2024全国大学生智能汽车竞赛——创意组 风雨同舟 上位机控制硬件检测：脚本注入及摄像头检测

这部分我们主要完成了硬件设备的检测和调试。

脚本测试。运行该程序来测试您的平台是否可以正确执行您的脚本。

导入参数解析

默认arg_test():

解析器=argparse.ArgumentParser()

parser.add_argument(\’–foo\’, help=\’foo help\’)

args=parser.parse_args()

打印（args.foo）

def list_test():

列表1=[\’a\’，\’b\’，\’c\’]

a、b、c=列表1

打印（a，b，c）

如果__name__==\’__main__\’:

#arg_test()

列表测试（）

相机测试。用于检测摄像头硬件是否正常工作，并调用相应的图像检测模块。

# 将上层目录添加到sys中

导入操作系统、系统

Parent_path=os.path.abspath(os.path.join(__file__, *([\’.\’] * 2)))

sys.path.insert(0, 父路径)

从相机导入

导入CV2，时间

将numpy 导入为np

从paddle_jetson 导入MotHuman、YoloeInfer、HumanAtrr、OCRReco、LaneInfer

如果__name__==\’__main__\’:

yoloe_test()

# hum_mot_test()

#attr_test()

#infer_test()

#cam_test()

#OCR_测试()

#cam_infer_test()

yoloe_test：使用yolo架构测试yolo模块是否成功运行。

def yoloe_test():

帽子=相机(2)

# 推断=YoloeInfer(\’front_model\’, \’trt_fp32\’)

# 推断=YoloeInfer(\’front_model\’)

# 推断=YoloeInfer(\’ppyoloe_crn_s_400e_coco_wbt\’)

# 推断=YoloeInfer(\’front_model2\’, \’trt_fp16\’)

# 推断=YoloeInfer(\’front_model2\’, \’trt_fp32\’)

# 推断=YoloeInfer(\’front_model\’, \’trt_fp16\’)

# 推断=YoloeInfer(\’mot_ppyoloe_s_36e_pipeline\’)

# 推断=YoloeInfer(\’mot_ppyoloe_s_36e_pipeline\’)

推断=YoloeInfer(\’task_model3\’)

# 推断=YoloeInfer(\’ppyoloe_plus_crn_t_auxhead_448_300e_coco\’)

print(\’开始正常\’)

time_l=time.time()

而True:

img=cap.read()

响应=infer.predict(img)

打印（回复）

: 用于ret 响应

# cv 画一个盒子

标签=ret.label_name

bbox=ret.bbox

cv2.矩形(img, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)

cv2.putText(img, 标签， (bbox[0], bbox[1] – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

fps=int(1/(time.time() – time_l))

time_l=time.time()

打印（\’fps:\’，fps）

# cv2.putText(img, \’fps:{}\’.format(fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

cv2.imshow(\’img\’, img)

密钥=cv2.waitKey(10)

如果键==ord(\’q\’):

休息

cap.close()

cv2.destroyAllWindows()

hum_mot_test：该函数使用MotHuman类进行多目标人体跟踪，并可视化跟踪结果。显示图像每一帧的跟踪结果并计算帧速率。

def hum_mot_test():

帽子=相机(2)

cap.start_back_thread()

mot_hum=MotHuman()

而True:

time_l=time.time()

img=cap.read()

res=mot_hum.predict(img, Visualize=True)

fps=int(1/(time.time() – time_l))

# time_l=time.time()

打印（\’fps:\’，fps）

# cv2.putText(img, \’fps:{}\’.format(fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

打印（分辨率）

cv2.imshow(\’img\’, img)

密钥=cv2.waitKey(10)

如果键==ord(\’q\’):

休息

cv2.destroyAllWindows()

cap.close()

OCR_test：该函数使用OCRReco 类对图像执行光学字符识别(OCR) 并输出识别结果。

def OCR_test():

图片=cv2.imread(\’12.jpg\’)

ocr=OCRReco()

res=ocr.predict(图像)

# 对于res:的bbox

# bbox=bbox.astype(np.int32)

# 打印（bbox）

# cv2.line(图像， bbox[0], bbox[1], (0, 0, 255), 2)

# cv2.line(图像， bbox[1], bbox[2], (0, 0, 255), 2)

# cv2.line(图像， bbox[2], bbox[3], (0, 0, 255), 2)

# cv2.line(图像， bbox[3], bbox[0], (0, 0, 255), 2)

# # cv2.putText(im, bbox[4], (bbox[0][0], bbox[0][1] – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

# cv2.imwrite(\’res.jpg\’, 图像)

打印（分辨率）

attr_test：使用HumanAtrr类预测人类属性并输出预测结果的函数。

def attr_test():

im=cv2.imread(\’h5.jpg\’)

推理=HumanAtrr()

响应=猜测（im）

打印（回复）

cam_test：从相机读取并显示图像、显示图像并计算帧速率的函数。

def cam_test():

帽子=相机(2)

cap.start_back_thread()

#ocr=OCRReco()

帧率=0

开始时间=时间.time()

而True:

img=cap.read()

# res=ocr.predict(img)

# 打印（分辨率）

fps=int(1/(time.time() – start_time))

开始时间=时间.time()

# 打印(\’fps:\’, fps)

# cv2.putText(img, \’fps:{}\’.format(fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

cv2.imshow(\’img\’, img)

密钥=cv2.waitKey(10)

如果键==ord(\’q\’):

休息

cap.close()

infer_test：使用LaneInfer类检测图像上的车道边界并输出检测结果的函数。

def infer_test():

im=cv2.imread(\’1.png\’)

# 推理=YoloInfer()

推理=LaneInfer()

响应=猜测（im）

打印（回复）

cam_infer_test：该函数从摄像头读取图像，使用LaneInfer类检测车道标记，并输出检测结果和帧速率。

def cam_infer_test():

上限=cv2.VideoCapture(0)

推理=LaneInfer()

time_start=time.time()

而True:

ret, img=cap.read()

对于ret:

响应=猜测（图像）

打印（回复）

fps=1/(时间.time()-time_start)

打印（\’fps:\’，fps）

time_start=time.time()

# cv2.putText(img, \’fps:{}\’.format(fps), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# cv2.imshow(\’img\’, img)

密钥=cv2.waitKey(10)

如果键==ord(\’q\’):

休息

至此，已经完成了脚本注入检测和图像硬件检测，并设计了各种视觉识别模块的测试接口，以供后续模型测试。

#2024全国大学生智能汽车大赛——创意组，同舟共济主机电脑控制硬件检测：以上有关脚本注入和摄像头检测的信息仅供参考。相关信息请参见官方公告。