MediaPipe安装与快速上手指南搭建跨平台AI开发环境的完整教程【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipeMediaPipe是谷歌开源的跨平台机器学习框架让你能在一套代码里把人脸检测、手势识别、姿态估计等AI能力部署到Android、iOS、桌面和Web端。本文带你完成MediaPipe的环境搭建从获取源码、安装依赖到编译运行Hello World示例跑通之后就能基于现成的预训练模型做自己应用里的实时视觉AI功能。先搞清楚MediaPipe能帮你做什么MediaPipe的核心定位是端侧推理模型直接跑在用户的手机、电脑或浏览器里图像数据不用上传服务器响应快、还保护隐私。仓库里包含三块主要能力预训练模型与Solution人脸、手部、姿态、物体检测等开箱即用的模型见 mediapipe/models/框架Framework用C搭建自定义推理流水线的底层引擎概念文档在 docs/framework_concepts/framework_concepts.md各平台示例桌面mediapipe/examples/desktop/、Androidmediapipe/examples/android/、iOSmediapipe/examples/ios/物体检测的实时效果大致长这样框出人、键盘、手机并给出置信度 环境自检清单安装前先过一遍不同平台的依赖略有差异但核心三件套都一样Git、Python 3.x、Bazel构建工具负责编译项目和拉取依赖的命令行构建系统。组件用途是否必需Git拉取源码是Python 3.x构建脚本与Python API是BazeliskBazel的版本管理包装器编译示例程序是源码构建路线OpenCV图像读写与处理桌面示例必需FFmpeg视频解码桌面示例建议安装Android SDK/NDK编译Android示例移动端开发才需要版本细节以仓库自带的 docs/getting_started/install.md 为准它对Debian、Ubuntu、macOS、Windows、WSL、Docker分别给出了说明。 获取MediaPipe源码这条命令浅克隆MediaPipe仓库到本地--depth 1只拉最新一次提交下载更快git clone --depth 1 https://gitcode.com/GitHub_Trending/med/mediapipe cd mediapipe进入目录后能看到mediapipe/框架与示例源码、docs/文档、WORKSPACEBazel依赖配置等文件说明源码完整。安装系统级依赖OpenCV是绕不开的在Debian/Ubuntu上这条命令一次性装好OpenCV各模块和FFmpeg随OpenCV的video模块一起装sudo apt-get install -y \ libopencv-core-dev \ libopencv-highgui-dev \ libopencv-calib3d-dev \ libopencv-features2d-dev \ libopencv-imgproc-dev \ libopencv-video-dev用pkg-config --modversion opencv4或opencv查一下装上的版本能打印出版本号就代表依赖到位。macOS用户改用brew install opencv3细节看 install.md 对应章节。用Bazel构建C Hello World下面这条命令编译桌面版Hello World示例。首次构建要下载大量依赖耗时较长耐心等待即可bazel build -c opt --define MEDIAPIPE_DISABLE_GPU1 mediapipe/examples/desktop/hello_world构建成功的标志是最后输出Build completed successfully字样没有红色ERROR。 想先用Python直接装预构建包如果你只是想快速体验MediaPipe的Python API不需要编译源码。在虚拟环境里执行这条命令安装官方预构建包pip install mediapipe进入Python解释器输入import mediapipe as mp没有报错就说明装好了。注意官方wheel仅支持x86_64 Linux、x86_64 macOS和amd64 Windows的64位Python其他平台需要源码构建方法见 docs/getting_started/python.md。 环境总是打架试试Docker隔离安装这条命令基于仓库根目录的Dockerfile构建一个自带全部依赖的镜像彻底绕开本机环境问题docker build --tagmediapipe .输出末尾出现Successfully tagged mediapipe:latest就代表镜像构建完成。之后docker run -it --name mediapipe mediapipe:latest进容器再执行构建命令即可。⚡ 快速验证一条命令确认环境到位先导出日志环境变量再用bazel直接编译并运行Hello WorldCPU模式export GLOG_logtostderr1 bazel run --define MEDIAPIPE_DISABLE_GPU1 mediapipe/examples/desktop/hello_world:hello_world看到终端连续打印10行Hello World!恭喜MediaPipe开发环境已经完整跑通。⚠️ 常见坑与排查方向构建或运行遇到问题时优先对照 docs/getting_started/troubleshooting.md这里是最常见的四个1. Bazel找不到Python报An error occurred during the fetch of repository local_execution_config_python时在构建命令后追加--action_env PYTHON_BIN_PATH$(which python3)再试。2. 依赖下载失败报Error downloading或连接超时多为网络无法访问Bazel的依赖镜像源。检查网络或代理排除网络因素后执行bazel clean --expunge清缓存重试。3. 链接时报OpenCV未定义引用出现undefined reference to cv::...一长串错误说明OpenCV路径没配对。检查WORKSPACE与third_party/opencv_linux.BUILD是否指向你本机的OpenCV头文件和库文件位置。4. pip装不上mediapipe报No matching distribution found for mediapipe时先确认你的Python是受支持的64位版本系统不受支持的话只能按源码构建路线走。 进阶路线环境搭好之后往哪走跑真实示例mediapipe/examples/desktop/下有物体检测、视频处理等桌面demoAndroid和iOS示例在对应目录构建脚本分别是build_desktop_examples.sh、build_android_examples.sh理解框架概念Packet数据包、Graph计算图、Calculator计算器三大概念从 docs/framework_concepts/framework_concepts.md 读起训练自己的模型mediapipe/model_maker/ 里的Model Maker支持用你自己的数据微调物体检测、手势识别等模型比如这张手势识别的样本数据就来自它的测试集下一步建议先跑一个desktop物体检测示例把检测框画到自己准备的图片上确认从输入到输出的链路你都能看懂。之后再决定是否深入Framework自己写计算图——按需推进不必一次学完。【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
MediaPipe安装与快速上手指南搭建跨平台AI开发环境的完整教程【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipeMediaPipe是谷歌开源的跨平台机器学习框架让你能在一套代码里把人脸检测、手势识别、姿态估计等AI能力部署到Android、iOS、桌面和Web端。本文带你完成MediaPipe的环境搭建从获取源码、安装依赖到编译运行Hello World示例跑通之后就能基于现成的预训练模型做自己应用里的实时视觉AI功能。先搞清楚MediaPipe能帮你做什么MediaPipe的核心定位是端侧推理模型直接跑在用户的手机、电脑或浏览器里图像数据不用上传服务器响应快、还保护隐私。仓库里包含三块主要能力预训练模型与Solution人脸、手部、姿态、物体检测等开箱即用的模型见 mediapipe/models/框架Framework用C搭建自定义推理流水线的底层引擎概念文档在 docs/framework_concepts/framework_concepts.md各平台示例桌面mediapipe/examples/desktop/、Androidmediapipe/examples/android/、iOSmediapipe/examples/ios/物体检测的实时效果大致长这样框出人、键盘、手机并给出置信度 环境自检清单安装前先过一遍不同平台的依赖略有差异但核心三件套都一样Git、Python 3.x、Bazel构建工具负责编译项目和拉取依赖的命令行构建系统。组件用途是否必需Git拉取源码是Python 3.x构建脚本与Python API是BazeliskBazel的版本管理包装器编译示例程序是源码构建路线OpenCV图像读写与处理桌面示例必需FFmpeg视频解码桌面示例建议安装Android SDK/NDK编译Android示例移动端开发才需要版本细节以仓库自带的 docs/getting_started/install.md 为准它对Debian、Ubuntu、macOS、Windows、WSL、Docker分别给出了说明。 获取MediaPipe源码这条命令浅克隆MediaPipe仓库到本地--depth 1只拉最新一次提交下载更快git clone --depth 1 https://gitcode.com/GitHub_Trending/med/mediapipe cd mediapipe进入目录后能看到mediapipe/框架与示例源码、docs/文档、WORKSPACEBazel依赖配置等文件说明源码完整。安装系统级依赖OpenCV是绕不开的在Debian/Ubuntu上这条命令一次性装好OpenCV各模块和FFmpeg随OpenCV的video模块一起装sudo apt-get install -y \ libopencv-core-dev \ libopencv-highgui-dev \ libopencv-calib3d-dev \ libopencv-features2d-dev \ libopencv-imgproc-dev \ libopencv-video-dev用pkg-config --modversion opencv4或opencv查一下装上的版本能打印出版本号就代表依赖到位。macOS用户改用brew install opencv3细节看 install.md 对应章节。用Bazel构建C Hello World下面这条命令编译桌面版Hello World示例。首次构建要下载大量依赖耗时较长耐心等待即可bazel build -c opt --define MEDIAPIPE_DISABLE_GPU1 mediapipe/examples/desktop/hello_world构建成功的标志是最后输出Build completed successfully字样没有红色ERROR。 想先用Python直接装预构建包如果你只是想快速体验MediaPipe的Python API不需要编译源码。在虚拟环境里执行这条命令安装官方预构建包pip install mediapipe进入Python解释器输入import mediapipe as mp没有报错就说明装好了。注意官方wheel仅支持x86_64 Linux、x86_64 macOS和amd64 Windows的64位Python其他平台需要源码构建方法见 docs/getting_started/python.md。 环境总是打架试试Docker隔离安装这条命令基于仓库根目录的Dockerfile构建一个自带全部依赖的镜像彻底绕开本机环境问题docker build --tagmediapipe .输出末尾出现Successfully tagged mediapipe:latest就代表镜像构建完成。之后docker run -it --name mediapipe mediapipe:latest进容器再执行构建命令即可。⚡ 快速验证一条命令确认环境到位先导出日志环境变量再用bazel直接编译并运行Hello WorldCPU模式export GLOG_logtostderr1 bazel run --define MEDIAPIPE_DISABLE_GPU1 mediapipe/examples/desktop/hello_world:hello_world看到终端连续打印10行Hello World!恭喜MediaPipe开发环境已经完整跑通。⚠️ 常见坑与排查方向构建或运行遇到问题时优先对照 docs/getting_started/troubleshooting.md这里是最常见的四个1. Bazel找不到Python报An error occurred during the fetch of repository local_execution_config_python时在构建命令后追加--action_env PYTHON_BIN_PATH$(which python3)再试。2. 依赖下载失败报Error downloading或连接超时多为网络无法访问Bazel的依赖镜像源。检查网络或代理排除网络因素后执行bazel clean --expunge清缓存重试。3. 链接时报OpenCV未定义引用出现undefined reference to cv::...一长串错误说明OpenCV路径没配对。检查WORKSPACE与third_party/opencv_linux.BUILD是否指向你本机的OpenCV头文件和库文件位置。4. pip装不上mediapipe报No matching distribution found for mediapipe时先确认你的Python是受支持的64位版本系统不受支持的话只能按源码构建路线走。 进阶路线环境搭好之后往哪走跑真实示例mediapipe/examples/desktop/下有物体检测、视频处理等桌面demoAndroid和iOS示例在对应目录构建脚本分别是build_desktop_examples.sh、build_android_examples.sh理解框架概念Packet数据包、Graph计算图、Calculator计算器三大概念从 docs/framework_concepts/framework_concepts.md 读起训练自己的模型mediapipe/model_maker/ 里的Model Maker支持用你自己的数据微调物体检测、手势识别等模型比如这张手势识别的样本数据就来自它的测试集下一步建议先跑一个desktop物体检测示例把检测框画到自己准备的图片上确认从输入到输出的链路你都能看懂。之后再决定是否深入Framework自己写计算图——按需推进不必一次学完。【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
