Ana içeriğe geç

Limelight Lib Python

limelightlib-python, Limelight cihazları ile arayüz oluşturmanın en kolay yoludur. Tüm işletim sistemlerinde (MacOS, Windows, Linux) ve mimarilerde (x86, ARM) çalışır.

Kurulum

pip install limelightlib-python

Kullanım

import limelight
import limelightresults
import json
import time

discovered_limelights = limelight.discover_limelights(debug=True)
print("keşfedilen limelightlar:", discovered_limelights)

if discovered_limelights:
limelight_address = discovered_limelights[0]
ll = limelight.Limelight(limelight_address)
results = ll.get_results()
status = ll.get_status()
print("-----")
print("hedefleme sonuçları:", results)
print("-----")
print("durum:", status)
print("-----")
print("sıcaklık:", ll.get_temp())
print("-----")
print("isim:", ll.get_name())
print("-----")
print("fps:", ll.get_fps())
print("-----")
print("donanım raporu:", ll.hw_report())

ll.enable_websocket()

# mevcut pipeline ayarlarını yazdır
print(ll.get_pipeline_atindex(0))

# mevcut pipeline'ı güncelle ve diske kaydet
pipeline_update = {
'area_max': 98.7,
'area_min': 1.98778
}
ll.update_pipeline(json.dumps(pipeline_update),flush=1)

print(ll.get_pipeline_atindex(0))

# pipeline 1'e geç
ll.pipeline_switch(1)

# özel kullanıcı verilerini güncelle
ll.update_python_inputs([4.2,0.1,9.87])


try:
while True:
result = ll.get_latest_results()
parsed_result = limelightresults.parse_results(result)
if parsed_result is not None:
print("geçerli hedefler: ", parsed_result.validity, ", pipelineIndex: ", parsed_result.pipeline_id,", Hedefleme Gecikmesi: ", parsed_result.targeting_latency)
#for tag in parsed_result.fiducialResults:
# print(tag.robot_pose_target_space, tag.fiducial_id)
time.sleep(1) # Maksimum fps için bunu 0'a ayarlayın


except KeyboardInterrupt:
print("Program kullanıcı tarafından kesildi, kapatılıyor.")
finally:
ll.disable_websocket()

Metodlar

REST-tabanlı

  • get_results(): HTTP GET ile en son sonuçları getirir.
  • capture_snapshot(snapname): Verilen bir isimle anlık görüntü yakalar.
  • upload_snapshot(snapname, image_path): Verilen bir isim ve görüntü dosyasıyla anlık görüntü yükler.
  • snapshot_manifest(): HTTP GET ile anlık görüntü manifestosunu alır.
  • delete_snapshots(): HTTP GET ile tüm anlık görüntüleri siler.
  • upload_neural_network(nn_type, file_path): Belirtilen bir türle sinir ağı dosyası yükler.
  • hw_report(): HTTP GET ile donanım raporunu getirir.
  • cal_default(): HTTP GET ile varsayılan kalibrasyon verilerini getirir.
  • cal_file(): HTTP GET ile dosyadan kalibrasyon verilerini getirir.
  • cal_eeprom(): HTTP GET ile EEPROM'dan kalibrasyon verilerini getirir.
  • cal_latest(): HTTP GET ile en son kalibrasyon verilerini getirir.
  • update_cal_eeprom(cal_data): HTTP POST ile EEPROM'daki kalibrasyon verilerini günceller.
  • update_cal_file(cal_data): HTTP POST ile dosyadaki kalibrasyon verilerini günceller.
  • delete_cal_latest(): HTTP DELETE ile en son kalibrasyon verilerini siler.
  • delete_cal_eeprom(): HTTP DELETE ile EEPROM'daki kalibrasyon verilerini siler.
  • delete_cal_file(): HTTP DELETE ile dosyadaki kalibrasyon verilerini siler.

Websocket-tabanlı

  • enable_websocket(): Başka bir thread'de WebSocket bağlantısını başlatır ve başlar.
  • disable_websocket(): WebSocket bağlantısını kapatır ve thread'i birleştirir.
  • get_latest_results(): WebSocket'ten alınan en son sonuçları döndürür.

Ayrıştırma

  • limelightresults.parse_results(): Sonuçları ayrıştırır ve bir GeneralResult nesnesi döndürür

Sonuç Sınıfı Özellikleri

class GeneralResult:
def __init__(self, results):
self.barcode = results.get("Barcode", [])
self.classifierResults = [ClassifierResult(item) for item in results.get("Classifier", [])]
self.detectorResults = [DetectorResult(item) for item in results.get("Detector", [])]
self.fiducialResults = [FiducialResult(item) for item in results.get("Fiducial", [])]
self.retroResults = [RetroreflectiveResult(item) for item in results.get("Retro", [])]
self.botpose = results.get("botpose", [])
self.botpose_wpiblue = results.get("botpose_wpiblue", [])
self.botpose_wpired = results.get("botpose_wpired", [])
self.capture_latency = results.get("cl", 0)
self.pipeline_id = results.get("pID", 0)
self.robot_pose_target_space = results.get("t6c_rs", [])
self.targeting_latency = results.get("tl", 0)
self.timestamp = results.get("ts", 0)
self.validity = results.get("v", 0)
self.parse_latency = 0.0


class RetroreflectiveResult:
def __init__(self, retro_data):
self.points = retro_data["pts"]
self.camera_pose_target_space = retro_data["t6c_ts"]
self.robot_pose_field_space = retro_data["t6r_fs"]
self.robot_pose_target_space = retro_data["t6r_ts"]
self.target_pose_camera_space = retro_data["t6t_cs"]
self.target_pose_robot_space = retro_data["t6t_rs"]
self.target_area = retro_data["ta"]
self.target_x_degrees = retro_data["tx"]
self.target_x_pixels = retro_data["txp"]
self.target_y_degrees = retro_data["ty"]
self.target_y_pixels = retro_data["typ"]

class FiducialResult:
def __init__(self, fiducial_data):
self.fiducial_id = fiducial_data["fID"]
self.family = fiducial_data["fam"]
self.points = fiducial_data["pts"]
self.skew = fiducial_data["skew"]
self.camera_pose_target_space = fiducial_data["t6c_ts"]
self.robot_pose_field_space = fiducial_data["t6r_fs"]
self.robot_pose_target_space = fiducial_data["t6r_ts"]
self.target_pose_camera_space = fiducial_data["t6t_cs"]
self.target_pose_robot_space = fiducial_data["t6t_rs"]
self.target_area = fiducial_data["ta"]
self.target_x_degrees = fiducial_data["tx"]
self.target_x_pixels = fiducial_data["txp"]
self.target_y_degrees = fiducial_data["ty"]
self.target_y_pixels = fiducial_data["typ"]

class DetectorResult:
def __init__(self, detector_data):
self.class_name = detector_data["class"]
self.class_id = detector_data["classID"]
self.confidence = detector_data["conf"]
self.points = detector_data["pts"]
self.target_area = detector_data["ta"]
self.target_x_degrees = detector_data["tx"]
self.target_x_pixels = detector_data["txp"]
self.target_y_degrees = detector_data["ty"]
self.target_y_pixels = detector_data["typ"]

class ClassifierResult:
def __init__(self, classifier_data):
self.class_name = classifier_data["class"]
self.class_id = classifier_data["classID"]
self.confidence = classifier_data["conf"]