从‘炼丹’到‘应用’用 Docker 三分钟部署 OpenPose 推理服务告别环境噩梦如果你曾经尝试过在本地搭建 OpenPose 环境那么对配环境三天快疯了这句话一定深有体会。从 CUDA 版本冲突到 Python 依赖地狱从缺失的 DLL 文件到神秘的编译错误这些看似简单却令人抓狂的问题往往让开发者还没开始使用 OpenPose 就已经精疲力尽。但今天我要告诉你一个完全不同的故事——一个关于如何在三分钟内启动 OpenPose 推理服务的故事。传统的手动环境搭建方式就像是在迷宫中摸索前行而 Docker 则为我们提供了一张清晰的地图和一把万能钥匙。通过容器化技术我们不仅能一键解决所有环境依赖问题还能确保在任何机器上获得完全一致的运行结果。这对于需要在多台服务器部署、或者与团队协作的项目来说简直是革命性的改变。1. 为什么 Docker 是 OpenPose 的最佳搭档OpenPose 作为计算机视觉领域的重要工具其强大的姿态估计能力背后是复杂的依赖关系。传统的安装方式需要手动配置 CUDA、cuDNN、OpenCV、Python 绑定等一系列组件稍有不慎就会陷入依赖地狱。而 Docker 的隔离性和可重复性完美解决了这些问题。1.1 传统安装 vs Docker 部署对比让我们通过一个表格直观对比两种方式的差异对比维度传统安装方式Docker 部署方式安装时间数小时到数天3-5分钟环境一致性每台机器可能不同完全一致依赖管理手动解决冲突自动隔离可移植性需要重新配置一次构建随处运行系统影响可能影响全局环境完全隔离回滚难度困难只需切换镜像版本1.2 Docker 的核心优势环境隔离每个容器拥有独立的文件系统、网络和进程空间不会与主机或其他容器产生冲突可重复性相同的镜像在任何支持 Docker 的平台上运行结果完全一致快速部署镜像一旦构建完成可以在秒级时间内启动服务资源高效相比虚拟机容器几乎不产生额外开销性能接近原生提示即使你之前从未使用过 Docker跟随本教程也能轻松完成 OpenPose 的部署。Docker 的学习曲线远比解决 OpenPose 环境问题平缓得多。2. 准备工作Docker 环境配置在开始部署 OpenPose 之前我们需要确保 Docker 环境已经正确安装并配置。以下是针对不同操作系统的安装指南。2.1 安装 Docker 引擎对于 Ubuntu 用户可以通过以下命令安装 Docker# 卸载旧版本 sudo apt-get remove docker docker-engine docker.io containerd runc # 安装依赖 sudo apt-get update sudo apt-get install \ ca-certificates \ curl \ gnupg \ lsb-release # 添加 Docker 官方 GPG 密钥 sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg # 设置仓库 echo \ deb [arch$(dpkg --print-architecture) signed-by/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \ $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null # 安装 Docker 引擎 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-pluginWindows 和 macOS 用户可以从 Docker 官网下载 Desktop 版本安装过程更为简单直观。2.2 验证安装安装完成后运行以下命令验证 Docker 是否正常工作docker --version docker run hello-world如果看到 Hello from Docker! 的消息说明安装成功。2.3 NVIDIA Docker 配置GPU 用户如果你计划使用 GPU 加速还需要安装 NVIDIA Docker 工具包# 添加 NVIDIA Docker 仓库 distribution$(. /etc/os-release;echo $ID$VERSION_ID) \ curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ curl -fsSL https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \ sed s#deb https://#deb [signed-by/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装 NVIDIA Docker sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo systemctl restart docker验证 NVIDIA Docker 是否正常工作docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi3. 构建 OpenPose Docker 镜像现在我们已经准备好了 Docker 环境接下来将构建包含 OpenPose 及其所有依赖的 Docker 镜像。3.1 选择基础镜像OpenPose 官方提供了 Dockerfile我们可以基于此进行构建。首先创建一个工作目录mkdir openpose-docker cd openpose-docker然后下载官方 Dockerfilewget https://raw.githubusercontent.com/CMU-Perceptual-Computing-Lab/openpose/master/docker/Dockerfile3.2 自定义 Dockerfile官方 Dockerfile 可能需要一些调整以适应我们的需求。以下是优化后的版本FROM nvidia/cuda:11.3.1-cudnn8-runtime-ubuntu20.04 # 安装基础依赖 RUN apt-get update apt-get install -y \ git \ wget \ cmake \ build-essential \ libopencv-dev \ python3-dev \ python3-pip \ rm -rf /var/lib/apt/lists/* # 克隆 OpenPose 仓库 RUN git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git /openpose # 构建 OpenPose WORKDIR /openpose RUN mkdir build cd build \ cmake -DBUILD_PYTHONON .. \ make -jnproc # 安装 Python 绑定 RUN pip install numpy opencv-python ENV PYTHONPATH/openpose/build/python:$PYTHONPATH # 设置工作目录 WORKDIR /workspace3.3 构建镜像使用以下命令构建镜像根据网络情况和硬件配置可能需要30-60分钟docker build -t openpose:latest .注意构建过程中会下载大量依赖建议保持网络畅通。如果遇到超时可以尝试使用国内镜像源。4. 运行 OpenPose 容器镜像构建完成后我们就可以运行 OpenPose 服务了。根据不同的使用场景我们提供几种运行方式。4.1 基础运行方式最简单的运行方式是启动一个交互式容器docker run -it --rm --gpus all -v $(pwd):/workspace openpose:latest在容器内你可以直接使用 OpenPose 的命令行工具./build/examples/openpose/openpose.bin --image_dir examples/media/4.2 作为 Python 模块使用如果你想在 Python 中使用 OpenPose可以创建一个简单的测试脚本import pyopenpose as op import cv2 params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() datum op.Datum() imageToProcess cv2.imread(test.jpg) datum.cvInputData imageToProcess opWrapper.emplaceAndPop([datum]) print(Body keypoints: , datum.poseKeypoints) cv2.imwrite(output.jpg, datum.cvOutputData)将脚本保存为test.py然后运行docker run -it --rm --gpus all -v $(pwd):/workspace openpose:latest python test.py4.3 创建 REST API 服务对于生产环境我们通常需要将 OpenPose 封装为 API 服务。下面是一个使用 Flask 创建的简单 REST APIfrom flask import Flask, request, jsonify import pyopenpose as op import cv2 import numpy as np import base64 app Flask(__name__) # 初始化 OpenPose params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() app.route(/pose, methods[POST]) def process_image(): # 获取上传的图像 file request.files[image] img cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) # 处理图像 datum op.Datum() datum.cvInputData img opWrapper.emplaceAndPop([datum]) # 返回结果 _, img_encoded cv2.imencode(.jpg, datum.cvOutputData) return jsonify({ keypoints: datum.poseKeypoints.tolist(), image: base64.b64encode(img_encoded).decode(utf-8) }) if __name__ __main__: app.run(host0.0.0.0, port5000)将上述代码保存为app.py然后使用以下命令启动服务docker run -it --rm --gpus all -v $(pwd):/workspace -p 5000:5000 openpose:latest python app.py现在你可以通过 POST 请求向http://localhost:5000/pose发送图像并获取姿态估计结果。5. 高级配置与优化为了让 OpenPose 服务更好地适应生产环境我们需要考虑一些高级配置和优化策略。5.1 性能调优参数OpenPose 提供了多个参数可以调整性能以下是一些常用参数及其作用参数类型默认值说明net_resolutionstring656x368网络输入分辨率降低可提高速度但降低精度num_gpuint1使用的 GPU 数量num_gpu_startint0起始 GPU 设备编号scale_numberint1多尺度评估的数量增加可提高精度但降低速度render_thresholdfloat0.05渲染阈值高于此值的关键点才会被绘制disable_blendingboolfalse是否禁用原始图像与渲染结果的混合5.2 使用 Docker Compose 管理服务对于复杂的部署场景建议使用 Docker Compose 来管理服务。创建一个docker-compose.yml文件version: 3 services: openpose-api: image: openpose:latest build: . ports: - 5000:5000 volumes: - ./models:/openpose/models - ./data:/workspace/data deploy: resources: reservations: devices: - driver: nvidia capabilities: [gpu] command: python app.py然后使用以下命令启动服务docker-compose up -d5.3 模型选择与加载OpenPose 支持多种预训练模型可以通过修改model_folder参数来指定模型路径。常用模型包括BODY_2525个关键点的身体模型默认COCO18个关键点的身体模型MPI15个关键点的身体模型HAND手部关键点模型FACE面部关键点模型要使用手部和面部模型需要下载额外的模型文件并设置相应参数params { model_folder: models/, hand: True, hand_detector: 2, face: True, face_detector: 2 }6. 常见问题解决方案即使使用 Docker偶尔也会遇到一些问题。以下是几个常见问题及其解决方法。6.1 GPU 相关错误如果遇到 CUDA 错误首先检查是否正确安装了 NVIDIA DockerDocker 是否有权限访问 GPUCUDA 版本是否匹配验证命令docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi6.2 内存不足问题OpenPose 对显存要求较高如果遇到内存不足错误可以尝试降低net_resolution减少scale_number使用--disable_multi_thread禁用多线程6.3 Python 导入错误如果遇到No module named pyopenpose错误确保构建时启用了BUILD_PYTHON选项Python 路径包含 OpenPose 的构建目录使用正确的 Python 版本可以在 Dockerfile 中添加以下环境变量ENV PYTHONPATH/openpose/build/python:$PYTHONPATH7. 实际应用案例为了展示 Docker 化 OpenPose 的实际价值让我们看几个真实的应用场景。7.1 健身动作分析系统通过 Docker 部署的 OpenPose 服务我们可以轻松构建一个健身动作分析系统import requests import cv2 import numpy as np def analyze_exercise(video_path): cap cv2.VideoCapture(video_path) results [] while cap.isOpened(): ret, frame cap.read() if not ret: break # 发送到 OpenPose 服务 _, img_encoded cv2.imencode(.jpg, frame) response requests.post( http://localhost:5000/pose, files{image: (frame.jpg, img_encoded.tobytes(), image/jpeg)} ).json() results.append(response[keypoints]) cap.release() return results7.2 实时视频处理管道结合 OpenCV我们可以创建实时视频处理管道import cv2 import pyopenpose as op params { model_folder: models/, net_resolution: 320x240 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() cap cv2.VideoCapture(0) # 使用摄像头 while True: ret, frame cap.read() if not ret: break datum op.Datum() datum.cvInputData frame opWrapper.emplaceAndPop([datum]) cv2.imshow(OpenPose Real-time, datum.cvOutputData) if cv2.waitKey(1) ord(q): break cap.release() cv2.destroyAllWindows()7.3 批量图像处理对于需要处理大量图像的情况我们可以使用多进程加速from multiprocessing import Pool import pyopenpose as op import cv2 import os def process_image(image_path): params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() datum op.Datum() image cv2.imread(image_path) datum.cvInputData image opWrapper.emplaceAndPop([datum]) output_path os.path.join(output, os.path.basename(image_path)) cv2.imwrite(output_path, datum.cvOutputData) return output_path if __name__ __main__: image_files [f for f in os.listdir(input) if f.endswith((.jpg, .png))] with Pool(4) as p: # 使用4个进程 results p.map(process_image, image_files)
从‘炼丹’到‘应用’：用 Docker 三分钟部署 OpenPose 推理服务，告别环境噩梦
发布时间：2026/6/2 10:35:48
从‘炼丹’到‘应用’用 Docker 三分钟部署 OpenPose 推理服务告别环境噩梦如果你曾经尝试过在本地搭建 OpenPose 环境那么对配环境三天快疯了这句话一定深有体会。从 CUDA 版本冲突到 Python 依赖地狱从缺失的 DLL 文件到神秘的编译错误这些看似简单却令人抓狂的问题往往让开发者还没开始使用 OpenPose 就已经精疲力尽。但今天我要告诉你一个完全不同的故事——一个关于如何在三分钟内启动 OpenPose 推理服务的故事。传统的手动环境搭建方式就像是在迷宫中摸索前行而 Docker 则为我们提供了一张清晰的地图和一把万能钥匙。通过容器化技术我们不仅能一键解决所有环境依赖问题还能确保在任何机器上获得完全一致的运行结果。这对于需要在多台服务器部署、或者与团队协作的项目来说简直是革命性的改变。1. 为什么 Docker 是 OpenPose 的最佳搭档OpenPose 作为计算机视觉领域的重要工具其强大的姿态估计能力背后是复杂的依赖关系。传统的安装方式需要手动配置 CUDA、cuDNN、OpenCV、Python 绑定等一系列组件稍有不慎就会陷入依赖地狱。而 Docker 的隔离性和可重复性完美解决了这些问题。1.1 传统安装 vs Docker 部署对比让我们通过一个表格直观对比两种方式的差异对比维度传统安装方式Docker 部署方式安装时间数小时到数天3-5分钟环境一致性每台机器可能不同完全一致依赖管理手动解决冲突自动隔离可移植性需要重新配置一次构建随处运行系统影响可能影响全局环境完全隔离回滚难度困难只需切换镜像版本1.2 Docker 的核心优势环境隔离每个容器拥有独立的文件系统、网络和进程空间不会与主机或其他容器产生冲突可重复性相同的镜像在任何支持 Docker 的平台上运行结果完全一致快速部署镜像一旦构建完成可以在秒级时间内启动服务资源高效相比虚拟机容器几乎不产生额外开销性能接近原生提示即使你之前从未使用过 Docker跟随本教程也能轻松完成 OpenPose 的部署。Docker 的学习曲线远比解决 OpenPose 环境问题平缓得多。2. 准备工作Docker 环境配置在开始部署 OpenPose 之前我们需要确保 Docker 环境已经正确安装并配置。以下是针对不同操作系统的安装指南。2.1 安装 Docker 引擎对于 Ubuntu 用户可以通过以下命令安装 Docker# 卸载旧版本 sudo apt-get remove docker docker-engine docker.io containerd runc # 安装依赖 sudo apt-get update sudo apt-get install \ ca-certificates \ curl \ gnupg \ lsb-release # 添加 Docker 官方 GPG 密钥 sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg # 设置仓库 echo \ deb [arch$(dpkg --print-architecture) signed-by/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \ $(lsb_release -cs) stable | sudo tee /etc/apt/sources.list.d/docker.list /dev/null # 安装 Docker 引擎 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-pluginWindows 和 macOS 用户可以从 Docker 官网下载 Desktop 版本安装过程更为简单直观。2.2 验证安装安装完成后运行以下命令验证 Docker 是否正常工作docker --version docker run hello-world如果看到 Hello from Docker! 的消息说明安装成功。2.3 NVIDIA Docker 配置GPU 用户如果你计划使用 GPU 加速还需要安装 NVIDIA Docker 工具包# 添加 NVIDIA Docker 仓库 distribution$(. /etc/os-release;echo $ID$VERSION_ID) \ curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ curl -fsSL https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \ sed s#deb https://#deb [signed-by/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装 NVIDIA Docker sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo systemctl restart docker验证 NVIDIA Docker 是否正常工作docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi3. 构建 OpenPose Docker 镜像现在我们已经准备好了 Docker 环境接下来将构建包含 OpenPose 及其所有依赖的 Docker 镜像。3.1 选择基础镜像OpenPose 官方提供了 Dockerfile我们可以基于此进行构建。首先创建一个工作目录mkdir openpose-docker cd openpose-docker然后下载官方 Dockerfilewget https://raw.githubusercontent.com/CMU-Perceptual-Computing-Lab/openpose/master/docker/Dockerfile3.2 自定义 Dockerfile官方 Dockerfile 可能需要一些调整以适应我们的需求。以下是优化后的版本FROM nvidia/cuda:11.3.1-cudnn8-runtime-ubuntu20.04 # 安装基础依赖 RUN apt-get update apt-get install -y \ git \ wget \ cmake \ build-essential \ libopencv-dev \ python3-dev \ python3-pip \ rm -rf /var/lib/apt/lists/* # 克隆 OpenPose 仓库 RUN git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git /openpose # 构建 OpenPose WORKDIR /openpose RUN mkdir build cd build \ cmake -DBUILD_PYTHONON .. \ make -jnproc # 安装 Python 绑定 RUN pip install numpy opencv-python ENV PYTHONPATH/openpose/build/python:$PYTHONPATH # 设置工作目录 WORKDIR /workspace3.3 构建镜像使用以下命令构建镜像根据网络情况和硬件配置可能需要30-60分钟docker build -t openpose:latest .注意构建过程中会下载大量依赖建议保持网络畅通。如果遇到超时可以尝试使用国内镜像源。4. 运行 OpenPose 容器镜像构建完成后我们就可以运行 OpenPose 服务了。根据不同的使用场景我们提供几种运行方式。4.1 基础运行方式最简单的运行方式是启动一个交互式容器docker run -it --rm --gpus all -v $(pwd):/workspace openpose:latest在容器内你可以直接使用 OpenPose 的命令行工具./build/examples/openpose/openpose.bin --image_dir examples/media/4.2 作为 Python 模块使用如果你想在 Python 中使用 OpenPose可以创建一个简单的测试脚本import pyopenpose as op import cv2 params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() datum op.Datum() imageToProcess cv2.imread(test.jpg) datum.cvInputData imageToProcess opWrapper.emplaceAndPop([datum]) print(Body keypoints: , datum.poseKeypoints) cv2.imwrite(output.jpg, datum.cvOutputData)将脚本保存为test.py然后运行docker run -it --rm --gpus all -v $(pwd):/workspace openpose:latest python test.py4.3 创建 REST API 服务对于生产环境我们通常需要将 OpenPose 封装为 API 服务。下面是一个使用 Flask 创建的简单 REST APIfrom flask import Flask, request, jsonify import pyopenpose as op import cv2 import numpy as np import base64 app Flask(__name__) # 初始化 OpenPose params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() app.route(/pose, methods[POST]) def process_image(): # 获取上传的图像 file request.files[image] img cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) # 处理图像 datum op.Datum() datum.cvInputData img opWrapper.emplaceAndPop([datum]) # 返回结果 _, img_encoded cv2.imencode(.jpg, datum.cvOutputData) return jsonify({ keypoints: datum.poseKeypoints.tolist(), image: base64.b64encode(img_encoded).decode(utf-8) }) if __name__ __main__: app.run(host0.0.0.0, port5000)将上述代码保存为app.py然后使用以下命令启动服务docker run -it --rm --gpus all -v $(pwd):/workspace -p 5000:5000 openpose:latest python app.py现在你可以通过 POST 请求向http://localhost:5000/pose发送图像并获取姿态估计结果。5. 高级配置与优化为了让 OpenPose 服务更好地适应生产环境我们需要考虑一些高级配置和优化策略。5.1 性能调优参数OpenPose 提供了多个参数可以调整性能以下是一些常用参数及其作用参数类型默认值说明net_resolutionstring656x368网络输入分辨率降低可提高速度但降低精度num_gpuint1使用的 GPU 数量num_gpu_startint0起始 GPU 设备编号scale_numberint1多尺度评估的数量增加可提高精度但降低速度render_thresholdfloat0.05渲染阈值高于此值的关键点才会被绘制disable_blendingboolfalse是否禁用原始图像与渲染结果的混合5.2 使用 Docker Compose 管理服务对于复杂的部署场景建议使用 Docker Compose 来管理服务。创建一个docker-compose.yml文件version: 3 services: openpose-api: image: openpose:latest build: . ports: - 5000:5000 volumes: - ./models:/openpose/models - ./data:/workspace/data deploy: resources: reservations: devices: - driver: nvidia capabilities: [gpu] command: python app.py然后使用以下命令启动服务docker-compose up -d5.3 模型选择与加载OpenPose 支持多种预训练模型可以通过修改model_folder参数来指定模型路径。常用模型包括BODY_2525个关键点的身体模型默认COCO18个关键点的身体模型MPI15个关键点的身体模型HAND手部关键点模型FACE面部关键点模型要使用手部和面部模型需要下载额外的模型文件并设置相应参数params { model_folder: models/, hand: True, hand_detector: 2, face: True, face_detector: 2 }6. 常见问题解决方案即使使用 Docker偶尔也会遇到一些问题。以下是几个常见问题及其解决方法。6.1 GPU 相关错误如果遇到 CUDA 错误首先检查是否正确安装了 NVIDIA DockerDocker 是否有权限访问 GPUCUDA 版本是否匹配验证命令docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi6.2 内存不足问题OpenPose 对显存要求较高如果遇到内存不足错误可以尝试降低net_resolution减少scale_number使用--disable_multi_thread禁用多线程6.3 Python 导入错误如果遇到No module named pyopenpose错误确保构建时启用了BUILD_PYTHON选项Python 路径包含 OpenPose 的构建目录使用正确的 Python 版本可以在 Dockerfile 中添加以下环境变量ENV PYTHONPATH/openpose/build/python:$PYTHONPATH7. 实际应用案例为了展示 Docker 化 OpenPose 的实际价值让我们看几个真实的应用场景。7.1 健身动作分析系统通过 Docker 部署的 OpenPose 服务我们可以轻松构建一个健身动作分析系统import requests import cv2 import numpy as np def analyze_exercise(video_path): cap cv2.VideoCapture(video_path) results [] while cap.isOpened(): ret, frame cap.read() if not ret: break # 发送到 OpenPose 服务 _, img_encoded cv2.imencode(.jpg, frame) response requests.post( http://localhost:5000/pose, files{image: (frame.jpg, img_encoded.tobytes(), image/jpeg)} ).json() results.append(response[keypoints]) cap.release() return results7.2 实时视频处理管道结合 OpenCV我们可以创建实时视频处理管道import cv2 import pyopenpose as op params { model_folder: models/, net_resolution: 320x240 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() cap cv2.VideoCapture(0) # 使用摄像头 while True: ret, frame cap.read() if not ret: break datum op.Datum() datum.cvInputData frame opWrapper.emplaceAndPop([datum]) cv2.imshow(OpenPose Real-time, datum.cvOutputData) if cv2.waitKey(1) ord(q): break cap.release() cv2.destroyAllWindows()7.3 批量图像处理对于需要处理大量图像的情况我们可以使用多进程加速from multiprocessing import Pool import pyopenpose as op import cv2 import os def process_image(image_path): params { model_folder: models/, net_resolution: 368x256 } opWrapper op.WrapperPython() opWrapper.configure(params) opWrapper.start() datum op.Datum() image cv2.imread(image_path) datum.cvInputData image opWrapper.emplaceAndPop([datum]) output_path os.path.join(output, os.path.basename(image_path)) cv2.imwrite(output_path, datum.cvOutputData) return output_path if __name__ __main__: image_files [f for f in os.listdir(input) if f.endswith((.jpg, .png))] with Pool(4) as p: # 使用4个进程 results p.map(process_image, image_files)
相关文章
从“早熟收敛”到调参实战：遗传算法在Scikit-Optimize中的避坑指南
遗传算法调参实战：Scikit-Optimize中的早熟收敛解决方案 当你在机器学习项目中尝试用遗传算法优化超参数时，是否遇到过这样的困境：算法初期快速收敛到一个看似不错的解，但无论如何调整参数，结果始终无法突破这个局部最…
2026论文AI智能降重工具：11款工具实测谁在“降重”谁在“划水”？
2026 年学术审核标准持续收紧，论文重复率、AIGC 检出率已成为毕业答辩、期刊投稿能否通过的关键指标。随着知网、维普、Turnitin 等主流检测平台算法不断优化升级，对内容原创性和人工写作痕迹的识别能力显著提升。面对日益严苛的评审环境，市面…
5分钟搞定本地语音识别：AnythingLLM完全免费隐私保护方案
5分钟搞定本地语音识别：AnythingLLM完全免费隐私保护方案 【免费下载链接】anything-llm The all-in-one AI productivity accelerator. On device and privacy first with no annoying setup or configuration. 项目地址: https://gitcode.com/GitHub_Trending/a…
WindowResizer终极指南：5分钟掌握任意窗口大小调整技巧
WindowResizer终极指南：5分钟掌握任意窗口大小调整技巧 【免费下载链接】WindowResizer 一个可以强制调整应用程序窗口大小的工具 项目地址: https://gitcode.com/gh_mirrors/wi/WindowResizer 还在为那些顽固不化、无法拖拽调整的应用程序窗口而烦恼吗&…
EhViewer完整指南：如何打造你的专属漫画阅读空间
EhViewer完整指南：如何打造你的专属漫画阅读空间 【免费下载链接】EhViewer 🥥 A fork of EhViewer, feature requests are not accepted. Forked from https://gitlab.com/NekoInverter/EhViewer 项目地址: https://gitcode.com/GitHub_Trending/ehvi…
tools.video
链接：https://pan.quark.cn/s/ae2bf28630c6
WeChatDataAnalysis
链接：https://pan.quark.cn/s/9f67fdaaa0f4一款针对微信4.x版本的数据解密与分析工具，帮助用户生成年度总结，并提供高仿微信的用户界面。 支持实时更新聊天记录、导出聊天记录和朋友圈等多种便捷功能，可以通过该工具更好地管理和分…
市集的 “数据化” 革命——从经验驱动到数据驱动，让每一步决策都有依据
很多市集运营者的决策，都是靠经验和感觉：觉得网红美食受欢迎，就引入大量美食摊主；觉得周末人多，就只在周末办市集；觉得活动越热闹越好，就盲目跟风做主题活动。但结果往往事与愿违：摊…
Elsevier Tracker：科研投稿状态追踪的终极解决方案
Elsevier Tracker：科研投稿状态追踪的终极解决方案 【免费下载链接】Elsevier-Tracker 项目地址: https://gitcode.com/gh_mirrors/el/Elsevier-Tracker 你是否厌倦了每天手动刷新Elsevier投稿页面，只为查看那迟迟未更新的审稿状态？&…
从 Prompt 到生产闭环：Spring AI Tool Calling 深度拆解与企业级落地
从 Prompt 到生产闭环：Spring AI Tool Calling 深度拆解与企业级落地 摘要 Tool Calling 是大模型系统从“会回答”走向“会执行”的关键能力。很多文章只停留在 @Tool 注解和 Hello World 级别示例，但一旦进入生产环境，问题很快从“怎么调用”升级为“怎么控延迟、怎么控风…
解耦安防碎片化：基于 Docker 与边缘计算的 AI 视频中台架构设计（支持 GB28181/RTSP 与源码交付）
在智能视频分析（IVA）与产业物联网（IoT）大行其道的今天，政企级安防项目的落地依然面临着严重的碎片化挑战。对于系统集成商和独立软件开发商（ISV）而言，传统的流媒体研发存在两大核心痛…
解耦品牌壁垒：基于 Docker 与边缘计算的高并发视频中台架构（支持 GB28181/RTSP 统一接入与源码交付）
在泛安防与产业物联网（IoT）工程落地中，系统集成商与技术团队往往深陷于底层流媒体对接的碎片化泥潭。一方面，前端摄像机、IPC、NVR 品牌林立（如海康、大华、宇视等），其 GB28181 国标协议的信令交…
Win10/Win11下Realtek 8188GU网卡驱动感叹号？别急着扔，试试这个手动安装的野路子
Realtek 8188GU网卡驱动故障深度修复指南：从原理到实战当设备管理器里那个顽固的黄色感叹号挥之不去，而你已经尝试了所有"标准操作"——Windows自动更新、第三方驱动工具、甚至重启大法——却依然无济于事时，是时候换个思路了。这篇…
AnolisOS 8.8安装源配置踩坑实录：从‘设置基础软件仓库时出错’到成功联网的保姆级指南
AnolisOS 8.8安装源配置实战指南：从诊断到解决方案的全流程解析当你在安装AnolisOS 8.8时遇到"设置基础软件仓库时出错"的提示，这通常意味着系统无法访问或识别安装源。这个问题看似简单，但背后可能涉及网络配置、镜像选择、启动参…
基于树莓派Pico的反应速度测试游戏：从GPIO编程到状态机实战
1. 项目概述与核心思路最近在整理工作室的电子元件，翻出来几个闲置的街机按钮和一块树莓派Pico，灵机一动，决定做个简单又有趣的反应速度测试游戏。这个项目非常适合想入门嵌入式开发的朋友，它不涉及复杂的传感器和通信协议&#x…
Zotero Duplicates Merger：5步彻底清理文献库重复条目
Zotero Duplicates Merger：5步彻底清理文献库重复条目 【免费下载链接】ZoteroDuplicatesMerger A zotero plugin to automatically merge duplicate items 项目地址: https://gitcode.com/gh_mirrors/zo/ZoteroDuplicatesMerger 还在为文献库中堆积如山的重…
利用随机有限集理论对蜂群的ILQR和MPC控制研究附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室🍊个人信条：格物致知,完整Matlab代码及仿真咨询…
为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因
更多请点击： https://intelliparadigm.com 第一章：为什么你的Gemini邮件CTE低于行业均值2.8倍？：从Prompt架构到发送时序的深度归因 Gemini邮件的客户转化效率（CTE）显著偏低，根本原因常被误判为…