0 环境安装
在进行AI算法开发之前请参考X3派用户手册完成系统安装及配置，此时X3派上已默认安装好了地平线Python版本AI推理引擎(hobot_dnn)及其配套依赖环境。hobot_dnn提供了Model 、pyDNNTensor、TensorProperties三个类和load接口。您可通过如下方式获取hobot_dnn的基本信息：

python3

from hobot_dnn import pyeasy_dnn as dnn
dir(dnn)
['Model', 'TensorProperties', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', 'load', 'pyDNNTensor']

AI推理引擎的更新可参考如下方式（出于系统安全、稳定性的考虑，建议统一通过APT命令更新X3派板级开发包）：

更新package列表

sudo apt update

升级所有已安装的软件包到最新版本

sudo apt full-upgrade

清除缓存文件（非必须）

sudo apt clean

重启设备

sudo reboot

1 推理接口介绍
1.1 Model
AI算法模型类，描述模型的名称，输入、输出数据属性信息，forward 方法用来完成算法的推理。

class hobot_dnn.pyeasy_dnn.Model
'''
Parameters：
1、name (string)：模型名称
2、inputs (tuple(hobot_dnn.pyeasy_dnn.pyDNNTensor))：模型的输入tensor
3、outputs (tuple(hobot_dnn.pyeasy_dnn.pyDNNTensor))：模型的输出tensor
4、forward (args &args, kwargs &kwargs)：模型推理函数接口，输入模型推理所必要的参数，返回模型推理结果
parameters：
input_tensor：输入数据
core_id (int)：模型推理的core id，可为0,1,2，默认为0表示任意核推理
priority (int)：当前模型推理任务的优先级，范围[0~255]，越大优先级越高
'''

其中，forward方法的input_tensor支持三种格式输入：

forward方法的返回值为模型推理结果，有如下两种情况：

resizer模型指在模型转换时input_source设置为“resizer”编译生成的模型，相关配置方式可参考社区X3 用户手册。resizer模型推理时，hobot_dnn会先使用ROI从输入数据中抠图后resize到模型输入大小再送入模型进行推理。
*目前resizer模式暂只支持单输入的nv12/nv12_bt601模型。
1.2 pyDNNTensor
AI 算法输入、输出 tensor 类

class hobot_dnn.pyeasy_dnn.pyDNNTensor
'''
Parameters：
1、properties (TensorProperties)：tensor的属性，详细参见本文1.3节
2、buffer (numpy)：tensor中的数据，数据访问方式同numpy
3、name (string)：tensor的名称
'''

1.3 TensorProperties
AI 算法输入/输出 tensor 的属性类

class hobot_dnn.pyeasy_dnn.TensorProperties
'''
Parameters：
1、tensor_type (string)：tensor的数据类型，如：NV12、BGR、float32等
2、dtype (string)：数据的存储类型，同numpy数据类型，如：int8、uint8、float32等
3、layout (string)：数据排布格式，NHWC或者NCHW
4、shape (tuple)：数据的shape信息，例如：(1,3,224,224)
'''

1.4 load
load接口用于加载模型

hobot_dnn.pyeasy_dnn.load(model_file)
'''
接口支持两种模型加载方式：
1、输入模型的文件路径，加载单个模型，或者单个pack模型
model_file = "/userdata/single_model.bin"
models = hobot_dnn.pyeasy_dnn.load(model_file)
2、输入模型的文件列表，加载多个模型
model_file = ["model1.bin", "model2.bin"]
models = hobot_dnn.pyeasy_dnn.load(model_file)
接口返回hobot_dnn.pyeasy_dnn.Model类型的tuple列表
'''

2 快速上手示例
X3派配套AI推理示例默认安装在/app/ai_inference目录下，包含如下示例：

|-- 01_basic_sample # 从本地读取图片并完成mobilenetv1分类模型推理
|-- 02_usb_camera_sample # 从USB camera获取视频数据并完成FCOS检测模型推理
|-- 03_mipi_camera_sample # 从MIPI camera获取视频数据并完成FCOS检测模型推理
|-- 05_web_display_camera_sample # 基于MIPI Camera的FCOS目标检测及web端展示
|-- 06_yolov3_sample # 从本地读取图片并完成Yolov3检测模型推理
|-- 07_yolov5_sample # 从本地读取图片并完成Yolov5检测模型推理
`-- models

本节将以01_basic_sample为例，为大家展示如何使用hobot_dnn完成模型推理。运行以下示例您需要准备编译好的混合异构模型mobilenetv1_224x224_nv12.bin（存放于/app/ai_inference/models路径下），以及一张图片zebra_cls.jpg（存放于01_basic_sample文件夹下）。

from hobot_dnn import pyeasy_dnn as dnn
import numpy as np
import cv2

查看模型输入输出节点的信息

def print_properties(pro):
print("tensor type:", pro.tensor_type)
print("data type:", pro.dtype)
print("layout:", pro.layout)
print("shape:", pro.shape)

依据模型input_type_rt决定是否需要进行数据格式转换（本实例所用模型为nv12输入）

def bgr2nv12_opencv(image):
height, width = image.shape[0], image.shape[1]
area = height * width
yuv420p = cv2.cvtColor(image, cv2.COLOR_BGR2YUV_I420).reshape((area * 3 // 2,))
y = yuv420p[:area]
uv_planar = yuv420p[area:].reshape((2, area // 4))
uv_packed = uv_planar.transpose((1, 0)).reshape((area // 2,))

nv12 = np.zeros_like(yuv420p)
nv12[:height * width] = y
nv12[height * width:] = uv_packed
return nv12

1.加载模型

models = dnn.load('../models/mobilenetv1_224x224_nv12.bin')

2.查看模型输入输出节点的信息

for input in models[0].inputs:
print_properties(input.properties)
for output in models[0].outputs:
print_properties(output.properties)

3.准备输入数据

打开图片

img_file = cv2.imread('./zebra_cls.jpg')

把图片缩放到模型的输入尺寸

h, w = models[0].inputs[0].properties.shape[2], models[0].inputs[0].properties.shape[3]
resized_data = cv2.resize(img_file, (w, h), interpolation=cv2.INTER_AREA)
nv12_data = bgr2nv12_opencv(resized_data)