企业官网建设流程全解析

MediaPipe 跨平台视觉AI环境即搭即用指南

【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipe

做移动端或桌面端的人脸检测、手势识别、姿态估计时，通常要自己处理摄像头取流、模型推理、结果渲染这一整条链路。MediaPipe 把这条链路封装为跨平台机器学习框架，内置预训练模型，覆盖人脸检测、手势识别、姿态估计、物体追踪等场景，同一套图（graph）配置可在 Android、iOS、桌面与 Web 之间复用。本文只解决一件事：把 MediaPipe 在本机构建起来并验证通过。

🧩 开始前：环境要求

📦 获取代码与依赖

先拿源码，再装依赖。

git clone https://gitcode.com/GitHub_Trending/med/mediapipe cd mediapipe

依赖按平台分叉：

• Linux / WSL：用发行版包管理器装预编译 OpenCV（libopencv-*.dev，FFmpeg 经libopencv-video-dev带入），再装 Bazelisk 与 Python 3。
• macOS：Homebrew 装opencv@3与 Bazelisk，xcode-select --install补齐命令行工具。
• Windows：MSYS2 + Visual C++ Build Tools 2019 + WinSDK，OpenCV 3.4.10 离线安装，并设置BAZEL_VS等变量。

⚙️ 构建并验证

执行最小验证命令，它会把 hello_world 编译并运行一次：

bazel run --define MEDIAPIPE_DISABLE_GPU=1 mediapipe/examples/desktop/hello_world:hello_world

终端连续打印 10 行Hello World!，即环境可用。该命令运行 hello_world.cc 中定义的一张串联两个 PassThroughCalculator 的简单图，用于确认 Bazel、OpenCV 与 Python 解释器三者都已就绪。

🖼️ 在示例目录里体验

桌面示例集中在 mediapipe/examples/desktop/，推荐从 face_detection/ 入手；每个示例的BUILD文件都带一条可运行的样例命令，注明 graph 配置文件与输入输出路径。移动端对应 mediapipe/examples/android/ 与 mediapipe/examples/ios/。

🧯 常见问题速查

• 找不到 Python 解释器（local_execution_config_python报错）→ Bazel 定位不到 python 二进制 → 追加--action_env PYTHON_BIN_PATH=$(which python3)。
• No module named numpy→ 缺少 Python 依赖包 → 用pip3 install装上对应包。
• undefined reference to cv::...→ OpenCV 未按仓库配置指向 → 按 install.md 调整WORKSPACE与opencv_*.BUILD。
• 拉取org_tensorflow等远程依赖超时 → 网络/镜像不可达 → 配置代理或bazel clean --expunge后重试。
• pip install mediapipe找不到版本 → 系统不在 64 位支持列表 → 换 x86_64 Linux/macOS 或 amd64 Windows。

📚 接下来

• 想理解 Packet、Graph、Calculator 三大核心概念：读 docs/framework_concepts/。
• 想排查构建或调 GPU：看 docs/getting_started/troubleshooting.md。
• 想改模型而非只跑示例：进 mediapipe/model_maker/ 用 Model Maker 微调。

完成这些之后，你现在可以构建任意 desktop 示例，或把同一张 graph 部署到 Android 与 iOS 应用里。

【免费下载链接】mediapipeCross-platform, customizable ML solutions for live and streaming media.项目地址: https://gitcode.com/GitHub_Trending/med/mediapipe