【Mindstudio训练营第一期】新手班--对具体案例FASTSCNN的pipeline可视化和代码的解读

1. 对pipeline可视化和代码的解读

在README中其实就已经有比较直观的对与各个插件模块的介绍，总体上如下图所示，整个Stream分成了输入---前处理---推理---后处理---输出。首先先将图像输入，放入imagedecoder中进行解码，之后将图像通过resize模块重塑成1024*2048的大小，这一步是为了适应模型的输入数据要求，在加载tensorinfer模块中的FASTSCNN.om的模型中进行推理，之后在后处理模块dataserialize，将stream结果组装成json字符串输出中，最后通过appsink输出结果。

 

 

在pipeline文件中呈现的形式如下图所示

 

在实际设置中，最主要的是注意模块支持的数据类型，以及模块绑定的路径，如模型推理中的model Path,要绑定远端的模型路径，因为整个推理过程是要在远端跑的。在设置完pipeline之后在TEXT里也可以看到各个模块的一些属性。

 

到此为止，我们就构建好了text.pipeline这个可视化的流程文件，之后我们只需要在main.py函数里利用这个文件就能就能构建Stream了

-----下面是对main.py各个部分的解读-----

0.注意，这类if语句是报错语句，旨在某一部分出错时通过特定的提醒快速反应修正，在阅读代码时可以无视。

 

1. Import 各个库

1. 构建一个初始化的Stream和上色的调色板

 

 

1. 通过创建好的test.pipeline构建Stream

 

1. 构建输入对象

此时要注意测试的图片名是否与代码里的路径一致

 

1. 从Stream中得到结果

 

 

1. 对结果进行后处理

还原到原图片大小，并保存为mask.png。