一、前言

mxVision是MindX SDK软件开发套件的一个核心组件，其致力于简化昇腾 AI 处理器推理业务开发过程，降低使用昇腾AI处理器开发的门槛。主要功能如下：

• 插件化开发模式，将整个推理流程“插件化”，每个插件提供一种功能，通过组装不同的插件，灵活适配推理业务流程。
• 提供丰富的插件库，用户可根据业务需求组合 Jpeg 解码、抠图、缩放、模型推理、数据序列化等插件。
• 基于 Ascend Computing Language（AscendCL），提供常用功能的高级API，如模型推理、编解码、预处理等，简化ACL编程开发。
• 支持自定义插件开发，用户可快速地将自己的业务逻辑封装成插件，打造自己的应用插件。

这里我们主要体验一下使用mxVision的流程编排功能（Pipeline）实现可视化AI推理应用开发。

我们选择应用案例中的口罩识别项目：

mindxsdk-referenceapps: MindX SDK Reference Apps - Gitee.com

二、编辑Pipeline

使用Pipeline插件化开发模式，将整个推理流程“插件化”，每个插件提供一种功能，通过组装不同的插件，灵活适配推理业务流程。我们在工程中新建一个test.pipeline文件： 在input、output和other栏中，我们可以看到许许多多的插件，它们都有对应的一个功能，我们将使用这些插件来实现业务逻辑，我们可以从左侧插件栏拖出想要的插件到编辑区，并自由地连接它们。

根据项目README文件中的业务逻辑，此项目的推理逻辑如图所示：

1、图像输入

使用appsrc插件输入，参数为默认值。

blocksize：每个buffer读取的大小（以字节为单位），默认值为4096。

2、图像前处理

使用mxpi_imagedecoder插件对图像进行解码，参数为默认值。

deviceId：Ascend设备的芯片编号

status：异步

imageFormat：解码图像的格式

cvProcessor：使用Ascend或者Opencv

outputDataFormat：解码后数据的格式

dataType：解码数据的类型

formatAdaptation：是否进行色域转换

使用mxpi_imageresize插件对图像进行缩放成256*256，参数如图：

重点关注resizeHeight和resizeWidth即可，这里我们都设置成256。

3、模型推理

使用mxpi_tensorinfer插件进行模型推理，参数如图： 设置modelPath模型路径即可，其他参数默认，注意模型需是om格式，可以先使用ATC工具将模型转成om离线模型格式。

4、输出推理

使用mxpi_dataserialize插件输出推理结果，将结果组装成json字符串输出，参数如图。 outputDataKeys：指定需要输出的数据的索引，（通常情况下为元件名称），我们输入上一个插件的名字mxpi_tensorinfer。

5、输出图像

使用appsink插件输出图像，参数为默认值。

6、编排Pipeline

进行最终Pipeline编排，连接各个插件，效果图如下：

具体各插件的功能与使用可以查看官方文档：

插件总体介绍-已有插件介绍-mxVision 用户指南-智能视频分析-3.0.RC3-MindX SDK-文档首页-昇腾社区 (hiascend.com)

三、运行image.py

打开image.py脚本，修改pipeline的路径为刚刚所配置的test： 设置测试的图片的路径： 运行成功!

四、总结

使用mxVision套件的pipeline功能，我们可以可视化的编辑AI推理应用的逻辑，插件化开发模式，将整个推理流程“插件化”，每个插件提供一种功能，通过组装不同的插件，灵活适配推理业务流程，从而实现可视化推理应用开发，降低了AI开发的门槛。其实，MindX SDK还有其他三个核心组件针对不同的应用场景：制造质检mxManufacture、检索聚类mxIndex和大模型微调套件mxTuningKit。感兴趣的小伙伴值得一试~