使用车辆路径显示构建已安装 pip 的 Python 软件包
最编程
2024-06-16 13:37:43
...
專 欄
❈treelake,Python中文社区专栏作者。
简书:
http://www.jianshu.com/u/66f24f2c0f36
❈
最近有一些车辆的gps数据要分析,想着能否先直观地感受下车辆的运行情况,正好有leaflet地图库,做起来很方便。简单实现了基本需求后,想着能不能封装下,弄成个python包的形式,这样可以在其他地方使用pip安装,在程序里import调用,也显得简洁。
基本效果
基本功能实现 - html页面借助leaflet实现由地理坐标和时间列表数据产生的动态轨迹。 - 数据获取利用jinja2模板渲染,直接往html模板(即path_template)中填充数据(经纬度,对应时间,以及轨迹运行快慢即时间间隔)。 - 最后保存渲染好的html文件到本地。 - 部分代码如下,很简单,就是一个模板变量加一个函数,仅供参考。将该文件保存为car.py。(因为篇幅有限,完整代码已上传至社区圈子,扫描文末二维码即可进入下载)
封装为python包并上传
- 制作python包稍微有点麻烦,之前做了个简陋的脚手架工具帮助我创建一些基本的文件,省得再动手了。
- 使用pip install mwrz安装该工具,然后在工作目录下执行命令行fastpypi --packagename=carpathview产生一个myNewPackage的文件夹,里面有个名为carpathview的包及一些基本文件。
- 按照命令行输出的提示,我们需要先修改myNewPackage文件夹中的.pypirc文件,将your_username和your_password改为你的用户名和密码,如果没有的话先去pypi与testpypi注册。修改好之后将它剪切到用户配置目录,windows下使用echo %HOMEPATH%命令找到该目录。
- 然后修改setup.py文件,首先这次不需要产生命令行脚本,注释掉scripts所在行,然后由于我们的程序使用了2.9版本的jinja2,在install_requires行添加依赖库,改为install_requires = ['jinja2>=2.9'],,其他作者之类信息看情况修改,关系不大。项目说明写在README.md文件中。
- 进入carpathview包中,这是真正的项目目录。删除pyScript.py,将car.py拷贝到当前目录。修改init.py,添加一行from .car import *,这里使用了相对引入。
- 最后回到myNewPackage目录下,使用提示的四个命令进行上传即可。
python setup.py register -r pypitest
python setup.py sdist upload -r pypitest
python setup.py register -r pypi
python setup.py sdist upload -r pypi
下载测试
- 国内镜像源可能不能那么及时更新,我们指定镜像源下载安装 -- pip install carpathview -i https://pypi.python.org/pypi
- 然后就可以在程序中简单使用from carpathview import producePath调用该函数实现功能了。
- 使用示例如carpathview
其他
- 动态轨迹看到个用d3产生的效果,比较漂亮,不过当前这个简陋版已经满足我的需求,就不烦了。
- 本来想使用现成的plotly的地图效果,可惜支持好像不太好。
上一篇: python 编写教室派登录、考勤和测试详情界面测试
下一篇: 黑客为何频繁发动 DDos 攻击?
推荐阅读
-
使用车辆路径显示构建已安装 pip 的 Python 软件包
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。