aggs1990的专栏

MediaPipe在Android/Linux上支持OpenGL ES 3.2版本，在iOS上支持ES 3.0版本。此外，MediaPipe还在iOS上支持Metal。运行机器学习推理计算器和图需要OpenGL ES 3.1或更高版本（在Android/Linux系统上）。

通常表示Bazel无法找到本地Python二进制文件。要解决此问题，请首先找到python二进制文件的位置，然后将--action_env=添加到Bazel命令中。

andand​计算器ImageFrameToGpuBufferCalculator和GpuBufferToImageFrameCalculator在ImageFrame和GpuBuffer类型的数据包之间来回转换。ImageFrame指的是CPU内存中的任何位图图像格式的图像数据。GpuBuffer是指GPU内存中的图像数据。可以在框架概念部分GpuBuffer到ImageFrame转换器中找到更多详细信息。

​有关技术或算法问题的帮助，请访问Stack Overflow，从MediaPipe社区找到答案和支持。

​为了帮助用户理解他们的计算器图的结构，并了解他们的机器学习推理管道的整体行为，我们构建了在线提供的MediaPipe Visualizer。图视图允许用户查看通过粘贴到图编辑器或上传的图形配置表达的连接计算器图。用户可以对他们创建的图形进行可视化和故障排除。

MediaPipe计算器图通常用于处理交互式应用程序的视频或音频帧流。MediaPipe框架只要求为连续的数据包分配单调增加的时间戳。按照惯例，实时计算器和图使用每个帧的记录时间或呈现时间作为其时间戳，每个时间戳指示自1970-00:00:00以来的微秒。这允许以全局一致的序列处理来自各种源的分组。

MediaPipe支持用于GPU计算和渲染的计算器节点，并允许组合多个GPU节点，以及将它们与基于CPU的计算器节点混合。移动平台上有几种GPU API（例如OpenGL ES、Metal和Vulkan）。MediaPipe并不试图提供单一的交叉API GPU抽象。可以使用不同的API编写单个节点，使它们能够在需要时利用特定于平台的功能。GPU支持对于移动平台上的良好性能至关重要，尤其是对于实时视频。以下是MediaPipe中GPU支持的设计原则。

​MediaPipe图中的数据处理发生在定义为CalculatorBase子类的处理节点内。调度系统决定每个计算器何时运行。每个图至少有一个调度程序队列。每个调度程序队列只有一个执行器。节点被静态地分配给队列（因此分配给执行器）。默认情况下，有一个队列，其执行器是一个线程池，其中包含基于系统功能的多个线程。not readyready, orrunning每个节点都有一个调度状态，可以是未就绪、未就绪或正在运行。就绪功能确定节点是否已准备好运行。

计算器通过发送和接收数据包进行通信。典型地，在每个输入时间戳沿着每个输入流发送单个分组。数据包可以包含任何类型的数据，例如单个视频帧或单个整数检测计数。

很难猜测在图中有多少输出。name?etc.).总体上可能容易出错，将来很难维护（例如，它是一个正确的索引吗？名称？如果一些输出被删除或变成可选的怎么办？等等）。RunSomething重用受到限制，因为其他图可能具有不同的输出不要做——错误代码的例子。// ...// Bad.// Bad.// Bad.// ...相反，在图生成器的最后定义图输出：DO——好代码的示例。

Anode​CalculatorGraphConfig原型指定MediaPipe图形的拓扑结构和功能。图中的每个节点表示一个特定的计算器或子图，并指定必要的配置，如注册的计算器/子图类型、输入、输出和可选字段，如同步中讨论的特定于节点的选项、输入策略和执行器。CalculatorGraphConfig还有几个其他字段用于配置全局图形级别设置，例如图形执行器配置、线程数和输入流的最大队列大小。几个图形级别设置可用于调整不同平台（例如，台式机与移动设备）上的图形性能。

Calculator每个计算器都是图的一个节点。我们描述了如何创建新的计算器，如何初始化计算器，如何执行其计算，输入和输出流，时间戳和选项。图中的每个节点都实现为一个计算器。图的大部分执行发生在它的计算器中。计算器可以接收零个或多个输入流或侧分组，并且产生零个或更多个输出流或者侧分组。

本以为，上篇文档就足够说明运行官方示例了，但有小伙伴直接说，还是不行的本篇文档简单记录一次，无法编译或运行官方示例，供有需要的小伙伴参考解决其他示例。

在使用MediaPipe Framework之前，请熟悉以下概念。

本以为，环境搭建好了，其他示例就可以简单运行了，没想到还没法直接运行。本小节记录下，运行示例时，遇到的问题，供有需要的小伙伴避坑。

因工作需要，再次编译MediaPipe库，上次只是走了下流程，没有任何记录，本次编译时，发现不少问题，所以记录下，供有需要的小伙伴使用。

9），通过输入流将每个数据包添加到图形中，最后关闭输入流以完成图形运行。有关可视化工具的帮助，请参阅此处。6.通过OutputStreamPoller对象，该示例从输出流中检索所有10个数据包，从每个数据包中获取字符串内容，并将其打印到输出日志中。​4.在运行图形之前，将OutputStreamPoller对象连接到输出流，以便稍后检索图形输出，并使用StartRun启动图形运行。​该图由1个图输入流（in）和1个图输出流（out）以及2个串联的PassThroughCalculator组成。

​请按照以下说明使用MediaPipe Framework构建C++命令行示例应用程序。要了解更多关于这些示例应用程序的信息，请从Hello World在C++中开始！。

注意：为了与OpenCV进行互操作，首选OpenCV 3.x到4.1。OpenCV 2.x目前可以工作，但互操作性支持将来可能会被弃用。注意：如果您计划使用TensorFlow计算器和示例应用程序，那么gcc和g++版本6.3和7.3存在已知问题。我们建议安装gcc和g++版本8.x。注意：为了使Mediapipe与TensorFlow协同工作，请将Python 3.7设置为默认的Python版本，并通过运行来安装Python“six”库。

MediaPipe框架- 概述-优快云博客

​要开始使用MediaPipe Framework，请安装MediaPipe框架并开始在C++、Android和iOS中构建示例应用程序。注意：如果只对将设备上的机器学习解决方案集成到应用程序中的简单方法感兴趣，请使用MediaPipe solutions提供的预制解决方案。​MediaPipe Framework是一个底层组件，用于构建高效的设备上机器学习管道，类似于预制的MediaPipe解决方案。​源代码托管在MediaPipe Github存储库中，可以使用Google开源代码搜索来运行代码搜索。