) -> None:
        detector: Detector | None = None
        source: FrameSource | None = None
        try:
            detector = self._detector_factory()
            if self.stop_requested.is_set():
                return
            source = self._source_factory()
            self._capture(detector, source)
        except Exception as error:
            self.error = f"{type(error).__name__}: {error}"
            self.results.close()
        finally:
            self._release(source, detector)
            self.finished.set()

    def _release(self, source: FrameSource | None, detector: Detector | None) -> None:
        for resource in (source, detector):
            if resource is None:
                continue
            try:
                resource.close()
            except Exception as error:
                self.error = self.error or f"Cleanup failed: {error}"
                self.results.close()
04.04

अनुमान सही जगह रखें

letterbox की स्केलिंग और पैडिंग वापस हटाएँ, फिर बॉक्स को चित्र की सीमा में काटकर बनाएँ।

मूल बातें

calculate_letterbox(...) · unproject_box(...)
अनुपात बनाए रखता है और बॉक्स को मूल चित्र के निर्देशांकों में बदलता है।
decode_predictions(...)
पूर्वानुमान जाँचता है और एक ही क्लास के ओवरलैपिंग बॉक्स हटाता है।
ध्यान रखें

चित्र का आकार, क्रॉप, दिशा और निर्देशांक एक साझा नियम मानें। चिह्नों पर भरोसा करने से पहले ज्ञात बॉक्स से जाँचें।

geometry.pypython
"""Letterbox geometry and bounded class-aware suppression."""

import math

import numpy as np

from .types import Box, Detection, Letterbox, Tensor


def calculate_letterbox(width: int, height: int, edge: int = 640) -> Letterbox:
    if width <= 0 or height <= 0 or not 0 < edge <= 4096:
        raise ValueError("Positive image dimensions and input edge <=4096 required")

    scale = min(edge / width, edge / height)
    resized_width = max(1, math.floor(width * scale + 0.5))
    resized_height = max(1, math.floor(height * scale + 0.5))
    return Letterbox(
        width,
        height,
        resized_width,
        resized_height,
        (edge - resized_width) // 2,
        (edge - resized_height) // 2,
        edge,
    )


def validate_transform(transform: Letterbox) -> None:
    if (
        transform.original_width <= 0
        or transform.original_height <= 0
        or not 0 < transform.width <= transform.edge <= 4096
        or not 0 < transform.height <= transform.edge
        or not 0 <= transform.left <= transform.edge - transform.width
        or not 0 <= transform.top <= transform.edge - transform.height
    ):
        raise ValueError("Invalid letterbox geometry")


def unproject_box(box: Box, transform: Letterbox) -> Box:
    validate_transform(transform)
    values = (box.x, box.y, box.width, box.height, box.x + box.width, box.y + box.height)
    if not all(math.isfinite(value) for value in values) or min(box.width, box.height) < 0:
        raise ValueError("Box coordinates must be finite with nonnegative dimensions")

    def x(value: float) -> float:
        return (
            min(1.0, max(0.0, (value - transform.left) / transform.width))
            * transform.original_width
        )

    def y(value: float) -> float:
        return (
            min(1.0, max(0.0, (value - transform.top) / transform.height))
            * transform.original_height
        )

    left, top = x(box.x), y(box.y)
    return Box(left, top, x(box.x + box.width) - left, y(box.y + box.height) - top)


def intersection_over_union(first: Box, second: Box) -> float:
    width = max(0.0, min(first.x + first.width, second.x + second.width) - max(first.x, second.x))
    height = max(
        0.0, min(first.y + first.height, second.y + second.height) - max(first.y, second.y)
    )
    intersection = width * height
    union = first.width * first.height + second.width * second.height - intersection
    return intersection / union if union > 0 else 0.0


def validate_predictions(data: Tensor, classes: int, confidence: float, overlap: float) -> None:
    if (
        data.dtype != np.float32
        or data.ndim != 3
        or not 1 <= classes <= 1024
        or data.shape[:2] != (1, 4 + classes)
        or not 1 <= data.shape[2] <= 100000
    ):
        raise ValueError("Expected float32 [1,4+C,N], C<=1024 and 1<=N<=100000")
    if not all(math.isfinite(value) and 0 <= value <= 1 for value in (confidence, overlap)):
        raise ValueError("Confidence and overlap must be finite probabilities in [0,1]")
    if not np.isfinite(data).all() or (data[0, 2:4] < 0).any():
        raise ValueError("Unsupported detector coordinates: finite nonnegative sizes required")
    if (data[0, 4:] < 0).any() or (data[0, 4:] > 1).any():
        raise ValueError("Expected class probabilities in [0,1], not logits/objectness")


def decode_predictions(
    data: Tensor,
    classes: int,
    transform: Letterbox,
    confidence: float = 0.25,
    overlap: float = 0.45,
) -> tuple[Detection, ...]:
    validate_transform(transform)
    validate_predictions(data, classes, confidence, overlap)
    labels = np.argmax(data[0, 4:], axis=0)
    scores = np.max(data[0, 4:], axis=0)
    indices = np.flatnonzero(scores >= confidence)
    indices = indices[np.argsort(-scores[indices], kind="stable")]
    candidates: list[Detection] = []

    for index in indices:
        cx, cy, width, height = (float(value) for value in data[0, :4, index])
        box = unproject_box(Box(cx - width / 2, cy - height / 2, width, height), transform)
        if box.width <= 0 or box.height <= 0:
            continue
        candidates.append(Detection(box, int(labels[index]), float(scores[index])))
        if len(candidates) == 3000:
            break

    return suppress_overlaps(candidates, overlap)


def suppress_overlaps(candidates: list[Detection], overlap: float) -> tuple[Detection, ...]:
    selected: list[Detection] = []
    for candidate in candidates:
        if any(
            previous.label == candidate.label
            and intersection_over_union(previous.box, candidate.box) > overlap
            for previous in selected
        ):
            continue
        selected.append(candidate)
        if len(selected) == 300:
            break

    return tuple(selected)
04.05

बिल्ड करें। चलाएँ। आज़माएँ।

कैमरा स्पष्ट रूप से चुनें या चित्र को ऑफ़लाइन प्रोसेस करें। रोकने के लिए Q या Escape दबाएँ।

मूल बातें

parse_options(...)
आर्ग्युमेंट जाँचता है और ठीक एक इनपुट चुनता है: चित्र या कैमरा।
main(...)
चुने गए स्रोत की जाँच करता है और चित्र या कैमरा प्रसंस्करण का काम संबंधित भाग को सौंपता है।
ध्यान रखें
लक्षण
रुकने में उम्मीद से ज़्यादा समय लगता है।
कारण
चित्र लेने या अनुमान लगाने का कोई नेटिव कॉल अभी भी चल रहा है।
उपाय
रोकने का अनुरोध करें, देर से आए परिणाम अस्वीकार करें और संसाधन मुक्त करने से पहले सक्रिय कार्य पूरा होने की प्रतीक्षा करें। अंतर्निहित तंत्र को रद्द करना प्लेटफ़ॉर्म के समर्थन पर निर्भर करता है।
Terminalbash
python -m badbob_camera --model detector.onnx --labels labels.txt --image frame.png --output result.png

python -m badbob_camera --model detector.onnx --labels labels.txt --camera 0

04.06 / बेहतर तरीके

छोटी बारीकियाँ। बेहतर उदाहरण।

  • कैप्चर और मॉडल संचालन को UI थ्रेड से बाहर रखें। पुराने फ़्रेम जमा करने के बजाय कतार सीमित रखें।
  • चित्र का आकार, क्रॉप, दिशा और निर्देशांक एक साझा नियम मानें। चिह्नों पर भरोसा करने से पहले ज्ञात बॉक्स से जाँचें।
  • रोकने का अनुरोध करें, देर से आए परिणाम अस्वीकार करें और संसाधन मुक्त करने से पहले सक्रिय कार्य पूरा होने की प्रतीक्षा करें। अंतर्निहित तंत्र को रद्द करना प्लेटफ़ॉर्म के समर्थन पर निर्भर करता है।