# fastsam

Python API: `depthai_nodes.node.parsers.fastsam`

## 类

### FastSAMParser

用于解析 FastSAM 模型输出的解析器类。

> **注意**
> 发出 `dai.SegmentationMask` 消息。`dai.SegmentationMask` 消息包含给定提示的分割掩码结果。

#### 方法

##### init

```python
def __init__(conf_threshold: float = 0.5, n_classes: int = 1, iou_threshold: float = 0.5, mask_conf: float = 0.5, prompt: str = 'everything', points: tuple[int, int] | None = None, point_label: int | None = None, bbox: tuple[int, int, int, int] | None = None, yolo_outputs: list[str] = None, mask_outputs: list[str] = None, protos_output: str = 'protos_output'):
```

初始化解析器节点。

参数

 * `conf_threshold` (`float`): 检测的置信度阈值
 * `n_classes` (`int`): 模型中的类别数量
 * `iou_threshold` (`float`): 交并比阈值
 * `mask_conf` (`float`): 掩码置信度阈值
 * `prompt` (`str`): 提示类型
 * `points` (`tuple[int, int] | None`): 点
 * `point_label` (`int | None`): 点标签
 * `bbox` (`tuple[int, int, int, int] | None`): 边界框
 * `yolo_outputs` (`list[str]`): YOLO 输出
 * `mask_outputs` (`list[str]`): 掩码输出
 * `protos_output` (`str`): 原型输出

##### build

```python
def build(head_config: dict[str, Any]) -> FastSAMParser:
```

配置解析器。

参数

 * `head_config` (`dict[str, Any]`): 解析器的头部配置。

返回

 * `FastSAMParser`: 设置了头部配置的解析器对象。

##### compute

```python
def compute(outputs_values: list[np.ndarray], masks_outputs_values: list[np.ndarray], protos_output: np.ndarray, protos_len: int, *, conf_threshold: float, n_classes: int, iou_threshold: float, mask_conf: float, prompt: str, points: tuple[int, int] | None, point_label: int | None, bbox: tuple[int, int, int, int] | None) -> tuple[np.ndarray, int]:
```

在不发送消息的情况下，从提取的张量计算解析器结果。

> **注意**
> 使用 [depthai_nodes.node.parsers.utils.fastsam.compute_fastsam_mask](/software-v3/ai-inference/inference/depthai-nodes/depthai-nodes-api-reference/node/parsers/utils/fastsam.md)；有关张量布局和验证详细信息，请参阅该辅助函数。

参数

 * `outputs_values` (`list[np.ndarray]`): 按输出头排序的检测张量。
 * `masks_outputs_values` (`list[np.ndarray]`): 按与检测头匹配的顺序排列的掩码系数张量。
 * `protos_output` (`np.ndarray`): 批处理的原型张量，形状为 `(1, channels, height, width)`。
 * `protos_len` (`int`): 每个掩码系数向量使用的原型通道数。
 * `conf_threshold` (`float`): 用于过滤候选对象的最小检测置信度。
 * `n_classes` (`int`): 检测张量中编码的对象类别数。
 * `iou_threshold` (`float`): 用于非极大值抑制的交并比阈值。
 * `mask_conf` (`float`): 用于二值化掩码 logits 的概率阈值。
 * `prompt` (`str`): 掩码选择模式：`"everything"`、`"bbox"` 或 `"point"`。
 * `points` (`tuple[int, int] | None`): 用于点选择的图像像素坐标中的提示点。
 * `point_label` (`int | None`): 用于包含或排除匹配掩码的点提示标签。
 * `bbox` (`tuple[int, int, int, int] | None`): 图像像素坐标中的边界框提示。

返回

 * `tuple[np.ndarray, int]`: 合并的实例掩码和选定掩码数量的对。未选定掩码会生成一个值为 -1 且计数为 0 的背景掩码。

##### emit

```python
def emit(output: dai.NNData, results_masks: np.ndarray, mask_count: int):
```

创建 `dai.SegmentationMask` 消息并将其发送到 `out`。

复制源时间戳和序列号，并在存在时携带源图像变换。

参数

 * `output` (`dai.NNData`): 携带张量和源时间戳、序列号以及可选图像变换的神经网络输出。
 * `results_masks` (`np.ndarray`): `compute()` 返回的合并实例掩码。
 * `mask_count` (`int`): 选定掩码的数量，用于日志记录。

##### extract

```python
def extract(output: dai.NNData) -> tuple[list[np.ndarray], list[np.ndarray], np.ndarray, int]:
```

选择并解量化解析所需的模型张量。

参数

 * `output` (`dai.NNData`): 携带张量和源时间戳、序列号以及可选图像变换的神经网络输出。

返回

 * `tuple[list[np.ndarray], list[np.ndarray], np.ndarray, int]`: 按词法层名称顺序排列的检测头、掩码系数头、原型张量和原型通道计数；数组是 NCHW 顺序的解量化 float32。

##### run

```python
def run(self):
```

读取排队的网络输出，解析它们，并在运行时发出结果。

管道调用此处理循环。当输入队列关闭或节点停止时，它会退出。

##### setBoundingBox

```python
def setBoundingBox(bbox: tuple[int, int, int, int]):
```

设置边界框。

参数

 * `bbox` (`tuple[int, int, int, int]`): 边界框

##### setConfidenceThreshold

```python
def setConfidenceThreshold(threshold: float):
```

设置置信度分数阈值。

参数

 * `threshold` (`float`): 置信度分数阈值。

##### setIouThreshold

```python
def setIouThreshold(iou_threshold: float):
```

设置交并比阈值。

参数

 * `iou_threshold` (`float`): 交并比阈值。

##### setMaskConfidence

```python
def setMaskConfidence(mask_conf: float):
```

设置掩码置信度阈值。

参数

 * `mask_conf` (`float`): 掩码置信度阈值。

##### setMaskOutputs

```python
def setMaskOutputs(mask_outputs: list[str]):
```

设置掩码输出。

参数

 * `mask_outputs` (`list[str]`): 掩码输出

##### setNumClasses

```python
def setNumClasses(n_classes: int):
```

设置模型中的类别数量。

参数

 * `n_classes` (`int`): 模型中的类别数量。

##### setPointLabel

```python
def setPointLabel(point_label: int):
```

设置点标签。

参数

 * `point_label` (`int`): 点标签

##### setPoints

```python
def setPoints(points: tuple[int, int]):
```

设置点。

参数

 * `points` (`tuple[int, int]`): 点

##### setPrompt

```python
def setPrompt(prompt: str):
```

设置提示类型。

参数

 * `prompt` (`str`): 提示类型

##### setProtosOutput

```python
def setProtosOutput(protos_output: str):
```

设置原型输出。

参数

 * `protos_output` (`str`): 原型输出

##### setYoloOutputs

```python
def setYoloOutputs(yolo_outputs: list[str]):
```

设置 YOLO 输出。

参数

 * `yolo_outputs` (`list[str]`): YOLO 输出

#### 属性

##### bbox

边界框。

##### conf_threshold

检测对象的置信度分数阈值。

##### iou_threshold

非极大值抑制阈值。

##### mask_conf

掩码置信度阈值。

##### mask_outputs

掩码输出的名称。

##### n_classes

模型中的类别数量。

##### point_label

点标签。

##### points

点。

##### prompt

提示类型。

##### protos_output

原型输出的名称。

##### yolo_outputs

YOLO 输出的名称。
