《人工智能应用与体验》实训任务书汇 项目1-5 猜拳小达人- 趣味文本

猜拳小达人一、任务目标知识目标1、了解TensorFlow.js框架2、了解神经网络模型3、了解图像分类技能目标1、能够熟练安装浏览器插件2、具有使用TensorFlow.js框架的能力素质目标1、具有良好的职业道德2、具有持续学习的能力二、任务指南步骤1：插件下载将压缩包下载到本地电脑并解压。步骤2：WebServer插件安装与配置1、首先确认电脑上安装了Chrome浏览器。如没有安装，可以双击安装包ChromeSetup.exe，安装Chrome浏览器。安装完成后打开Chrome，再进行插件安装。2、安装插件方法一：1）打开Chrome，从右上角打开设置，从侧边栏选择扩展程序。2）进入chrome浏览器的扩展程序界面，并将开发者模式打开。3）修改“ofhbbkphhbklhfoeikjpcbhemlocgigb_0.5.2_.crt”文件的拓展名，将其改为“ofhbbkphhbklhfoeikjpcbhemlocgigb_0.5.2_.zip”，具体如下图所示：4）将上图中的zip文件直接拖到扩展程序页面，出现下图所示的插件，即安装完成。方法二：1）按照方法一，将文件扩展名改成zip后，点击zip文件，然后右键选择解压到文件夹中，如下图：2）在扩展程序页面点击“加载已解压的扩展程序”，然后选择解压后的文件夹即可。方法三：从应用商店直接安装插件（注意：使用该方法的前提是：你的电脑可以正常连接谷歌）。1）通过Google搜索找到下图：2）单击“WebServerforChrome”，打开后，选择启动应用，即可。注意：如果在以上安装过程中，插件上显示“错误”，一般不影响任务的正常运行，可以先尝试后续的任务步骤。步骤3：新建本地文件夹在本地电脑中新建一个文件夹，用于存储后续任务的源码，比如D盘TensorFlow_JS。步骤4：插件配置1）打开本地电脑中的WebServer插件。比如下图是win10系统中搜索WebServer应用并打开。2）单击CHOOSEFOLDER，选择步骤3创建的文件夹TensorFlow_JS，另外，Options中的配置可参照下图进行。步骤5：打开浏览器打开Chrome浏览器，并在Chrome中打开下方的URL地址：:8887/，即可打开步骤3创建的文件夹。到这里，WebServer插件的安装与配置就完成了。步骤6：源码下载1、下载压缩包“猜拳PK.zip”。2、解压到插件配置的对应目录（TensorFlow_JS目录下）。其中包含了运行猜拳游戏的tensorflow.js脚本代码以及前端html文件。步骤7：源码解读1、retrain.html，在该文件中设计猜拳游戏中出现的按钮、布局等。想要实现网页中的按钮进行实际操作，就需要编写相应的脚本代码来实现，即编写html实际调用的js脚本。在js脚本中我们要实现图像数据的采集、识别模型的训练以及验证。2、webcam.js，该脚本用于调用本机摄像头来捕捉手势图像，构建手势数据集。核心代码如下：//用摄像头捕捉的画面来创建图像对应的像素值的张量。constwebcamImage=tf.browser.fromPixels(this.webcamElement);3、rps-dataset.js，该脚本主要有两个函数，一是对不同手势用例添加时的处理，二是将数据类别处理成tenforflowjs能处理的tensor形式。核心代码如下：//当某一类手势中添加了一个样本时，通过调用concat并将轴参数设置为0来将新样本连接到现有样本集this.xs=tf.keep(oldX.concat(example,0));//将每一类手势对应的标签（整数）转换为one-hot表示形式tf.tensor1d([this.labels[i]]).toInt(),numClasses)}));4、index.js，该脚本主要用来构建、训练手势识别模型，核心代码如下：//模型训练代码示例asyncfunctiontrain(){dataset.ys=null;dataset.encodeLabels(3);//模型结构：两层全连接网络层densemodel=tf.sequential({layers:[tf.layers.flatten({inputShape:mobilenet.outputs[0].shape.slice(1)}),tf.layers.dense({units:100,activation:'relu'}),tf.layers.dense({units:3,activation:'softmax'})]});//设置优化器constoptimizer=tf.train.adam(0.0001);//编译模型pile({optimizer:optimizer,loss:'categoricalCrossentropy'});letloss=0;//使用fit函数开始训练model.fit(dataset.xs,dataset.ys,{epochs:10,callbacks:{onBatchEnd:async(batch,logs)=>{loss=logs.loss.toFixed(5);console.log('LOSS:'+loss);}}});}步骤8：打开网页1、确认插件已开启，同步骤4，搜索本机应用程序，找到WebServeforChrome应用->点击WebServer服务->开始服务。2、检查以上html、js文件在同一文件夹下。3、在Chrome浏览器中打开retrain.html网页，看到摄像头开启提醒，选择“允许”，如下图：步骤9：采集“石头”手势摄像头开启后，我们就可以采集数据了。在页面中可以看到“石头”、“布”、“剪刀”按钮，也就是我们下面要采集这三种手势的图片。  在三个按钮上方，可以看到摄像头实时捕捉的画面。该步骤采集“石头”手势，操作步骤如下：1）握拳，放在摄像头下，确保画面里捕捉到了拳头手势。2）点击“石头”按钮3）确认“石头”按钮下方的“石头用例”次数加14）变换不同角度、不同大小的拳头手势，重复前三步，观察“石头用例”数目，达到50次以上即可。步骤10：采集“布”手势该步骤采集“布”手势，操作步骤如下：1）出布，放在摄像头下，确保画面里捕捉到了布的手势。2）点击“布”按钮3）确认“布”按钮下方的“布用例”次数加14）变换不同角度的布手势，重复前三步，观察“布用例”数目，达到50次以上即可。步骤11：采集“剪刀”手势该步骤采集“剪刀”手势，操作步骤如下：1）比剪刀手势，放在摄像头下，确保画面里捕捉到了剪刀手势。2）点击“剪刀”按钮3）确认“剪刀”按钮下方的“剪刀用例”次数加14）变换不同角度的剪刀手势，重复前三步，观察“剪刀用例”数目，达到50次以上即可。三种手势数据采集完成后，训练集就生成了。在捕捉手势图像时，分别点击“石头”、“布”、“剪刀”按钮，就是给图像打分类标签的过程，即数据标注。确认三种手势都有一定量的数据即可。步骤12：手势识别模型训练点击页面中的“训练神经网络”按钮，开始手势识别模型的训练。查看训练的过程或者进度，可在页面空白处右键，选择“检查”，选择“控制台”选项卡，可看到如下界面：LOSS就是模型训练过程中的损失，随着训练次数的增加，让模型朝着损失越来越小的方向去改进。当网页上方出现如下图所示的弹框，表示模型训练完成。步骤13：进行猜拳PK游戏模型训练完成后，就可以进行猜拳游戏了，在游戏过程中，将会调用训练好的手势识别模型对摄像头下你给出的手势进行识别，然后将识别结果和计算机出的手势进行比较。1）确认摄像头是开启状态2）在摄像头下给出任意一种手势3）点击“开始PK”按钮，进入猜拳游戏状态4）可以看到按钮下方输出了你的手势识别结果、计算机出拳结果及PK结果5）再次点击“开始PK”，可以继续猜拳游戏。在PK环节中摄像头捕捉到你出的手势，然后调用训练好的手势识别模型识别出你出的手势是布、石头或剪刀，此时识别的结果可能不是每次都正确，准确率更多取决于训练数据的好坏与多少。实训内容任务一：安装与配置WebServerforChrome插件。任务二：部署猜拳游戏，并在浏览器中正常运行。任务三：采集剪刀石头布三种手势至少各100张图像。完成手势识别模型的训练。进行至少三组猜拳PK，并保留截图。四、实训环境本项目在个人电脑本地环境中完成。操作系统：Windows系统或MacOSX系统。五、实训评价口罩识别系统一、任务目标知识目标1、了解人工智能的概念2、了解神经网络模型3、了解人工智能应用的实现流程技能目标1、具备图像标注的能力2、具备基于Torch框架实现目标检测模型的训练和预测素质目标1、具有良好的职业道德2、具有持续学习和追求创新的能力二、任务指南步骤1：标注图像数据 1、点击右上方黄色文件夹图标，进入data-sets目录，下载压缩包mask.zip到本地，然后解压，可以看到标注工具labelImage.exe。2、打开图像文件夹  为了便于批量标注，将保存原始图像的文件夹打开，然后逐张图像进行标注即可，具体见下图。开始标注之前，你也可以使用压缩包mask.zip中派Lab提供的人脸图像素材，也可以自己搜集相关图片进行标注。3、图像标注使用“CreateRectBox”，在口罩上画一个矩形框，并填写label为“mask”；4、保存标注文件使用“save”功能生成一个标注结果xml文件，并保存到磁盘目录中，默认是存放在被标注图片的同级目录中后缀为xml的同名文件。点击“NextImage”，就可以打开该文件夹下的下一张图片。步骤2：解压数据资源进入data-sets目录，可以看到压缩包“MaskDetect.zip”，包含了该项目的标注好的图像数据集以及封装好的代码库，使用下面的命令将其解压到当前目录中。!unzip-o-q./data-sets/MaskDetect.zip-d./步骤3：导入相关包该任务实现的源码都封装在“train.py”中，可以使用下面的命令将其导入环境中，在后续的步骤中可以调用它内部的方法。#导入train包，用于神经网络模型训练importtrain#导入yolo包，调用其中的检测方法fromyoloimportYOLOimportcv2fromPILimportImage#导入matplotlib，用于画图显示frommatplotlibimportpyplotasplt步骤4：数据预处理1、处理标注文件在步骤1中，我们标注了一批人脸戴与不戴口罩的数据，标注结果均是xml文件，下面我们要对其做进一步的处理，提取有用信息。调用process_xml方法，配置好图像路径、标注文件的路径、以及结果保存路径即可。2、获取训练数据集、验证数据集#定义图片路径images_path='./face_mask_datasetes/train_mask/images/'#定义标注图片路径annotations_path='./face_mask_datasetes/train_mask/annotations'#定义txt标注文件路径annotations_txt_path='model_data/mask_train.txt'#从train包中调用process_xml()函数对xml文件进行处理cess_xml(images_path,annotations_path,annotations_txt_path)#定义图片路径images_val_path='./face_mask_datasetes/val_mask/images/'#定义标注图片路径annotations_val_path='./face_mask_datasetes/val_mask/annotations'#定义txt标注文件路径annotations_val_txt_path='model_data/mask_val.txt'#从train包中调用process_xml()函数对xml文件进行处理cess_xml(images_val_path,annotations_val_path,annotations_val_txt_path)#从train包中调用process_traindata()函数，#根据以上步骤的文件路径，将数据集划分为训练与测试train_lines,val_lines=cess_traindata(annotations_txt_path,annotations_val_txt_path)步骤5：加载预训练模型由于从头训练一个好模型需要时间较久，我们提前预训练了一个口罩识别模型./model_data/yolov4_maskdetect_weights1.pth，我们可以使用标注的数据在此模型上继续迭代，得到一个效果更好的模型。  调用load_premodel函数，配置好模型路径、类别标签文件路径即可。运行结果中显示“Finished!”加载完成。Cuda=False#不启用Cuda#定义模型文件路径model_path="model_data/yolov4_maskdetect_weights1.pth"#定义模型分类类别classes_path='model_data/mask_classes.txt'#从train包中调用load_premodel()函数进行预训练模型读取model,net,yolo_losses=train.load_premodel(model_path,classes_path,Cuda)步骤6：训练口罩识别模型调用train_model方法，配置好训练集、验证集、迭代次数、学习率、模型结构等参数即可。注：使用cpu环境训练时，把Batch_size设小一点，否则容易报出超出内存的错误。#参数配置lr=1e-3#学习率Batch_size=1#批大小Init_Epoch=0#初始训练批次Freeze_Epoch=2#冻结批次Cosine_lr=True#学习率配置参数#从train包中调用train_model()函数进行模型训练best_model_weights=train.train_model(train_lines,val_lines,model,lr,Init_Epoch,Freeze_Epoch,Batch_size,Cosine_lr,net,yolo_losses,Cuda)步骤7：读取测试图片#定义图片路径image_path='face_mask_datasetes/val_mask/images/songzuer.jpg'#打开图片文件image=Image.open(image_path)步骤8：调用口罩识别模块#实例化YOLOyolo=YOLO()#对yolo调用detect_image()函数，进行口罩识别r_image=yolo.detect_image(image)步骤9：保存并显示检测结果#定义图片保存命名r_image_file=str(image_path).split('.')[0]+'_result.png'#保存图片r_image.save(r_image_file)#读取图片img=cv2.imread(str(r_image_file))#展示图片plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB))plt.show()实训内容任务一：图像标注工具的使用任务二：使用labelimage标注至少3张人脸口罩图像任务三：训练口罩识别模型任务四：使用训练好的模型对戴口罩和不带口罩的图像进行检测，并输出结果四、实训环境本项目在个人电脑本地环境中完成。操作系统：Windows系统或MacOSX系统。五、实训评价体育运动的姿态检测一、任务目标知识目标1、了解姿态检测2、了解MediaPipe3、了解人工智能应用的实现流程技能目标1、具备熟练处理图像和视频的能力2、具备熟练使用MediaPipe工具进行姿态检测素质目标1、具有良好的职业道德2、具有持续学习和追求创新的能力二、任务指南步骤1：资料下载步骤1-2，用于体验姿态检测。先下载相关资料；从侧边栏选择文件夹图表，点击文件夹data-sets，下载姿态识别.zip并解压。  步骤2：浏览器配置\t"/notebook/pro-pi-lab-platform-jupyter-ai-9-a6ff0859647641d889d7a62d40d99/doc/workspaces/course-creation-64-2179/tree/%E8%AF%BE%E7%A8%8B%E5%88%B6%E4%BD%9C/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%9F%BA%E7%A1%80-%E4%B8%AD%E8%81%8C%E7%89%88/%E4%BB%BB%E5%8A%A11-%E5%A7%BF%E6%80%81%E6%A3%80%E6%B5%8B%E4%BD%93%E9%AA%8C/_self"  chrome浏览器打开：chrome://flags/#unsafely-treat-insecure-origin-as-secure

进行如下图两步设置复制网址进文本框2.点击Disable选项卡，选择Enable步骤3：打开网页\t"/notebook/pro-pi-lab-platform-jupyter-ai-9-a6ff0859647641d889d7a62d40d99/doc/workspaces/course-creation-64-2179/tree/%E8%AF%BE%E7%A8%8B%E5%88%B6%E4%BD%9C/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%9F%BA%E7%A1%80-%E4%B8%AD%E8%81%8C%E7%89%88/%E4%BB%BB%E5%8A%A11-%E5%A7%BF%E6%80%81%E6%A3%80%E6%B5%8B%E4%BD%93%E9%AA%8C/_self"  打开WebServer，选择刚刚解压的文件夹。通过WebServer打开index.html，网页加载速度取决于电脑配置，请耐心等待。  

可调参数说明自拍模式：打开则对相机或视频图片输入进行垂直翻转处理。模型复杂度：0，1或2。标记的准确性和计算延迟通常会随着模型的复杂性而增加。默认为1。平滑标点：过滤不同输入图像中的地标以减少抖动。开启画面分割：如果设置为true，除了姿势界标之外，该解决方案还生成分割掩码。平滑分割：过滤不同输入图像的分割掩码以减少抖动。最小姿态检测置信度：人检测模型中的最小置信度值。最小姿态跟踪置信度：跟踪模型的最小置信度值（设置为更高的值可以提高识别的稳定性与准确性，但代价是更高的延迟。）

网页样例视图  如果摄像头拍摄距离有限无法进行全身的拍摄，可以选择下载该小节资源中提供的demo.mp4并在浏览器中进行上传。  注意：每次调整参数都需要再次加载模型。步骤4：解压资源文件并安装MediaPipe步骤4-8是对图片中的运动姿态进行检测。\t"/notebook/pro-pi-lab-platform-jupyter-ai-9-a6ff0859647641d889d7a62d40d99/doc/workspaces/course-creation-64-2179/tree/%E8%AF%BE%E7%A8%8B%E5%88%B6%E4%BD%9C/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%9F%BA%E7%A1%80-%E4%B8%AD%E8%81%8C%E7%89%88/%E4%BB%BB%E5%8A%A11-%E5%A7%BF%E6%80%81%E6%A3%80%E6%B5%8B%E4%BD%93%E9%AA%8C/_self"   1、点击页面右侧侧边栏文件夹图标，进入“data-sets”，可以看到压缩包“姿态检测.zip”，包含了该项目的数据集以及封装好的代码库，使用下面的命令将其解压到当前目录中。!unzip-o-q./data-sets/姿态检测.zip-d./安装mediapipe#安装MediaPipe!pipinstallmediapipe步骤5：将模型解压到所需的位置shutil._unpack_zipfile("modules.zip","/opt/conda/lib/python3.9/site-packages/mediapipe")步骤6：导入相关包cv2用来读取图片numpy用来做运算util里面有封装好的函数mediapipe是实现姿态识别所用到的库matplotlib用来查看图片importcv2importnumpyasnpfromutilimport*importmediapipeasmpimportmatplotlib.pyplotaspltimportshutil步骤7：读取待检测对象并显示npack_zipfile("modules.zip",#通过opencv读取图片name="1.png"image=cv2.imread(name)#将opencv读取的BGR图片转换为RGBimage_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)#展示图片plt.imshow(image_rgb)plt.show()步骤8：调用模型对图像进行姿态检测我们将MediaPipePose的检测过程放入了make_image函数，所以在这里我们使用了MediaPipe并绘制姿态标点。defmake_image(image):""":paramimage:图片return:经过姿态检测并标点的图片"""#进行姿态检测annotated_image=make_image(image)#展示检测完毕的图片plt.imshow(annotated_image)plt.show()步骤9：调用函数计算关节角度步骤9-13是对图片中的深蹲姿势进行检测。根据三个坐标(x1,y1),(x2,y2),(x3,y3)，我们如何计算关节角度？调用angle函数进行角度计算，函数说明：调用angle函数进行角度计算，函数说明：angle(point_a,point_b,point_c):根据三点坐标计算夹角，返回角点b的夹角值。#输入三个测试坐标，b点夹角应该是90°c1=[0,1]#[x1,y1]c2=[0,0]#[x2,y2]c3=[1,0]#[x3,y4]#调用angle()进行角度计算angle(c1,c2,c3)步骤10：调用函数给图片添加文字我们通过imread读取图片，然后进行颜色通道转换。接下来通过调用cv2AddChineseText()方法在图片“1.png”的(250,50)的位置上添加文字"添加文字"，并设置颜色(0,0,0)即黑色。cv2AddChineseText(img,text,position,textColor=(0,255,0),textSize=30)参数说明如下：img:要处理的图片text:要添加的文字position:文字放置坐标，输入格式：(0,0)textColor:文字颜色,输入格式：(B,G,R)，默认为绿色。textSize:字体大小，默认为30。#通过opencv读取图片name="1.png"image=cv2.imread(name)#将opencv读取的BGR图片转换为RGBimage=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)#指定图片，指定文字，指定字体，指定字体大小，指定颜annotated_image=cv2AddChineseText(image,"添加文字",(250,50),(0,0,0))#展示绘制好的图片plt.imshow(annotated_image)plt.show()步骤11：读取关节坐标计算膝关节弯曲角度需要三个的点的坐标，而调用关节点需要用到关节点的英文名称，我们可以参照以下示意图：23：左髋部，LEFT_HIP24：右髋部，RIGHT_HIP25：左膝盖，LEFT_KNEE26：右膝盖，RIGHT_KNEE27：左脚踝，LEFT_ANKLE28：右脚踝，RIGHT_ANKLE#配置MediaPipe的姿态识别解决方案mp_pose=mp.solutions.pose#使用MediaPipe的姿态识别解决方案withmp_pose.Pose(static_image_mode=True,min_detection_confidence=0.5,model_complexity=2)aspose:#标记姿态结果results=cess(image)#读取图片长宽w,h,_=image.shape#读取所有点的坐标landmarks=results.pose_landmarks.landmark#通过索引读取单个位置的坐标left_23=[int(landmarks[mp_pose.PoseLandmark.LEFT_HIP].x*w),int(landmarks[mp_pose.PoseLandmark.LEFT_HIP].y*h)]print("23：左髋部，LEFT_HIP坐标：",left_23)步骤12：将步骤4、5、6合并到一个函数中除了步骤4、5、6功能的合并之外，我们添加了颜色变化，如果这个深蹲姿势是标准的，有一些更醒目的提示，比如说亮绿色。反之，如果是不标准的，我们可能希望有一些提醒色，比如黄色。defcompute_advanced(annotated_image,results):"""输入：进行过姿态检测的图片与姿态检测结果输出：对膝关节角度进行标点后的图片"""#读取图片长宽image_height,image_width,_=annotated_image.shape#步骤6：生成并打印所需坐标names=["左髋部","左膝盖","左脚踝","右髋部","右膝盖","右脚踝"]#我们将步骤五的坐标读取放进了get_coord()函数coords=get_coord(results,image_width,image_height)foriinrange(6):print(names[i],"坐标:",coords[i])#步骤4：计算两个关节的角度angle_left=angle(coords[0],coords[1],coords[2])angle_right=angle(coords[3],coords[4],coords[5])#步骤5：在图片上添加两个关节的角度ifangle_left<=90:#标准：显示绿色annotated_image=cv2AddChineseText(annotated_image,"左膝弯曲角度："+str(int(angle_left)),tuple((coords[1][0]-100,coords[1][1]-50)),(0,255,0),40)else:#不标准：显示黄色annotated_image=cv2AddChineseText(annotated_image,"左膝弯曲角度："+str(int(angle_left)),tuple((coords[1][0]-100,coords[1][1]-50)),(0,255,220),40)ifangle_right<=90:#标准，显示绿色annotated_image=cv2AddChineseText(annotated_image,"右膝弯曲角度："+str(int(angle_right)),tuple((coords[4][0]-100,coords[4][1]-25)),(0,255,0),40)else:#不标准：显示黄色annotated_image=cv2AddChineseText(annotated_image,"右膝弯曲角度："+str(int(angle_right)),tuple((coords[4][0]-100,coords[4][1]-25)),(0,255,220),40)returnannotated_image步骤13：对图片中的深蹲姿势进行检测调用make_image_advance函数，它可以输入自定义的一些图像处理函数，并在完成姿态检测后进行处理。make_image_advance函数是从until文件中导入的函数。defmake_image_advance(image,func,**kwargs):参数说明如下：image:图片func:对图片进行操作的函数。该函数输入一张图片和姿态检测的结果kwargs:上述函数的其他输入返回值：经过姿态检测并标点的图片，再根据func对图片进行操作后的图像。  接下来我们进行图片读取，并将上一步骤中的compute_advanced函数输入进make_image_advance()函数，这样就可以在对图像进行姿态检测后，绘制我们自己想加上去的内容，比如膝盖弯曲角度。name="1.png"image=cv2.imread(name)annotated_image=make_image_advance(image,compute_advanced)plt.imshow(annotated_image)plt.show()步骤14：定义函数对视频帧深蹲姿势进行检测步骤14-15开始对视频中的深蹲姿势进行检测，调用make_image_advance函数，它可以输入自定义的一些图像处理函数，并在完成姿态检测后进行处理。make_image_advance函数是从until文件中导入的函数。defmake_image_advance(image,func,**kwargs):参数说明如下：image:图片func:对图片进行操作的函数。该函数输入一张图片和姿态检测的结果kwargs:上述函数的其他输入返回值：经过姿态检测并标点的图片，再根据func对图片进行操作后的图像。  接下来我们进行图片读取，并将上一步骤中的compute_advanced函数输入进make_image_advance()函数，这样就可以在对图像进行姿态检测后，绘制我们自己想加上去的内容，比如膝盖弯曲角度。defcompute_img(image,i):"""img：输入一张图片，当前帧的图片i：输入帧数，当前是第几帧输入：对输入图片按照代码进行处理后的图像"""annotated_image=make_image_advance(image,compute_advanced)returnannotated_image步骤15：对运动视频进行深蹲标准检测调用make_video函数，并将上一步的compute_img函数作为参数传递。make_video函数原型：make_video(videoname,func,**kwargs):参数：paramvideoname:视频名称；paramfunc:处理函数；返回值:经过姿态检测并标点的视频，再根据func对视频进行操作。操作完成后，我们再次通过侧边栏的文件夹处下载out.mp4进行查看，可以看到视频画面中随着人的动作变化，深蹲动作的检测结果也在变化，绿色文字表示动作标准，黄色动作表示还没达到标准状态。make_video("demo.mp4",compute_img)实训内容任务一：姿态检测体验任务二：对图片中的运动姿态进行检测任务三：对图片中的深蹲姿态进行检测任务四：对视频中的深蹲姿态进行检测四、实训环境本项目在个人电脑本地环境中完成。操作系统：Windows系统或MacOSX系统。五、实训评价创意美术体验——基于OpenCV制作苹果橙一、任务目标知识目标1、了解OpenCV2、了解图像拼接与图像金字塔技能目标1、具有使用cv2处理图像的能力2、具有使用图像金字塔进行图像融合的能力素质目标1、具有追