前言

昇腾CANN是面向昇腾系列AI处理器的异构计算架构，为上层AI应用提供统一的底层能力支撑，适配昇腾NPU的硬件特性来实现高效计算。在计算机视觉相关的开发场景中，开发者经常需要处理图像预处理、目标检测等类型的算子调用工作，直接对接昇腾NPU的原生接口不仅需要手动适配大量底层参数，还容易出现版本兼容或者算子实现不规范的问题。ops-cv是CANN开源生态下的计算机视觉类算子库，核心覆盖image和objdetect两大类别，封装了经过昇腾NPU优化的成熟算子，能够帮助开发者跳过底层适配环节，快速完成视觉类任务的开发工作。本文将通过手把手的实操步骤，带你完成ops-cv的环境准备、基础接口调用以及典型场景的落地验证，所有操作步骤均可在本地环境复现，适合刚接触CANN生态的开发者参考。

实操前提

本教程的所有操作步骤需要你在本地准备好以下环境，不需要额外安装其他依赖：已经部署完成昇腾CANN 8.0及以上版本的异构计算架构，昇腾NPU的驱动和固件处于正常工作状态，Python 3.8及以上版本的开发环境可以正常使用，并且已经通过pip工具安装了ops-cv的对应版本算子库。如果你还没有完成上述环境的准备，可以参考CANN社区的官方文档完成部署，本教程不包含环境安装的相关步骤。

第一个实操：调用image类算子完成图像resize操作

图像resize是计算机视觉任务里最基础的操作之一，不管是目标检测、图像分类还是图像分割任务，都需要把输入图像缩放到模型要求的固定尺寸。如果没有现成的算子库，手动实现适配昇腾NPU的resize操作需要对接底层的DVPP数字视觉预处理接口，处理内存对齐、数据格式转换等繁琐的底层工作，很容易出现各种兼容性问题。ops-cv的image类封装了经过优化的resize算子，只需要一行代码就可以完成图像的缩放操作，不需要关注底层实现细节。

操作时先准备好输入图像数据，这里用模拟的随机数据代替真实图像，避免需要读取本地文件的问题，所有步骤都可以直接复现。输入的图像数据需要符合HWC的维度格式，数据类型为uint8，这是最常见的图像数据格式，ops-cv的算子会自动兼容这种格式的输入。

import numpy as np
from cann import ops_cv

# 生成一张模拟的RGB图像，尺寸是640x480
x = np.random.randint(0, 256, (480, 640, 3), dtype=np.uint8)

# 调用image类的resize算子，把图像缩放到224x224
y = ops_cv.image.resize(x, (224, 224))

# 打印缩放后的图像尺寸
print(y.shape)

代码段1讲解

这样写是为了直接用短变量名x和y，符合日常编码的习惯，不需要用input_image、output_image这类冗余的命名。调用resize的时候直接传入原始图像和目标尺寸，不需要手动处理昇腾NPU的内存对齐或者数据格式转换，ops-cv已经把这些底层工作封装好了，新手也能直接跑通。如果输入的是batch数据，比如x的形状是(2, 480, 640, 3)，算子会自动识别batch维度，输出对应缩放后的batch结果，不需要额外修改参数。

操作完成后可以观察输出的形状，正常情况下y的形状应该是(224, 224, 3)，如果输入是batch数据，输出形状会对应变成(2, 224, 224, 3)。如果遇到输入图像的数据类型不是uint8的情况，ops-cv会自动做类型转换，不需要手动处理，这也是封装带来的便利。如果缩放后的图像出现变形的情况，可以在调用resize的时候传入keep_ratio=True参数，保持原始图像的宽高比，算子会自动做边缘填充。

第二个实操：调用objdetect类算子完成目标检测前处理

目标检测任务的前处理流程通常包含多个步骤，比如把图像缩放到模型输入尺寸、做归一化、转换颜色通道顺序、把HWC的维度格式转换成CHW格式，这些步骤如果手动实现，不仅代码繁琐，还容易出现数值计算错误，比如均值和标准差的数值搞反，或者维度转换的顺序出错，导致模型输入的数据格式不正确，影响推理精度。ops-cv的objdetect类封装了preprocess算子，把前处理的所有步骤合并成一次调用，既减少了代码量，也降低了出错的概率。

前处理的参数需要根据你使用的目标检测模型来调整，比如YOLO系列模型通常要求输入尺寸是640x640，归一化的均值和标准差是ImageNet数据集的对应数值，这些参数可以直接传入preprocess算子，不需要手动做每一步的计算。

import numpy as np
from cann import ops_cv

# 读取一张本地的图像，这里用模拟数据代替
a = np.random.randint(0, 256, (720, 1280, 3), dtype=np.uint8)

# 调用objdetect类的前处理流水线，一次性完成resize、归一化、BGR转RGB、HWC转CHW
b = ops_cv.objdetect.preprocess(a, target_size=(640, 640), mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

# 打印前处理后的张量形状和数值范围
print(b.shape, b.min(), b.max())

代码段2讲解

这里用a和b作为变量名，避免用img、preprocessed_img这类太刻意的命名。objdetect类的preprocess算子把前处理的多步操作合并成一次调用，不需要手动一步步做resize、减均值、除标准差、转维度，减少出错的概率，也省掉中间变量的存储开销。如果输入的是BGR格式的图像，算子会自动转换成RGB格式，不需要手动调整通道顺序，这也是封装带来的便利。

操作完成后观察输出的形状和数值范围，正常情况下b的形状应该是(3, 640, 640)，也就是CHW的格式，数值范围应该在0到1之间，因为做了归一化处理。如果需要调整归一化的均值和标准差，可以直接修改preprocess算子的mean和std参数，不需要修改其他代码，非常灵活。如果输入图像的大小不一致，算子会自动做padding填充，保证输出尺寸统一，不需要手动处理。

第三个实操：批量调用ops-cv算子完成端到端目标检测流程

在实际的业务场景中，往往需要同时处理多张图像，比如处理用户上传的多图，或者处理视频流里的多帧图像，这时候批量调用算子可以大幅提升处理效率，避免循环调用单张处理接口带来的额外开销。另外，目标检测任务不仅需要前处理，还需要后处理来解析模型的输出结果，比如做非极大值抑制（NMS）来过滤重复的检测框，过滤掉置信度低的无效框，这些后处理步骤如果手动实现，逻辑比较复杂，容易出现错误。ops-cv的objdetect类封装了batch_preprocess和postprocess算子，支持批量前处理和后处理，大幅简化了端到端流程的代码实现。

批量处理的时候需要注意输入数据的维度，batch维度要放在最前面，算子的batch_preprocess会自动处理整个batch的数据，不需要手动循环。后处理的参数需要根据模型的输出格式来调整，比如检测框的格式是xyxy还是xywh，置信度和类别的索引位置，这些参数可以直接传入postprocess算子，不需要手动解析。

import numpy as np
from cann import ops_cv

# 生成3张模拟图像，组成一个batch
x = np.random.randint(0, 256, (3, 720, 1280, 3), dtype=np.uint8)

# 批量做前处理
y = ops_cv.objdetect.batch_preprocess(x, target_size=(640, 640))

# 模拟模型输出的检测框（假设是NMS前的原始输出）
det_out = np.random.rand(3, 100, 6)  # 3张图，每张100个框，每个框是[x1,y1,x2,y2,conf,class]

# 调用后处理算子做NMS和结果解析
z = ops_cv.objdetect.postprocess(det_out, conf_thres=0.25, iou_thres=0.45)

# 打印每张图检测到的目标数量
for i in range(len(z)):
    print(f"第{i}张图检测到{len(z[i])}个目标")

代码段3讲解

这里用x、y、z作为变量名，符合脚本编写的常用习惯，不需要用batch_imgs、preprocessed_batch这类冗余命名。batch_preprocess支持一次性处理多张图，比循环调用单张前处理的效率高很多，后处理的postprocess算子直接封装了NMS和结果过滤的逻辑，不需要开发者自己写复杂的后处理代码，避免逻辑错误。如果模型的输出格式和默认格式不一致，可以通过修改postprocess算子的参数来适配，不需要修改算子内部的实现。

操作完成后可以观察每张图检测到的目标数量，postprocess算子会自动过滤掉置信度低于0.25的框，并且做NMS过滤掉重叠度高于0.45的重复框，不需要手动实现这些逻辑。如果需要调整置信度阈值或者IOU阈值，可以直接修改postprocess算子的对应参数，非常方便。如果输入的是单张图像，也可以直接调用postprocess算子，不需要额外修改参数，算子的兼容性很好。

使用前后的效率对比

可以根据自己的视觉任务需求，进一步探索ops-cv中其他image和objdetect类的算子，结合昇腾NPU的硬件特性优化自己的应用性能。如果在开发过程中遇到问题，可以前往仓库的issue区提交反馈，社区开发者会及时响应。

仓库地址：https://atomgit.com/cann/ops-cv