(详解)python调用另一个.py文件中的类和函数或直接运行另一个.py文件

一、同一文件夹下的调用

1.调用函数

A.py文件如下:

def add(x,y):
    print('和为:%d'%(x+y))

在B.py文件中调用A.py的add函数如下:

import A
A.add(1,2)

from A import add
add(1,2)

2.调用类

A.py文件如下:

class Add:
    def __init__(self,xx,yy):
        self.x=xx
        self.y=yy
    def add(self):
        print("x和y的和为:%d"%(self.x+self.y))

在B.py文件调用A.py文件的add函数如下:

# 第一种方法
from A import Add		# 从程序A.py中输入Add()类
a = Add(3,5)				# 对Add()类进行实例化
a.add()							# 调用类中的方法(也就是函数)
# 第二种方法
import A						# 输入程序A.py
a = A.Add(3,5)			 # 对A中的Add()类进行实例化
a.add()							# 调用类中的方法(也就是函数)

二、在不同文件夹下调用

A.py文件的文件路径为:C:\AmyPython\Test1

B.py中调用A.py文件:

import sys
sys.path.append(r'C:\AmyPython\Test1')
#python import模块时,是在sys.path里按顺序查找的。
#sys.path是一个列表,里面以字符串的形式存储了许多路径。
#使用A.py文件中的函数需要先将他的文件路径放到sys.path中
import A
a=A.A(2,3)
a.add()

还有一种方法是创建 __init__.py 文件,参考文章【更为推荐,感觉比添加路径的方式更好】
如果这文件不在一个路径下面,import就比较麻烦了,需要在被import的文件路径下面新建一个__init__.py文件,光创建就行,不需要往里面添加内容。
比如被import的文件路径是…A/b.py下面,那么只要在文件夹A下面分别新建一个__init__.py文件,然后按照下面的语句引用即可:

import A.b

进一步说明

现在文件结构是这样的

root
|
|--A文件夹
|    |--main.py
|
|--B文件夹
     |--b.py

现在主程序在A文件夹里,想调用B文件夹下的b.py文件,该怎么办呢?
本来以为只需要在a.py中写上:

sys.path.append('../B')
import b as bb

        但实际会报错说 No module named ‘b’
        ps. 这种直接添加相对路径的方式在Jupyter中就没有报错,不知道什么原因。
        其实这个时候用 sys.path 来查看路径的话,会发现确实添加进来了,但添加进来的是一个相对路径,所以添加路径的时候相对路径的参考地址不是当前文件,而是python根目录。

关于这个问题,解决方法有3个:

1、添加绝对路径

sys.path.append('/home/gxp/Documents/B')

2、用拼接路径的方式添加绝对路径(本质和1相同)

sys.path.append(os.path.join(os.path.dirname(__file__),'../B'))

这里join是连接两个路径,__file__是代表当前文件,dirname返回文件夹的绝对路径。所以这里添加的路径本质上是'/home/gxp/Documents/A/../B',也就是说,sys.path.append('/home/gxp/Documents/B')sys.path.append('/home/gxp/Documents/A/../B')的效果是一样的。

3、采用相对引用或其他方法

这种做法存在不少问题,有些到最后也没整明白。
这种做法和上面说的创建 __init__.py 文件的方法似乎是一样的,但这里发现没添加这个文件似乎也正常运行了。
考虑如下文档结构,主程序为 b1.py 或者 main.py。

        如果是main.py 的话会好说很多,因为它在根目录下,直接 import B.b就可以。
        但如果是b1.py的话,可以采用相对导入的方式,可参考文章 Python的绝对引用 vs 相对引用全面讲解,但是自己在用的时候会报错,就像下面这种方式是不能正常运行的,会报错说ImportError: attempted relative import with no known parent package

这似乎是非常非常普遍的问题,但也似乎没有统一的解决方案。

        好像在Pycharm中间接引用就不会出问题,所以可能是VSCode的原因?
        但不管怎么说间接引用其实不是一种很推荐的方式,就像全局变量一样,程序大了容易乱。
        尤其是如果各个子文件夹中的模块还存在互相调用的话,那写起来真的就是乱七八糟了。

import sys
from pathlib import Path
sys.path[0] = str(Path(sys.path[0]).parent.parent)  
# 将工作目录改为项目根目录,这里每一个.parent就是向上翻一级,sys.path[0]就是当前目录

from B.B1 import b2 as b2
b2.b2()

这样一来,虽然主程序在一个子文件夹下,但工作目录却是根目录。所以可以像 main.py 那样通过 B.B1来解决。不过这种情况下如果各个子文件夹下的模块存在相互调用的话,也都需要在 import 时做好设置,也有些麻烦但也不是不可以。


所以整来整去,比较好的解决方案还是:
1、主程序不要放在子文件夹下,放在根目录下,然后用 import B.B1.b2的方式比较好。
2、如果主程序放在子文件夹下,一种方案是添加路径,这种方案的好处是可复用性好,但坏处是没有自动提示而且有不识别模块的警告;另一种方案就是把工作目录更改到根目录下,这种方案的好处是有自动提示写起来舒服,坏处是如果各个子文件夹内存在相互调用的话复用性会受影响。(自己还是更倾向于第二种方案,大多数人的程序其实也都有子文件夹内模块相互调用,其实问题不大)

三、运行另一个.py文件

参考文章 https://blog.csdn.net/heart_arsonists/article/details/106988694

3.1 同一目录下

import os
os.system("python filename.py")

3.2 不同目录下

如果按照上面的方法会报错

error sh: /Users//Desktop/.py: Permission denied

正确方式为

import os
os.system('{} {}'.format('python',loc))
# 或者是
os.system('python {}'.format(loc))

这里的loc为字符串,用相对路径即可。
但这样并不能把运行的文件得到的变量输出出来,如果想把结果输出出来并进一步运算,参考文章,所采用的方法是

# 所采用的方法如下
# from 变量所在文件名 import 变量名

import os
# os.system('{} {}'.format('python','A/main.py'))
os.system('python {}'.format('A/main.py'))

from A.main import c  # 如果在同一目录下则直接 from main import c 即可
d = c+1
print('d=',d)

参考:python调用另一个.py文件中的类和函数或直接运行另一个.py文件

  • 48
    点赞
  • 57
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
demo.py 是 LoFTR 算法的主要测试文件,用于演示 LoFTR 算法在图像匹配和三维重建任务上的效果,下面我将对其的关键代码进行详细解释。 首先是导入必要的包和模块: ```python import os import sys import time import argparse import numpy as np import cv2 import torch import matplotlib.pyplot as plt from utils.tools import ( Timer, str2bool, load_image, plot_keypoints, plot_matches, plot_reprojection, plot_trajectory, save_trajectory, ) from utils.evaluation import compute_repeatability, compute_precision_recall from models.loftr import LoFTR, default_cfg ``` 其 `os`、`sys`、`time`、`argparse`、`numpy`、`cv2`、`torch`、`matplotlib.pyplot` 都是 Python 常用的标准库或第三方库,此处不再赘述。`plot_keypoints`、`plot_matches`、`plot_reprojection` 和 `plot_trajectory` 是自定义的用于可视化结果的函数。`compute_repeatability` 和 `compute_precision_recall` 是用于评估匹配和重建结果的函数,详见 `evaluation.py` 文件。`LoFTR` 是 LoFTR 模型的主要,`default_cfg` 是 LoFTR 模型的默认配置。 然后是解析命令行参数: ```python parser = argparse.ArgumentParser( description="LoFTR: Detector-Suppressor for 3D Local Features", formatter_class=argparse.ArgumentDefaultsHelpFormatter, ) parser.add_argument("img0_path", type=str, help="path to the reference image") parser.add_argument("img1_path", type=str, help="path to the query image") parser.add_argument("--weights", type=str, default=default_cfg["weights"], help="path to the pretrained model weights") parser.add_argument("--cfg", type=str, default=default_cfg["cfg"], help="path to the config file") parser.add_argument("--matcher", type=str, default=default_cfg["matcher"], help="feature matcher") parser.add_argument("--suppression", type=str, default=default_cfg["suppression"], help="feature suppressor") parser.add_argument("--top_k", type=int, default=default_cfg["top_k"], help="keep top_k keypoints") parser.add_argument("--max_length", type=int, default=default_cfg["max_length"], help="maximum sequence length") parser.add_argument("--resize", type=str2bool, nargs="?", const=True, default=True, help="resize input images") parser.add_argument("--show", type=str2bool, nargs="?", const=True, default=False, help="show results") parser.add_argument( "--eval", type=str2bool, nargs="?", const=True, default=False, help="evaluate repeatability and matching performance" ) parser.add_argument("--output_dir", type=str, default="outputs", help="output directory") args = parser.parse_args() ``` 其 `img0_path` 和 `img1_path` 分别表示参考图像和查询图像的路径。`weights`、`cfg`、`matcher`、`suppression`、`top_k`、`max_length` 分别表示 LoFTR 模型的权重文件、配置文件、特征匹配器、特征抑制器、保留的关键点数量、序列的最大长度。`resize`、`show`、`eval`、`output_dir` 分别表示是否对输入图像进行缩放、是否显示结果、是否评估性能、输出结果的目录。 接下来是读取图像并将其转换为张量: ```python img0 = load_image(args.img0_path, resize=args.resize) img1 = load_image(args.img1_path, resize=args.resize) ``` 其 `load_image` 函数用于加载图像,将其转换为 BGR 格式,并将其缩放到固定大小,返回值是一个 `torch.Tensor` 对象。 然后是加载 LoFTR 模型: ```python loftr = LoFTR(args.cfg, args.weights, args.matcher, args.suppression, args.top_k, args.max_length) ``` 这里调用了 `LoFTR` ,传入参数表示加载指定的配置文件、权重文件、特征匹配器、特征抑制器、保留的关键点数量和序列的最大长度。该主要包含以下方法: - `__init__(self, cfg, weights, matcher, suppression, top_k, max_length)`:初始化函数,加载模型权重和配置文件。 - `extract_features(self, img)`:提取图像的局部特征,返回值是一个元组 `(keypoints, descriptors)`,其 `keypoints` 是关键点坐标,`descriptors` 是关键点特征描述子。 - `match(self, ref_feats, query_feats)`:在参考图像和查询图像的局部特征之间进行匹配,返回值是一个元组 `(matches_ref, matches_query)`,其 `matches_ref` 是参考图像的匹配点坐标,`matches_query` 是查询图像的匹配点坐标。 - `reconstruct(self, ref_img, ref_feats, query_img, query_feats, matches)`:利用 LoFTR 算法进行三维重建,返回值是一个元组 `(R, t, pts_ref, pts_query, pts_3d)`,其 `R` 和 `t` 是参考图像到查询图像的旋转矩阵和平移向量,`pts_ref` 和 `pts_query` 是参考图像和查询图像的匹配点坐标,`pts_3d` 是三维重建得到的点云坐标。 接下来是提取图像的局部特征: ```python timer = Timer() timer.start() kpts0, desc0 = loftr.extract_features(img0) kpts1, desc1 = loftr.extract_features(img1) timer.stop('extract features') ``` 这里调用了 `extract_features` 方法,传入参数是加载的 LoFTR 模型和图像张量,返回值是两个元组 `(keypoints, descriptors)`,分别表示两幅图像的关键点坐标和特征描述子。这里还使用了 `Timer` 来统计函数运行时间,方便后面的性能评估。 然后是在两幅图像之间进行特征匹配: ```python timer.start() matches0, matches1 = loftr.match((kpts0, desc0), (kpts1, desc1)) timer.stop('match features') ``` 这里调用了 `match` 方法,传入参数是两个元组 `(keypoints, descriptors)`,分别表示参考图像和查询图像的关键点坐标和特征描述子。返回值也是两个元组 `(matches_ref, matches_query)`,分别表示参考图像和查询图像的匹配点坐标。这里同样使用了 `Timer` 来统计函数运行时间。 接下来是在两幅图像之间进行三维重建: ```python timer.start() R, t, pts0, pts1, pts3d = loftr.reconstruct(img0, (kpts0, desc0), img1, (kpts1, desc1), (matches0, matches1)) timer.stop('reconstruct 3D') ``` 这里调用了 `reconstruct` 方法,传入参数是参考图像、参考图像的局部特征、查询图像、查询图像的局部特征和两幅图像之间的匹配点坐标。返回值是一个元组 `(R, t, pts0, pts1, pts3d)`,分别表示参考图像到查询图像的旋转矩阵和平移向量,两幅图像的匹配点坐标和三维重建得到的点云坐标。同样使用了 `Timer` 来统计函数运行时间。 最后是对结果进行可视化和保存: ```python if args.show or args.eval: plot_keypoints(img0, kpts0, title="Image 0 keypoints") plot_keypoints(img1, kpts1, title="Image 1 keypoints") plot_matches(img0, img1, matches0, matches1, title="Matches", savepath=os.path.join(args.output_dir, "matches.png")) plot_reprojection(pts0, pts1, pts3d, R, t, title="Reprojection", savepath=os.path.join(args.output_dir, "reprojection.png")) plot_trajectory(pts3d, title="Trajectory", savepath=os.path.join(args.output_dir, "trajectory.png")) save_trajectory(os.path.join(args.output_dir, "trajectory.txt"), pts3d) if args.eval: repeatability = compute_repeatability(kpts0, kpts1, matches0, matches1) precision, recall = compute_precision_recall(kpts0, kpts1, matches0, matches1, pts3d) print(f"Repeatability: {repeatability:.4f}") print(f"Precision@{len(matches0)}: {precision:.4f}") print(f"Recall@{len(matches0)}: {recall:.4f}") ``` 这里根据命令行参数设置是否显示和保存可视化结果,以及是否评估匹配和重建性能。如果需要显示和保存结果,则调用 `plot_keypoints`、`plot_matches`、`plot_reprojection` 和 `plot_trajectory` 函数生成相应的图像,保存到指定目录。如果需要评估性能,则调用 `compute_repeatability` 和 `compute_precision_recall` 函数计算重复性、精度和召回率,输出结果。最后还调用了 `save_trajectory` 函数将重建得到的点云坐标保存到文件

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值