Layer_2

# 摄像头编码、目标检测和显示 Source: [https://docs.qualcomm.com/doc/80-70022-50SC/topic/camera-encode-file-detection-yolov8-overlay-display.html](https://docs.qualcomm.com/doc/80-70022-50SC/topic/camera-encode-file-detection-yolov8-overlay-display.html) **gst-camera-two-stream-encode-file-detection-display.py** 应用程序对摄像头流进行编码并将其保存到文件中。该应用程序使用 YOLOX LiteRT 模型从摄像头流中识别场景中的对象。应用程序将边界框覆盖在检测到的目标上并显示结果。 Note: 此应用程序在 Ubuntu Server 上不受支持。 Figure : 用于摄像头编码和目标检测的 pipeline 有关该 pipeline 中使用的插件的信息，请参见 [Pipeline 流](https://docs.qualcomm.com/doc/80-70022-50SC/topic/camera-encode-file-detection-yolov8-overlay-display.html#camera-encode-file-detection-yolov8-overlay-display__section_mty_hyk_bdc)。 ## 在目标设备上运行应用程序 1. 确保您已完成[前提条件](https://docs.qualcomm.com/doc/80-70022-50SC/topic/prerequisites-for-python-sample-applications.html)。 2. 在目标设备上运行摄像头编码和目标检测脚本： gst-camera-two-stream-encode-file-detection-display.pyCopy to clipboard 3. 如需显示可用的帮助选项，可运行以下命令： gst-camera-two-stream-encode-file-detection-display.py -hCopy to clipboard 以下是 Python 脚本中的默认文件： Table : gst-camera-two-stream-encode-file-detection-display.py 的默认模型和标签文件 | 文件 | 目录 | | :--- | :--- | | 检测模型（YOLOv8） | /etc/models/yolox\_quantized.tflite | | 检测标签（两种模型相同） | /etc/labels/yolox.json | ## 预期输出输出保存在 /etc/media/test.mp4中。 ## Pipeline 流 | 处理过程 | 说明 | | --- | --- | | [qtiqmmfsrc](https://docs.qualcomm.com/doc/80-70022-50SC/topic/qtiqmmfsrc.html) | 从摄像头采集两个视频流：

将一个流保存至文件中。

第二个流用于检测。使用 tee 将其进行分割并发送至以下位置：
- qtimetamux 保留视频流。
- qtimlvconverter 将视频流转换为输入张量，用于分类推理。

在其接收端口上接收视频流。

执行预处理：
- 颜色转换
- 缩小/放大
- 当模型期望浮点值作为输入时对流数据进行标准化

在其发送端口上将视频流转换为张量数据。
目标检测模型使用此张量数据进行推理。

| | **推理** | **推理** | | [qtimltflite](https://docs.qualcomm.com/doc/80-70022-50SC/topic/qtimltflite.html) |

加载模型。

为选择的 delegate 修改图。

在其接收端口上接收张量数据。

执行推理并在其发送端口上生成包含推理结果的张量数据。

| | **后处理** | **后处理** | | qtimlpostprocess |

接收来自目标检测模型的推理张量。

将其接收端口上的推理张量转换为多媒体插件稍后可以处理的视频或文本等格式。

将阈值应用于所选的结果数。

加载检测模型的相应模块。
在此用例中，qtimlpostprocess 执行以下操作：
1. 加载 YOLOv8 子模块。
2. 将结果生成为文本结构。
3. 接着发送到 qtimetamux 的接收端口。

| | [qtimetamux](https://docs.qualcomm.com/doc/80-70022-50SC/topic/qtimetamux.html) |

在接收端口上接收视频流和文本流，以及与视频流相对应的边框结果。

使用接收端口中的视频流内容生成 GST 缓存。

将边框作为 GstVideoRegionOfInterest 从数据接收端添加到其发送端口上的 GST 缓存元数据（元复用）。

| | [qtivoverlay](https://docs.qualcomm.com/doc/80-70022-50SC/topic/qtioverlay.html) |

接收多路复用流。

使用 CL 将边框叠加在 VideoFrame 上。

在其发送端口上生成带有叠加层的 GST 缓存。

| | **输出** | **输出** | | [Waylandsink](https://docs.qualcomm.com/doc/80-70022-50SC/topic/waylandsink.html) |

在其接收端口上接收视频

将视频流提交到 Weston。

Weston 在本地显示器设备上呈现视频流。

| ## 相关信息 [目标检测](https://docs.qualcomm.com/doc/80-70022-50SC/topic/gst-ai-object-detection.html) **Parent Topic:** [运行基于 Python 的应用程序](https://docs.qualcomm.com/doc/80-70022-50SC/topic/python-sample-applications.html) Last Published: Nov 05, 2025 [Previous Topic 转换和编码摄像头流](https://docs.qualcomm.com/bundle/publicresource/80-70022-50SC/topics/camera-transform-downscale-and-rotate-encode.md) [Next Topic 目标检测、分类和分割](https://docs.qualcomm.com/bundle/publicresource/80-70022-50SC/topics/object-detection-classification-and-segmentation-python-sample-app.md)