在许多应用场景中，不仅需要对静态图片进行分析，还希望能够实时地从摄像头获取的图像流中获取预测结果。本文将介绍如何使用Python和连接到电脑的USB摄像头，将摄像头数据传输到Roboflow训练的模型中，进行实时推理。
首先，需要在Roboflow上训练一个自定义模型。按照的步骤进行操作。完成模型训练后，确保已经获取了API密钥和模型ID。
确保系统中安装了Python3.7或更高版本。然后，安装以下依赖库：
pip3 install opencv-python numpy requests
创建一个名为infer.py的文件，并初始化Roboflow模型信息（训练模型并获取API密钥），以及刚刚安装的包。
ROBOFLOW_API_KEY = "填写API密钥"
ROBOFLOW_MODEL = "填写模型ID" # 例如：xx-xxxx--#
ROBOFLOW_SIZE = 416
import cv2
import base64
import numpy as np
import requests
接下来，将构建模型的API端点URL。这个示例使用了Hosted Inference API，也可以使用设备部署，只需将https://detect.roboflow.com/替换为其IP地址（例如http://127.0.0.1:9001）：
upload_url = "".join([
"https://detect.roboflow.com/",
ROBOFLOW_MODEL,
"?access_token=",
ROBOFLOW_API_KEY,
"&format=image",
"&stroke=5"
])
使用OpenCV打开摄像头连接，并定义一个名为infer的函数，它将是程序的核心逻辑。每次调用它时，它执行以下操作：
# 通过Roboflow Infer API进行推理并返回结果
def infer():
# 从摄像头获取当前图像
ret, img = video.read()
# 调整大小（同时保持纵横比）以提高速度并节省带宽
height, width, channels = img.shape
scale = ROBOFLOW_SIZE / max(height, width)
img = cv2.resize(img, (round(scale * width), round(scale * height)))
# 将图像编码为base64字符串
retval, buffer = cv2.imencode('.jpg', img)
img_str = base64.b64encode(buffer)
# 从Roboflow Infer API获取预测
resp = requests.post(upload_url, data=img_str, headers={
"Content-Type": "application/x-www-form-urlencoded"
}, stream=True).raw
# 解析结果图像
image = np.asarray(bytearray(resp.read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)
return image
在主循环中调用此函数，并显示当前预测图像，直到检测到键盘上的“q”键被按下。
# 主循环；顺序推理，直到按下“q”键
while 1:
# 在“q”键按下时退出
if(cv2.waitKey(1) == ord('q')):
break
# 从Roboflow Infer API同步获取预测
image = infer()
# 并显示推理结果
cv2.imshow('image', image)
最后，当循环被“q”键中断后，将释放摄像头资源并清理可视化资源。
# 完成后释放资源
video.release()
cv2.destroyAllWindows()
就是这样！如果运行infer.py，将看到模型的预测结果显示在屏幕上，覆盖在来自摄像头的图像上。可以下载这个简单的同步摄像头推理示例的代码。
这个实现相当简单；它顺序地从模型中获取预测，这意味着它等待接收前一个图像的结果后才发送下一个图像。
它将进行推理的确切速度取决于模型和网络连接，但可以预期在Hosted API上大约每秒4帧，在本地网络上运行的NVIDIA Jetson Xavier NX上大约每秒8帧。
可以通过并行化请求来显著提高速度。在内存中保持图像缓冲区会增加一点延迟，但可以提高显示帧的一致性。有一个示例异步摄像头推理脚本，展示了这种方法。