iinfer.app package

Subpackages

Submodules

iinfer.app.app module

class iinfer.app.app.IinferApp(appcls=None, ver=<module 'cmdbox.version' from 'C:\\Users\\hama\\OneDrive\\デスクトップ\\devenv\\iinfer\\.venv\\Lib\\site-packages\\cmdbox\\version.py'>, cli_features_packages: ~typing.List[str] = None, cli_features_prefix: ~typing.List[str] = None)[source]

Bases: CmdBoxApp

iinfer.app.app.main(args_list: list = None)[source]

iinfer.app.client module

class iinfer.app.client.Client(logger: Logger, redis_host: str = 'localhost', redis_port: int = 6379, redis_password: str = None, svname: str = 'server')[source]

Bases: Client

capture(capture_device='0', image_type: str = 'capture', capture_frame_width: int = None, capture_frame_height: int = None, capture_fps: int = 1000, output_preview: bool = False)[source]

ビデオをキャプチャしてその結果を出力する

Parameters:

  • capture_device (int or str) -- キャプチャするディバイス、ビデオデバイスのID, ビデオファイルのパス。rtspのURL. by default 0

  • image_type (str, optional) -- 画像の形式. Defaults to 'capture'.

  • capture_frame_width (int) -- キャプチャするビデオのフレーム幅, by default None

  • capture_frame_height (int) -- キャプチャするビデオのフレーム高さ, by default None

  • capture_fps (int) -- キャプチャするビデオのフレームレート, by default 1000

  • output_preview (bool, optional) -- 予測結果の画像をプレビューするかどうか. Defaults to False.

deploy(name: str, model_img_width: int, model_img_height: int, model_file: str, model_conf_file: List[Path], predict_type: str, custom_predict_py: Path, label_file: Path, color_file: Path, before_injection_conf: Path, before_injection_type: List[str], before_injection_py: List[Path], after_injection_conf: Path, after_injection_type: List[str], after_injection_py: List[Path], train_dataset: Path, train_dataset_upload: bool, train_type: str, custom_train_py: Path, overwrite: bool, retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

モデルをRedisサーバーにデプロイする

Parameters:

  • name (str) -- モデル名

  • model_img_width (int) -- 画像の幅

  • model_img_height (int) -- 画像の高さ

  • model_file (str) -- モデルファイルのパス又はURL

  • model_conf_file (List[Path]) -- モデル設定ファイルのパス

  • predict_type (str) -- 推論方法のタイプ

  • custom_predict_py (Path) -- 推論スクリプトのパス

  • label_file (Path) -- ラベルファイルのパス

  • color_file (Path) -- 色ファイルのパス

  • before_injection_conf (Path) -- 推論前処理設定ファイルのパス

  • before_injection_type (List[str]) -- 推論前処理タイプ

  • before_injection_py (List[Path]) -- 推論前処理スクリプトのパス

  • after_injection_type (List[str]) -- 推論後処理タイプ

  • after_injection_conf (Path) -- 推論後処理設定ファイルのパス

  • after_injection_py (List[Path]) -- 推論後処理スクリプトのパス

  • train_dataset (Path) -- 学習データセットディレクトリのパス

  • train_dataset_upload (bool) -- 学習データセットをサーバーにアップロードするかどうか

  • train_type (str) -- 学習方法のタイプ

  • custom_train_py (Path) -- 学習スクリプトのパス

  • overwrite (bool) -- モデルを上書きするかどうか

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

deploy_list(retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

デプロイされたモデルのリストを取得する

Parameters:

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

predict(name: str, image=None, image_file=None, image_file_enable: bool = True, pred_input_type: str = 'jpeg', output_image_file: str = None, output_preview: bool = False, nodraw: bool = False, retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

画像をRedisサーバーに送信し、推論結果を取得する

Parameters:

  • name (str) -- モデル名

  • image (np.ndarray | bytes, optional) -- 画像データ. Defaults to None. np.ndarray型の場合はデコードしない(RGBであること).

  • image_file (str|file-like object, optional) -- 画像ファイルのパス. Defaults to None.

  • image_file_enable (bool, optional) -- 画像ファイルを使用するかどうか. Defaults to True. image_fileがNoneでなく、このパラメーターがTrueの場合はimage_fileを使用する.

  • pred_input_type (str, optional) -- 画像の形式. Defaults to 'jpeg'.

  • output_image_file (str, optional) -- 予測結果の画像ファイルのパス. Defaults to None.

  • output_preview (bool, optional) -- 予測結果の画像をプレビューするかどうか. Defaults to False.

  • nodraw (bool, optional) -- 描画フラグ. Defaults to False.

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

read_dir(glob_str: str, read_input_type: str = 'jpeg', image_type: str = 'capture', root_dir: Path = WindowsPath('.'), include_hidden=True, moveto: Path = None, polling: bool = False, polling_count: int = 10, polling_interval: int = 1)[source]

ディレクトリ内の画像ファイルを取得します

Parameters:

  • glob_str (str) -- 読込むファイルのglobパターン

  • read_input_type (str, optional) -- 読み込みタイプ. Defaults to 'jpeg'.

  • image_type (str, optional) -- 画像の形式. Defaults to 'capture'.

  • root_dir (Path, optional) -- 検索の基準となるルートディレクトリ. Defaults to Path('.').

  • include_hidden (bool, optional) -- 隠しファイルを含めるかどうか. Defaults to True.

  • moveto (Path, optional) -- 読み込んだファイルを移動する先のディレクトリ. Defaults to None.

  • polling (bool, optional) -- 定期的にディレクトリ内の読込みを繰り返すかどうか. Defaults to False.

  • polling_count (int, optional) -- ポーリング回数. Defaults to 10.

  • polling_interval (int, optional) -- ポーリング間隔. Defaults to 1.

Yields:

Tuple[str, str, int, int, int, str] -- 画像の形式, 画像のBase64文字列, 画像の高さ, 画像の幅, 画像の色数, 画像のファイル名

start(name: str, model_provider: str = 'CPUExecutionProvider', use_track: bool = False, gpuid: int = None, retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

モデルをRedisサーバーで起動する

Parameters:

  • name (str) -- モデル名

  • model_provider (str, optional) -- 推論実行時のモデルプロバイダー。デフォルトは'CPUExecutionProvider'。

  • use_track (bool) -- Multi Object Trackerを使用するかどうか, by default False

  • gpuid (int) -- GPU ID, by default None

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

stop(name: str, retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

モデルをRedisサーバーで停止する

Parameters:

  • name (str) -- モデル名

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

stop_server(retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

Redisサーバーを停止する

Parameters:

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

train(name: str, overwrite: bool, retry_count: int = 3, retry_interval: int = 5, timeout: int = 10800)[source]

モデルをRedisサーバーで学習する

Parameters:

  • name (str) -- モデル名

  • overwrite (bool) -- モデルを上書きするかどうか

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 3*3600.

Returns:

Redisサーバーからの応答

Return type:

dict

undeploy(name: str, retry_count: int = 3, retry_interval: int = 5, timeout: int = 60)[source]

モデルをRedisサーバーからアンデプロイする

Parameters:

  • name (str) -- モデル名

  • retry_count (int, optional) -- リトライ回数. Defaults to 3.

  • retry_interval (int, optional) -- リトライ間隔. Defaults to 5.

  • timeout (int, optional) -- タイムアウト時間. Defaults to 60.

Returns:

Redisサーバーからの応答

Return type:

dict

iinfer.app.common module

iinfer.app.common.draw_boxes(image: Image, boxes: List[List[float]], scores: List[float], classes: List[int], ids: List[str] = None, labels: List[str] = None, colors: List[Tuple[int]] = None, tracks: List[int] = None, nodraw: bool = False, nolookup: bool = False) → Tuple[Image, List[str]][source]

画像にバウンディングボックスを描画します。

Parameters:

  • image (Image.Image) -- 描画する画像

  • boxes (List[List[float]]) -- バウンディングボックスの座標リスト

  • scores (List[float]) -- 各バウンディングボックスのスコアリスト

  • classes (List[int]) -- 各バウンディングボックスのクラスリスト

  • ids (List[str]) -- 各バウンディングボックスのIDリスト

  • labels (List[str], optional) -- クラスのラベルリスト. Defaults to None.

  • colors (List[Tuple[int]], optional) -- クラスごとの色のリスト. Defaults to None.

  • tracks (List[int], optional) -- トラックIDリスト. Defaults to None.

  • nodraw (bool, optional) -- 描画しない場合はTrue. Defaults to False.

  • nolookup (bool, optional) -- ラベル及び色をクラスIDから取得しない場合はTrue. Defaults to False.

Returns:

バウンディングボックスが描画された画像 List[str]: 各バウンディングボックスのラベルリスト

Return type:

Image

iinfer.app.common.make_color(idstr: str) → Tuple[int][source]

iinfer.app.injection module

class iinfer.app.injection.AfterInjection(config: Dict[str, Any], logger: Logger)[source]

Bases: Injection

サーバーサイドで実行する後処理を実装するためのクラスです。

action(reskey: str, name: str, outputs: Dict[str, Any], output_image: Image, session: Dict[str, Any]) → Tuple[Dict[str, Any], Image][source]

このメソッドは推論を実行した後の処理を実行します。

Parameters:

  • reskey (str) -- レスポンスキー

  • name (str) -- モデル名

  • outputs (Dict[str, Any]) -- 推論結果。次の項目が含まれます。 ・success or warn: 推論成功か警告のキーに対して、その内容が格納されます。 ・output_image: 推論後の画像データをbase64エンコードした文字列 ・output_image_shape: 推論後の画像データの形状（base46でコードするときに必要） ・output_image_name: クライアントから指定されてきた推論後の画像データの名前

  • output_image (Image.Image) -- 推論後の画像データ

  • session (Dict[str, Any]) -- 推論セッション。次の項目が含まれます。 ・session: app.predict.Predict#create_session() で作成されたセッション ・model_img_width: モデルの入力画像の幅 ・model_img_height: モデルの入力画像の高さ ・predict_obj: app.predict.Predict インスタンス ・labels: クラスラベルのリスト ・colors: ボックスの色のリスト ・tracker: use_trackがTrueの場合、トラッカーのインスタンス

Returns:

後処理後の推論結果と画像データのタプル

Return type:

Tuple[Dict[str, Any], Image.Image]

class iinfer.app.injection.BeforeInjection(config: Dict[str, Any], logger: Logger)[source]

Bases: Injection

サーバーサイドで実行する前処理を実装するためのクラスです。

action(reskey: str, name: str, image: Image, session: Dict[str, Any]) → Image[source]

このメソッドは推論を実行する前処理を実行します。

Parameters:

  • reskey (str) -- レスポンスキー

  • name (str) -- モデル名

  • image (Image.Image) -- 推論する画像データ

  • session (Dict[str, Any]) -- 推論セッション。次の項目が含まれます。

  • ・session -- app.predict.Predict#create_session() で作成されたセッション

  • ・model_img_width -- モデルの入力画像の幅

  • ・model_img_height -- モデルの入力画像の高さ

  • ・predict_obj -- app.predict.Predict インスタンス

  • ・labels -- クラスラベルのリスト

  • ・colors -- ボックスの色のリスト

  • ・tracker -- use_trackがTrueの場合、トラッカーのインスタンス

Returns:

前処理後の画像データ

Return type:

Image.Image

class iinfer.app.injection.Injection(config: Dict[str, Any], logger: Logger)[source]

Bases: object

add_success(outputs: Dict[str, Any], message: Any)[source]

成功メッセージを追加します。

Parameters:

  • outputs (Dict[str, Any]) -- 推論結果

  • message (Any) -- 成功メッセージ

add_warning(outputs: Dict[str, Any], message: str)[source]

警告メッセージを追加します。

Parameters:

  • outputs (Dict[str, Any]) -- 推論結果

  • message (str) -- 警告メッセージ

get_config(key: str, default: Any = None) → Any[source]

設定を取得します。 :param key: キー :type key: str :param default: デフォルト値 :type default: Any

Returns:

設定値

Return type:

Any

iinfer.app.install module

class iinfer.app.install.Install(logger: Logger, wsl_name: str = None, wsl_user: str = None)[source]

Bases: object

insightface(data_dir: Path, install_use_gpu: bool = False)[source]
mmcls(data_dir: Path, install_use_gpu: bool = False)[source]
mmdet(data_dir: Path, install_use_gpu: bool = False)[source]
mmpretrain(data_dir: Path, install_use_gpu: bool = False)[source]
mmseg(data_dir: Path, install_use_gpu: bool = False)[source]
onnx(install_use_gpu: bool = False)[source]
redis()[source]
server(data: Path, install_cmdbox_tgt: str = 'cmdbox', install_iinfer_tgt: str = 'iinfer', install_onnx: bool = True, install_mmdet: bool = True, install_mmseg: bool = True, install_mmcls: bool = False, install_mmpretrain: bool = True, install_insightface=False, install_from: str = None, install_no_python: bool = False, install_compile_python: bool = False, install_tag: str = None, install_use_gpu: bool = False)[source]

iinferが含まれるdockerイメージをインストールします。

Parameters:

  • data (Path) -- iinfer-serverのデータディレクトリ

  • install_cmdbox_tgt (str) -- cmdboxのインストール元

  • install_iinfer_tgt (str) -- iinferのインストール元

  • install_onnx (bool) -- onnxをインストールするかどうか

  • install_mmdet (bool) -- mmdetをインストールするかどうか

  • install_mmseg (bool) -- mmsegをインストールするかどうか

  • install_mmcls (bool) -- mmclsをインストールするかどうか

  • install_mmpretrain (bool) -- mmpretrainをインストールするかどうか

  • install_insightface (bool) -- insightfaceをインストールするかどうか

  • install_from (str) -- インストール元dockerイメージ

  • install_no_python (bool) -- pythonをインストールしない

  • install_compile_python (bool) -- pythonをコンパイルしてインストール

  • install_tag (str) -- インストールタグ

  • install_use_gpu (bool) -- GPUを使用するモジュール構成でインストールします。

Returns:

処理結果

Return type:

dict

iinfer.app.postprocess module

class iinfer.app.postprocess.Postprocess(logger: Logger)[source]

Bases: object

post(outputs: Dict[str, Any], output_image: Image) → Tuple[Dict[str, Any], Image][source]

後処理を行う関数です。

Parameters:

  • outputs (Dict[str, Any]) -- 推論結果

  • output_image (Image.Image) -- 入力画像（RGB配列であること）

Returns:

後処理結果 Image: 後処理結果

Return type:

Dict[str, Any]

postprocess(res_str: str, output_image_file: str = None, timeout: int = 60) → Dict[str, Any][source]

iinfer.app.predict module

class iinfer.app.predict.OnnxPredict(logger: Logger)[source]

Bases: Predict

is_gpu_available(model_path: Path | Any, model_conf_path: Path, gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

  • model_path (Path|Any) -- モデルファイルのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

class iinfer.app.predict.Predict(logger: Logger)[source]

Bases: object

create_session(deploy_dir: Path, model_path: Path | Any, model_conf_path: Path, model_provider: str, gpu_id: int = None) → Any[source]

推論セッションを作成する関数です。 startコマンド実行時に呼び出されます。 この関数内でAIモデルのロードを行い、推論準備を完了するようにしてください。 戻り値の推論セッションの型は問いません。

Parameters:

  • deploy_dir (Path) -- デプロイディレクトリのパス

  • model_path (Path|Any) -- モデルファイルのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

推論セッション

is_gpu_available(gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

post_deploy(deploy_dir: Path, conf: dict) → None[source]

デプロイ後の処理を行う関数です。 deployコマンド実行時に呼び出されます。 この関数内でデプロイ後の処理を実装してください。

Parameters:

  • deploy_dir (Path) -- デプロイディレクトリのパス

  • conf (dict) -- デプロイ設定

predict(session, img_width: int, img_height: int, image: Image, labels: List[str] = None, colors: List[Tuple[int]] = None, nodraw: bool = False) → Tuple[Dict[str, Any], Image][source]

予測を行う関数です。 predictコマンドやcaptureコマンド実行時に呼び出されます。 引数のimageはRGBですので、戻り値の出力画像もRGBにしてください。 戻り値の推論結果のdictは、通常推論結果項目ごとに値(list)を設定します。 例）Image Classification（EfficientNet_Lite4）の場合 return dict(output_scores=output_scores, output_classes=output_classes), image_obj 例）Object Detection（YoloX）の場合 return dict(output_boxes=final_boxes, output_scores=final_scores, output_classes=final_cls_inds), output_image

Parameters:

  • session -- 推論セッション

  • img_width (int) -- モデルのINPUTサイズ（画像の幅）

  • img_height (int) -- モデルのINPUTサイズ（画像の高さ）

  • image (Image) -- 入力画像（RGB配列であること）

  • labels (List[str], optional) -- クラスラベルのリスト. Defaults to None.

  • colors (List[Tuple[int]], optional) -- ボックスの色のリスト. Defaults to None.

  • nodraw (bool, optional) -- 描画フラグ. Defaults to False.

Returns:

予測結果と出力画像(RGB)のタプル

Return type:

Tuple[Dict[str, Any], Image]

class iinfer.app.predict.TorchPredict(logger: Logger)[source]

Bases: Predict

is_gpu_available(model_path: Path | Any, model_conf_path: Path, gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

  • model_path (Path|Any) -- モデルファイルのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

iinfer.app.redis module

class iinfer.app.redis.Redis(logger: Logger, wsl_name: str = None, wsl_user: str = None)[source]

Bases: object

docker_run(port: int, password: str)[source]
docker_stop()[source]

iinfer.app.train module

class iinfer.app.train.OnnxTrain(logger: Logger)[source]

Bases: Train

is_gpu_available(model_path: Path | Any, model_conf_path: Path, gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

  • model_path (Path|Any) -- モデルファイルのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

class iinfer.app.train.TorchTrain(logger: Logger)[source]

Bases: Train

is_gpu_available(model_path: Path | Any, model_conf_path: Path, gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

  • model_path (Path|Any) -- モデルファイルのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

class iinfer.app.train.Train(logger: Logger)[source]

Bases: object

is_gpu_available(gpu_id: int = None) → bool[source]

GPUが利用可能かどうかを返す関数です。 戻り値がTrueの場合、GPUが利用可能です。 戻り値がFalseの場合、GPUが利用不可です。

Parameters:

gpu_id (int, optional) -- GPU ID. Defaults to None.

Returns:

GPUが利用可能かどうか

Return type:

bool

post_train(deploy_dir: Path, conf: dict) → None[source]

学習後の処理を行う関数です。 trainコマンド実行時に呼び出されます。 この関数内で学習後の処理を実装してください。

Parameters:

  • deploy_dir (Path) -- 学習ディレクトリのパス

  • conf (dict) -- 学習設定

train(deploy_dir: Path, model_conf_path: Path, train_cfg_options: Dict[str, Any] = None) → None[source]

学習を実行する関数です。 trainコマンド実行時に呼び出されます。 この関数内でAIモデルの学習を行い完了するようにしてください。

Parameters:

  • deploy_dir (Path) -- デプロイディレクトリのパス

  • model_conf_path (Path) -- モデル設定ファイルのパス

  • train_cfg_options (Dict[str, Any]) -- 学習設定オプションのリスト

iinfer.app.web module

class iinfer.app.web.Web(logger: Logger, data: Path, appcls=None, ver=None, redis_host: str = 'localhost', redis_port: int = 6379, redis_password: str = None, svname: str = 'server', client_only: bool = False, doc_root: Path = None, gui_html: str = None, filer_html: str = None, assets: List[str] = None, signin_html: str = None, signin_file: str = None, gui_mode: bool = False, web_features_packages: List[str] = [], web_features_prefix: List[str] = [], showimg_html: str = None, webcap_html: str = None, anno_html: str = None)[source]

Bases: Web

webcap(allow_host: str = '0.0.0.0', listen_webcap_port: int = 8082, image_type: str = 'capture', outputs_key: List[str] = None, capture_frame_width: int = None, capture_frame_height: int = None, capture_count: int = 5, capture_fps: int = 5)[source]

Webキャプチャを起動する

Parameters:

  • allow_host (str, optional) -- 許可ホスト. Defaults to "

  • listen_webcap_port (int, optional) -- リスンポート. Defaults to 8082.

  • image_type (str, optional) -- 画像タイプ. Defaults to 'capture'.

  • outputs_key (list, optional) -- 出力キー. Defaults to None.

  • capture_frame_width (int, optional) -- キャプチャフレーム幅. Defaults to None.

  • capture_frame_height (int, optional) -- キャプチャフレーム高さ. Defaults to None.

  • capture_count (int, optional) -- キャプチャ回数. Defaults to 5.

  • capture_fps (int, optional) -- キャプチャFPS. Defaults to 5.

Module contents