# hrnet

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

## Classes

### HRNetParser

用于解析 HRNet 姿态估计模型输出的解析器类。代码灵感来源于
[https://github.com/ibaiGorordo/ONNX-HRNET-Human-Pose-Estimation](https://github.com/ibaiGorordo/ONNX-HRNET-Human-Pose-Estimation)。

> **Note**
> 发出 `dai.beta.Keypoints` 消息。输出包含检测到的身体关键点。

#### Methods

##### init

```python
def __init__(output_layer_name: str = '', score_threshold: float = 0.5, label_names: list[str] | None = None, edges: list[tuple[int, int]] | None = None):
```

初始化解析器节点。

Parameters

 * `output_layer_name` (`str`): 与解析器相关的输出层的名称。
 * `score_threshold` (`float`): 检测到的关键点的置信度分数阈值。
 * `label_names` (`list[str] | None`): 关键点的标签名称。
 * `edges` (`list[tuple[int, int]] | None`): 定义骨架边缘的关键点索引对。例如，`[(0, 1), (1, 2)]` 将关键点 0 连接到 1，将 1 连接到 2。

##### build

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

配置解析器。

Parameters

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

Returns

 * `HRNetParser`: 设置了头部配置的解析器对象。

##### compute

```python
def compute(heatmaps: np.ndarray) -> tuple[np.ndarray, np.ndarray]:
```

在不发送消息的情况下，从提取的张量计算解析器结果。

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

Parameters

 * `heatmaps` (`np.ndarray`): 形状为 `(1, keypoints, height, width)` 或 `(keypoints, height, width)` 的热图。当第一个轴的大小为 1 时，该轴将被移除。

Returns

 * `tuple[np.ndarray, np.ndarray]`: 一对归一化的 `(N, 2)` XY 坐标和裁剪到 [0, 1] 的 `(N,)` 峰值分数。

##### emit

```python
def emit(output: dai.NNData, keypoints: np.ndarray, scores: np.ndarray):
```

创建 `dai.beta.Keypoints` 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。

Parameters

 * `output` (`dai.NNData`): 携带张量、源时间戳、序列号和可选图像变换的神经网络输出。
 * `keypoints` (`np.ndarray`): `compute()` 返回的归一化关键点坐标。
 * `scores` (`np.ndarray`): 与计算出的有效载荷对应的置信度分数。

##### extract

```python
def extract(output: dai.NNData) -> np.ndarray:
```

选择并反量化解析所需的模型张量。

Parameters

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

Returns

 * `np.ndarray`: 以 NCHW 存储顺序请求的反量化热图。

Raises

 * `ValueError`: 如果未配置输出名称且消息不包含恰好一个层，或者未满足配置的类要求。

##### 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，它将退出。

##### setOutputLayerName

```python
def setOutputLayerName(output_layer_name: str):
```

设置输出层的名称。

Parameters

 * `output_layer_name` (`str`): 输出层的名称。

#### Attributes

##### edges

定义骨架边缘的关键点索引对。例如，`[(0, 1), (1, 2)]` 将关键点 0 连接到 1，将 1 连接到 2。

##### label_names

关键点的标签名称。

##### output_layer_name

与解析器相关的输出层的名称。

##### score_threshold

检测到的关键点的置信度分数阈值。
