基于DJango和Pybind11，实现网络后端调用OpenCV算法基于pybind11实现Python调用c++编写的CV算法--上（Windows+VS）基于pybind11实现Python调用c++编写的CV算法--下（Linux+Cmake）

本Blog来源于实际项目，所采用框架组合中，OpenCV实现算法主体、pybind11完成OpenCV的Python封装、django提供Web应用服务，三者协同配合，共同实现“网络后端调用OpenCV算法，解决特定问题”的目标。

由于pybind11在windows和在linux下的部署安装，都已经分别专门撰文，基于pybind11实现Python调用c++编写的CV算法--上（Windows+VS）基于pybind11实现Python调用c++编写的CV算法--下（Linux+Cmake）

本文以django的配置和整体集成为重心。最终调用的OpenCV算法，也以GOWarper来表示。

一、Django的下载和测试

1、在管理员权限下，直接可以使用pip进行安装。

　　　　pip3 install django

如果网络正常，那么可以通过

　　　　pip3 show django

查看django版本和django安装路径：

2、创建一个django project

在空文件夹下，使用以下命令创建django project

　　　　django-admin.py startproject mysites

我们可以使用vscode来查看，其中较为关键的几项：

manage.py ----- Django项目里面的工具，通过它可以调用django shell和数据库等。

settings.py ---- 包含了项目的默认设置，包括数据库信息，调试标志以及其他一些工作的变量。

urls.py ----- 负责把URL模式映射到应用程序。　　

需要注意的是，这里的几个py都是行使管理权限的。

3、在mysites目录下创建应用(app)

　　　　python3 manage.py startapp goApp

这新建一个goApp的实际项目，这个实际的项目是可以被启动的。

4、启动django项目

　　　　python3 manage.py runserver 8080

　　　　这样，我们的django就启动起来了。当我们访问http://127.0.0.1:8080/时，可以看到

如果以上工作全部能够成功，那么证明Djangon的下载安装是成功的，下面我们来具体理解其相关内容。

二、文件结构和各种作用

manage.py文件位于整个项目的最外层，是该项目的项目管理器，通过不指定命令运行，可以发现它具备以下功能。

比如，我们在上面使用过的：

       创建应用：python3 manage.py startapp goApp 
      
启动项目：python3 manage.py runserver 
      8080 
     

wsgi.py:全称 webserver getway interface，即Web服务器的网关接口

urls.py:即路由配置

django下所有的页面都需要urls文件中配置一下，否则在访问的时候会找不到该文件。

settings.py:

配置文件，各种路径、国际化、debug、模版等均在此文件中配置。

三、简单示例

我了进一步加速对相关知识的理解，我们创建一个最为简单的程序，它能够实现的就是读取并显示当前系统OpenCV版本。我们需要改写以下文件：

url控制器　url.py

 
         from django.contrib 
         import admin 
         
         from django.urls 
         import path 
         
         from goApp import views 
         
urlpatterns 
         = [ 
         
    path( 
         'admin/', admin. 
         site.urls), 
         
          path('index/',views.index), 
         
]

视图 view.py

 
        from django.shortcuts 
        import render 
        
        from django.http import HttpResponse
import cv2

def index(request):
    return HttpResponse(cv2.__version__ )

以上代码中，标红的部分代表是新添加的，代码修改后，djangon会自动更新。运行结果如下：

需要注意到，goApp是我们新创建的app的名称，这里相当于在主目录中，引用我们的新编模块。

如果能够运行到这一步，那么证明OpenCV相关的引入工作已经没有问题。

四、融合GOWarper

在pybind11中，我们已经比较清楚地说明了如何使用python调用opencv算法。在我实际配置过程中，主要是遇到了路径配置问题。之前是将GOWarper*.so和*.py放在同一个目录下面，这对于测试或者单机来说可行；但是对于服务器来说往往不可行。解决方法是在引入中强制指定后头文件中引入GOPyWarper地址：比如以下目录：

 
        from django.shortcuts import render
from django.http import HttpResponse
import sys;
sys.path.append("/home/helu/sandbox/GOPyWarper0430/demo/bin")
import cv2
import GOPyWarper

def index(request):
    src = cv2.imread('/home/helu/sandbox/GOPyWarper0430/demo/pip.jpg',1) 
    rows,cols,ch=src.shape
    varCircles = GOPyWarper.GO_FindPips(src) 
    return HttpResponse(varCircles) 
       

其中

 
      sys.path.append( 
      "/home/helu/sandbox/GOPyWarper0430/demo/bin")

就是制定GOPyWarper0430的具体位置。

五、后端调用优缺点分析

优势是极大程度地扩展了OpenCV的使用范围，在以前图像算法大多是运行在PC机上面，通过这种方式，能够非常方便地在手机等消费类电器上进行部署，但是也需要进一步就时延和并发进行相关研究；后端调用能够比较方便地集成复杂和自研算法，对于实际项目来说很有帮助。

这种方法的缺点是可想而知的性能问题，因为OpenCV通过Python调用，再通过Django变成网络服务，这里面很多环节都是瓶颈，那么在实际项目过程中都需要在各个节点关口去做性能优化。

感谢阅读至此，希望有所帮助。