EV74 視覺前端節點

Neat 將 EV74 視覺前端圖表以一般方式呈現。 Graph 節點。請使用公開的節點工廠和選項結構體；請勿直接呼叫。 processcvu，或直接從應用程式碼中使用 ConfigManager 或分派器 API。

節點工廠	圖的名稱	圖的 ID	目的
nodes::FeatureHistogram / pyneat.nodes.feature_histogram	feature_histogram	235	灰階影像直方圖
nodes::GriderFast / pyneat.nodes.grider_fast	grider_fast	236	網格分佈的 FAST 特徵
nodes::TrackDescriptor / pyneat.nodes.track_descriptor	track_descriptor	237	快速特徵加上描述符
nodes::TrackKLT / pyneat.nodes.track_klt	track_klt	238	金字塔式 KLT 追蹤，可選擇性地包含偵測到的替換特徵

圖表 ID 對於診斷以及韌體/套件一致性檢查非常有用。它們並非應用程式碼中必需的。

張量收縮

所有張量都使用邏輯批次形狀。如果 batch_size == B，則灰階影像的形狀為 [B,H,W]，而不是 [B*H,W]。執行階段會內部處理所有 EV74 傳輸封裝。

節點	輸入	公開輸出
FeatureHistogram	input_image: UInt8 [B,H,W]	output_hist: Int32 [B,256]
GriderFast	input_image: UInt8 [B,H,W]	output_features: Int32 [B,1 + max_features*3]
TrackDescriptor	input_image: UInt8 [B,H,W]	output_features: Int32 [B,1 + max_features*3]; output_descriptors: Int32 [B,max_features,8]
TrackKLT	prev_image: UInt8 [B,H,W]; cur_image: UInt8 [B,H,W]; input_points: Int32 [B,num_points,2]	output_points: Float32 [B,num_points,2]; output_status: Int32 [B,num_points,1]; 此外，還有 output_features: Int32 [B,1 + max_features*3]，僅在 detect_new_features != 0時提供。

「特徵列表」張量採用此批次內佈局：

[count, x0, y0, score0, x1, y1, score1, ...]

目前的描述圖需要 descriptor_words == 8。更改此設定會導致 EV74 ABI 發生變更，並且在發送之前會被拒絕。

C++ 快速入門

#include <neat.h>

#include <cstdint>
#include <vector>

using namespace simaai::neat;

Tensor make_gray_batch(int width, int height, int batch) {
  std::vector<std::uint8_t> pixels(static_cast<std::size_t>(width) * height * batch);
  // Fill pixels in batch-major order: b*height*width + y*width + x.
  auto tensor = Tensor::from_vector(pixels, {batch, height, width}, TensorMemory::EV74);
  tensor.layout = TensorLayout::HW;
  tensor.axis_semantics = {TensorAxisSemantic::N, TensorAxisSemantic::H, TensorAxisSemantic::W};
  tensor.route.name = "input_image";
  tensor.route.segment_name = "input_image";
  return tensor;
}

int main() {
  constexpr int width = 320;
  constexpr int height = 240;
  constexpr int batch = 2;

  Graph graph;

  InputOptions input;
  input.payload_type = PayloadType::Tensor;
  input.format = FormatTag::UINT8;
  input.width = width;
  input.height = height;
  input.depth = 1;
  input.max_width = width;
  input.max_height = height * batch; // transport capacity; public tensor remains [B,H,W]
  input.max_depth = 1;
  input.memory_policy = InputMemoryPolicy::Ev74;
  input.buffer_name = "input_image";

  graph.add(nodes::Input(input));

  GriderFastOptions fast;
  fast.width = width;
  fast.height = height;
  fast.batch_size = batch;
  fast.max_features = 64;
  fast.threshold = 30;
  graph.add(nodes::GriderFast(fast));

  graph.add(nodes::Output());

  RunOptions run_opt;
  run_opt.output_memory = OutputMemory::Owned;

  Tensor image = make_gray_batch(width, height, batch);
  Run run = graph.build({image}, run_opt);
  TensorList outputs = run.run({image}, /*timeout_ms=*/30000);
  run.close();
}

具有三個輸入的 KLT

TrackKLT 會處理一組張量：先前的影像、目前的影像以及輸入點。請為這些路徑命名，使其與選項欄位相符。

TrackKLTOptions klt;
klt.width = 320;
klt.height = 240;
klt.batch_size = 2;
klt.num_points = 32;
klt.max_features = 64;
klt.detect_new_features = 1; // publish output_features as the third output

graph.add(nodes::TrackKLT(klt));

預期在啟用 detect_new_features == 1 時的公開輸出：

output_points   Float32 [2,32,2]
output_status   Int32   [2,32,1]
output_features Int32   [2,193]

當 detect_new_features == 0 啟動時，Neat 只會發布 output_points 和 output_status；可供 EV 檢視的功能緩衝區仍為內部執行階段設定。

Python 表面

Python API 模仿 C++ 的選項/工廠風格，並且刻意設計成分層式：建立一個選項物件，設定公開的組態，然後將節點新增到 Graph 中。

import numpy as np
import pyneat

width, height, batch = 320, 240, 2

opt = pyneat.GriderFastOptions()
opt.width = width
opt.height = height
opt.batch_size = batch
opt.max_features = 64
print(opt.summary())

graph = pyneat.Graph()
input_opt = pyneat.InputOptions()
input_opt.payload_type = pyneat.PayloadType.Tensor
input_opt.format = pyneat.Format.UINT8
input_opt.width = width
input_opt.height = height
input_opt.max_width = width
input_opt.max_height = height * batch
input_opt.memory_policy = pyneat.InputMemoryPolicy.Ev74
input_opt.buffer_name = "input_image"

graph.add(pyneat.nodes.input(input_opt))
graph.add(pyneat.nodes.grider_fast(opt))
graph.add(pyneat.nodes.output())

image_np = np.zeros((batch, height, width), dtype=np.uint8)
image = pyneat.Tensor.from_numpy(image_np, memory="ev74")
image.layout = pyneat.TensorLayout.HW
# If setting route metadata from Python in a custom app, keep it aligned with
# the option names used above.

安全檢查

這些節點會在 EV（電動車）調度之前驗證圖的邊界。它們會拒絕：

• 非正數的尺寸或數量；
• 不支援的批次大小；
• 超出 [0,255] 的閾值；
• 重複或空白的張量名稱；
• TrackDescriptorOptions.descriptor_words != 8;
• 無效的 KLT 視窗、層級和偵測模式值；
• 在預先分派協商期間，執行階段的張量大小不足。

這很重要，因為不合法的緩衝區可能會導致 EV74 出現問題。請將驗證失敗視為主機端的錯誤，並且不要繞過節點合約路徑。

快速驗證指令

快速的客戶端式 DevKit 閘道是：

ctest --test-dir /workspace/core_graph_changes/build/tests \
  -R visual_frontend_ --output-on-failure

它正在執行：

• 包含所有四個視覺圖，分別為 320x240、batch_size=2 和 detect_new_features=1。
• 針對特定 KLT 進行的無偵測 ABI 檢查；
• 一個在發送之前執行的負面安全檢查，用於確認是否存在非法的批次輸入。 在 EV74 之前已被拒絕。