作为编程世界的传统入门仪式，我们这里也以Hello World来命名我们的第一个项目，其实我们这个项目与Hello World没有半毛钱关系。
在这个程序中，我们使用DepthAI Python API来一步步实现显示OAK相机彩色视频流，并捕捉物体的功能

环境要求：

• Python >=3.6
• DepthAI Python API
• cv2,blobconverter 和numpy Python模块

创建程序

Setup 1: 创建文件

• 创建一个文件夹，新建1-hello-world文件夹
• 用vscode打开该文件夹
• 新建一个hello_world.py 文件

Setup 2: 安装依赖

安装依赖前需要先创建和激活虚拟环境，我这里已经创建了虚拟环境OAKenv，在终端中输入cd…退回到OAKenv的根目录，输入 OAKenv\Scripts\activate激活虚拟环境

安装pip依赖项：

pip install numpy opencv-python depthai blobconverter --user

使用pip命令安装四个Python包：numpy、opencv-python、depthai和blobconverter。这些包的安装是针对当前用户进行的，并且使用了--user参数，表示将这些包安装到当前用户的本地环境中，而不是系统环境。

这四个包的作用如下：

1. numpy：是用于进行科学计算和数值操作的Python库。它提供了高性能的多维数组对象和用于处理这些数组的函数。
2. opencv-python：是OpenCV（开放源代码计算机视觉库）的Python接口。它提供了丰富的图像处理和计算机视觉功能，如图像读取、处理、分析、特征提取等。
3. depthai：是一个用于深度学习和计算机视觉的库，特别用于使用DepthAI硬件加速器进行推理。DepthAI是一个结合了AI摄像头和嵌入式神经网络加速器的技术，可以提供实时的深度感知和智能分析功能。
4. blobconverter：是一个用于转换深度学习模型的工具，用于将模型转换为可以在目标设备上运行的二进制格式。它能够将不同框架（如TensorFlow、PyTorch等）训练的模型转换为便于在特定设备上进行推理的格式。

Setup 3: 导入需要的包

导入项目需要的包

import numpy as np #numpy - 处理depthai返回的数据包数据
import cv2 # opencv -显示视频流
import depthai # depthai - 调用depthai 访问相机及其数据包进行图像采集
import blobconverter # blobconverter - 编译并下载MyriadX神经网络Blob

Setup 4: 定义 pipeline

DepthAI的任何动作，无论是神经推理还是彩色相机输出，都需要定义一个管道，包括与我们的需求相对应的节点和连接。

在这里，我们希望看到彩色相机的帧，以及在它们上面运行的简单神经网络。

创建一个空的pipeline对象

# 创建一个空的pipeline对象
pipeline = depthai.Pipeline()

Setup 5：添加ColorCamera节点

现在，我们将添加的第一个节点是ColorCamera。

cam_rgb = pipeline.create(depthai.node.ColorCamera)
cam_rgb.setPreviewSize(300,300)
cam_rgb.setInterleaved(False)

上面这段代码创建一个名为cam_rgb的ColorCamera节点，并设置预览的尺寸为300x300像素，并将图像的存储格式设置为非交错格式。

1. pipeline.create(depthai.node.ColorCamera)：使用depthai.node.ColorCamera创建一个ColorCamera节点，作为图像采集的源。pipeline是一个DepthAI的流水线（pipeline）对象。

2. cam_rgb.setPreviewSize(300, 300)：设置cam_rgb节点的预览大小为300x300像素。这意味着从相机采集的图像会被调整为300x300大小以进行显示或进一步处理。

3. cam_rgb.setInterleaved(False)：将图像的存储格式设置为非交错（non-interleaved）格式。交错格式指的是图像数据存储时将不同颜色通道的像素交错排列，而非交错格式则将每个颜色通道的像素按顺序存储。

这段代码的目的是配置cam_rgb节点，以便从相机采集RGB图像，并在后续处理中使用。

Setup 6:定义移动网络检测网络节点

接下来，定义一个具有mobilenetssd网络的MobileNetDetectionNetwork节点。此示例的blob文件将使用blobconverter工具自动编译和下载。blobconverter.from_zoo（）函数返回模型的Path，因此我们可以直接将其放入detection_nn.setBlobPath（）函数中。有了这个节点，nn的输出将在设备端进行解析，我们将收到一个现成的检测对象。为了使其正常工作，我们还需要设置置信阈值来过滤不正确的结果

detection_nn = pipeline.create(depthai.node.MobileNetDetectionNetwork)
# Set path of the blob (NN model). We will use blobconverter to convert&download the model
# detection_nn.setBlobPath("/path/to/model.blob")
detection_nn.setBlobPath(blobconverter.from_zoo(name='mobilenet-ssd', shaves=6))
detection_nn.setConfidenceThreshold(0.5)

上面这段代码创建一个名为detection_nn的MobileNetDetectionNetwork节点，并配置它用于目标检测的设置。

1. pipeline.create(depthai.node.MobileNetDetectionNetwork)：使用depthai.node.MobileNetDetectionNetwork创建一个MobileNetDetectionNetwork节点，用于目标检测。
2. detection_nn.setBlobPath(blobconverter.from_zoo(name='mobilenet-ssd', shaves=6))：设置模型文件路径。这里使用了blobconverter.from_zoo()函数来从预训练模型库中下载并转换模型。name='mobilenet-ssd'表示选择了MobileNet-SSD模型，shaves=6表示选择了使用6个shave核心进行模型推理。
3. detection_nn.setConfidenceThreshold(0.5)：设置目标检测的置信度阈值为0.5。这意味着只有置信度大于0.5的目标才会被认为是有效的。

这段代码的目的是配置detection_nn节点，使其使用MobileNet-SSD目标检测模型，并设置置信度阈值为0.5。在后续的流水线运行中，该节点将使用模型对从相机采集的图像进行目标检测。

Setup 7：将彩色相机预览输出连接到神经网络输入

cam_rgb.preview.link(detection_nn.input)

这行代码将cam_rgb节点的预览输出链接到detection_nn节点的输入。

cam_rgb.preview表示cam_rgb节点的预览输出端口，通过这个端口可以获取到从相机采集的图像预览数据。.link(detection_nn.input)表示将cam_rgb.preview与detection_nn节点的输入端口进行链接，将图像数据传递给detection_nn节点进行目标检测。

这行代码的目的是建立数据流通路，将从相机采集的图像预览数据传递给detection_nn节点进行目标检测，并在后续流水线运行中触发节点的处理。

Setup 8:创建XLinkOut节点

现在，我们需要接收彩色相机帧和神经网络推理结果——因为这些结果是在设备上产生的，所以需要将它们传输到我们的机器（主机，这里是我的计算机）。设备和主机之间的通信由XLink处理，在这里，由于我们希望从设备到主机接收数据，我们将使用XLinkOut节点

xout_rgb = pipeline.create(depthai.node.XLinkOut)
xout_rgb.setStreamName("rgb")
cam_rgb.preview.link(xout_rgb.input)xout_nn = pipeline.create(depthai.node.XLinkOut)
xout_nn.setStreamName("nn")
detection_nn.out.link(xout_nn.input)

这段代码创建了两个XLinkOut节点，并将节点连接到相应的输入和输出。

1. xout_rgb = pipeline.create(depthai.node.XLinkOut)：创建一个XLinkOut节点，命名为xout_rgb，用于输出相机采集的图像数据。

2. xout_rgb.setStreamName("rgb")：设置xout_rgb节点的输出流名称为"rgb"。

3. cam_rgb.preview.link(xout_rgb.input)：将cam_rgb节点的预览输出链接到xout_rgb节点的输入，以实现将图像数据传递给xout_rgb节点进行输出。

4. xout_nn = pipeline.create(depthai.node.XLinkOut)：创建另一个XLinkOut节点，命名为xout_nn，用于输出目标检测的结果数据。

5. xout_nn.setStreamName("nn")：设置xout_nn节点的输出流名称为"nn"。

6. detection_nn.out.link(xout_nn.input)：将detection_nn节点的输出链接到xout_nn节点的输入，以实现将目标检测结果数据传递给xout_nn节点进行输出。

这段代码的目的是创建两个XLinkOut节点，其中一个用于输出相机采集的图像数据，另一个用于输出目标检测的结果数据。通过链接节点之间的输入和输出，可以将数据流传递给对应的节点，并在流水线运行中实时输出结果。

Setup 9:初始化DepthAI 设备

定义了管道后，我们现在可以用管道初始化设备并启动它

with depthai.Device(pipeline) as device:

这里需要注意：默认情况下，DepthAI作为USB3设备访问。如果你想通过USB2进行通信，可以使用以下代码初始化DepthAI

device = depthai.Device(pipeline, usb2Mode=True)

从这里开始，管道将在设备上运行，产生我们要求的结果。让我们能够捕获它们

Setup 10:添加辅助对象

由于XLinkOut节点已经在管道中定义，我们现在将定义一个主机端输出队列来访问生成的结果

    q_rgb = device.getOutputQueue("rgb")q_nn = device.getOutputQueue("nn")

这段代码从设备中获取两个输出队列，分别对应图像数据和目标检测结果数据。

1. q_rgb = device.getOutputQueue("rgb")：从设备中获取名为"rgb"的输出队列，用于接收相机采集的图像数据。这样，通过获取输出队列，可以从设备中获取实际的图像数据。

2. q_nn = device.getOutputQueue("nn")：从设备中获取名为"nn"的输出队列，用于接收目标检测的结果数据。这样，通过获取输出队列，可以从设备中获取实际的目标检测结果数据。

通过获取输出队列，可以在Pipeline运行期间实时获取图像数据和目标检测结果数据，以便进行进一步的处理和使用。

Setup 11:定义两个变量，用于存储数据

    frame = Nonedetections = []

初始化了两个变量：

1. frame = None：frame是一个用于存储图像帧数据的变量，初始值为None。这个变量可以被赋予实际的图像数据，用于后续的处理或显示。
2. detections = []：detections是一个空列表，用于存储目标检测结果。目标检测算法的输出结果通常是一组检测到的目标的框的坐标、类别标签和置信度等信息。这个空列表可以用于存储这些检测结果，以供后续使用。

Setup 12:定义辅助函数frameNorm

将边界框坐标从归一化的范围转换为实际的像素位置

由于神经网络的实现细节，推理结果中的边界框坐标表示为介于0和1之间的浮点数范围内 - 相对于帧的宽度/高度（例如，如果图像的宽度为200像素，并且神经网络nn返回的x_min坐标等于0.2，则意味着实际（归一化）的x_min坐标为40像素）。

所以需要定义一个辅助函数frameNorm，它将把这些在<0…1>范围的值转换为实际的像素位置。

    def frame_norm(frame,bbox):normVals = np.full(len(bbox),frame.shape[0])normVals[::2] = frame.shape[1]return (np.clip(np.array(bbox),0,1)*normVals).astype(int)

这段代码定义了一个名为frameNorm的函数，它接受两个参数：frame和bbox。它的作用是将边界框坐标从归一化的范围转换为实际的像素位置。

首先，函数创建了一个具有与bbox长度相同的数组normVals，其初始值为帧的高度（frame.shape[0]）。数组中的偶数索引位置对应边界框的宽度值，奇数索引位置对应边界框的高度值。

接下来，通过将normVals[::2]值设置为frame.shape[1]，将宽度值设置为frame的宽度。

然后，将bbox数组剪裁到范围[0, 1]之间，并将其乘以normVals数组，以将归一化的坐标值缩放到实际的像素位置。最后，使用astype将结果转换为整数类型。

最终，函数返回转换后的bbox，即实际的像素位置坐标。

Setup 13:开始主程序循环

准备好上面的一切后，我们就可以开始主程序循环了

    while True:

定义变量从队列获取数据

在这个循环中，首先要做的是从nn节点和彩色相机获取最新结果

        in_rgb = q_rgb.tryGet()in_nn = q_nn.tryGet()

这段代码中，in_rgb = q_rgb.tryGet()和in_nn = q_nn.tryGet()是从队列q_rgb和q_nn中尝试获取数据。

q_rgb.tryGet()将尝试从q_rgb队列中获取数据，并将获取到的数据赋值给in_rgb变量。如果队列中没有可用的数据，它将返回None。

同样地，q_nn.tryGet()将尝试从q_nn队列中获取数据，并将获取到的数据赋值给in_nn变量。如果队列中没有可用的数据，它也将返回None。

无论是来自rgb相机还是神经网络nn，都将以1D阵列的形式提供，因此它们都需要转换才能用于显示（我们已经定义了所需的转换之一-frameNorm函数）

从rgb相机接收帧

首先，从rgb相机接收帧,我们使用getCvFrame命令

        if in_rgb is not None:frame = in_rgb.getCvFrame()

在上面的代码中，我们首先检查in_rgb是否为空。如果不为空，我们通过getCvFrame()方法获取从RGB相机传输过来的一帧图像，并将其赋值给变量frame。这样我们就可以使用frame变量在后续进行图像处理或显示。

接收神经网络的结果

其次，我们接收神经网络的结果。默认MobileNetSSD结果有7个字段，每个字段分别为image_id、label、confidence、x_min、y_min、x_max、y_max，通过访问检测阵列，我们接收到允许我们访问这些字段的检测对象

        if in_nn is not None:detections = in_nn.detections

在上面的代码中，我们首先检查in_nn是否为空。如果不为空，我们获取in_nn中的检测结果，并将其赋值给变量detections。这些检测结果可能包括物体类别、位置、置信度等信息，可以用于后续的应用或显示。

in_nn.detections代表从神经网络模型in_nn中获取的检测结果。这个结果可能是一个列表、数组或其他数据结构，包含了在输入图像中检测到的物体的信息。

具体的结构和内容取决于所使用的神经网络模型和应用场景。通常，每个检测结果可能包含物体类别、边界框位置、置信度等信息。可以根据具体情况对这些信息进行解析和处理，以满足特定的需求。

显示结果

到目前为止，我们已经从DepthAI设备获取了所有的结果，唯一剩下的就是将它们实际显示出来。

        if frame is not None:for detection in detections:bbox = frame_norm(frame,(detection.xmin,detection.ymin,detection.xmax,detection.ymax))cv2.rectangle(frame,(bbox[0],bbox[1]),(bbox[2],bbox[3]),(255,0,0),2)cv2.imshow("preview",frame)

上述代码判断frame是否存在，如果存在帧（frame is not None），则使用OpenCV库将检测结果显示在图像上。对于每个检测结果，可以使用检测框的坐标信息（detection.xmin，detection.ymin，detection.xmax，detection.ymax）将矩形框绘制在帧上。然后，使用cv2.rectangle函数绘制矩形框，并设置颜色为(255, 0, 0)、线条宽度为2。最后，使用cv2.imshow函数显示帧并命名为"preview"。

在这里可以看到我们之前定义的frame_norm函数用于归一化边界框坐标的用法。我们使用cv2.rectangle在RGB帧上绘制一个矩形框，作为物体的指示器，然后使用cv2.imshow显示帧。

终止程序

使用cv2.waitKey方法来终止程序，它等待用户按下一个键——在这里，我们希望在用户按下q键时跳出循环

        if cv2.waitKey(1) == ord('q'):break

Setup 14:运行程序

在终端中输入如下指令运行程序

python hello_world.py

到这里，我们的第一个OAK程序已经成功运行了。