很多朋友一开始被“10行代码的威力”诱发出很高的兴趣,因为太容易而且性能实在太好了,但是接下去想要再扩充的时候,就发现遇到很大的瓶颈,因为真实用途的代码,觉得不能每次执行的时候,就得进去修改路径后再执行。幸好Python属于解释型的语言,因此修改后直接执行还不算太麻烦,只不过这样的方式做做实验还可以,就没办法变成一只具备扩充性的代码。
本文的目的就协助大家,以前面的“10lines.py”代码为基础,扩充解析参数的能力,这样就能直接在指令行透过给定参数的方式,来改变所要的功能,这样的方式也才能加入脚本之中,根据不同条件去进行不同的任务。
实时上在Python开发资源中的 ”argparse” 模块,就提供非常轻松的方式协助我们的程式去接受外部给定的参数,例如用“--input=csi://0”来指派CSI摄像头作为输入。
接下来就开始进入本文的重点,带着大家把手上的代码变得更加强大。
简单的执行步骤如下:
根据上面步骤,我们将 10lines.py 进行以下的修改,并存成“testArgv.py”粗体底线标识的是修改过的部分:
#!/usr/bin/python3 import argparse
# 创建参数对象 parser parser = argparse.ArgumentParser() # 添加 input、output与network三个参数,并各自提供预设值 parser.add_argument("input", type=str) parser.add_argument("--output", type=str,default="display://0" ) parser.add_argument("--network", type=str, default="ssd-mobilenet-v2") parser.add_argument("--threshold", type=float, default=0.5)
# 用 opt 衔接 parser对象的功能 opt = parser.parse_known_args()[0]
import jetson.utils input = jetson.utils.videoSource(opt.input) output = jetson.utils.videoOutput(opt.output)
import jetson.inference net = jetson.inference.detectNet(opt.network, threshold=opt.threshold)
while output.IsStreaming(): img = input.Capture() detections = net.Detect(img) output.Render(img) |
在上面代码中,可能有人发现有个比较特殊的地方,就是添加参数中,第一个参数用的是“input”,后面三个添加的参数用的是“--output”、“--network”与“--threshold”,这两种参数有什么不一样呢?
第一个“input”前面没有用“--”作指示,表示这个参数是“强制”给与的,在指令行里并不需要“--input=”去指定,解析工具会自动在命令行中找到“不属于其他参数的字符串”,待会直接看下面的范例就能理解。
后面的“--output”、“--network”与“--threshold”是“非强制”的参数,如果在指令行后面没有给定参数时,就会使用个别参数的预设值(default)。这部分在指令行中,就需要透过直接对应的“--network=”的方式来体统。
这里直接用几个范例来说明,是最容易理解的方法。首先执行以下指令:
|
|
因为指令没提供input这个“必要参数”,结果出现以下错误信息:
试试以下这三个指令,前面两个请根据您设备上的是摄像头种类,第三个是用Jetpack预安装上的VisionWorks的演示视频文件,至少这个可以成功执行:
|
|
好了,在上面的指令中可以非常清楚的了解参数“input”的用法,其他三个参数没给也没关系,因为那不是“强制”的,接下来我们试试看,如果输入其他参数之后的变化如何?
|
|
第一道指令,以CSI摄像头为数据源,执行物件检测的推理识别后,然后将结果输出到testArgv.mp4视频文件,请自行测试。
第二道指令加入--threshold=0.01这个参数,因为这个阈值不能为0,因此我们试试看如果是0.01的话,会得到什么结果?(如下图)
此外可以看到“csi://0”并不一定非得摆在第一位,摆在指令中的任何一个顺位都可以,argparse模块知道如何去解析出应该的对应。
第三道指令除了测试用“--network=”去改变模型选项之外,还测试将推理结果输出到一个目录中,存成一系列的图像文件(如下图)
好了,是不是已经能掌握这种添加参数的方式了,熟悉本文的内容,能让你的代码立即从纯实验的阶段,提升到实用的阶段了。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。