import os.path
from model.plugins.ModelBase import ModelBase
from myutils.ConfigManager import myCongif
from model.base_model.ascnedcl.det_utils import get_labels_from_txt, letterbox, scale_coords, nms, draw_bbox  # 模型前后处理相关函数
import cv2
import numpy as np
import torch  # 深度学习运算框架，此处主要用来处理数据

class Model(ModelBase):
    def __init__(self,path,threshold=0.5):
        # 找pt模型路径  -- 一个约束py文件和模型文件的路径关系需要固定， -- 上传模型时，要解压好路径
        dirpath, filename = os.path.split(path)
        self.model_file = os.path.join(dirpath, "yolov5s_bs1.om")  # 目前约束模型文件和py文件在同一目录
        self.coco_file = os.path.join(dirpath, "coco_names.txt")
        super().__init__(self.model_file)     #acl环境初始化基类负责类的实例化
        self.model_id = None  # 模型 id
        self.input_dataset = None  # 输入数据结构
        self.output_dataset = None  # 输出数据结构
        self.model_desc = None  # 模型描述信息
        self._input_num = 0  # 输入数据个数
        self._output_num = 0  # 输出数据个数
        self._output_info = []  # 输出信息列表
        self._is_released = False  # 资源是否被释放
        self.name = "人员入侵"
        self.version = "V1.0"
        self.model_type = 2

        self.neth = 640  # 缩放的目标高度, 也即模型的输入高度
        self.netw = 640  # 缩放的目标宽度, 也即模型的输入宽度
        self.conf_threshold = threshold  # 置信度阈值

        self._init_acl()
        self.init_ok = True
        if not self._init_resource():
            print("加载模型文件失败！")
            self.init_ok = False


    def __del__(self):
        if self.init_ok:
            self.release()
        self._del_acl()


    def verify(self,image,data,isdraw=1):
        labels_dict = get_labels_from_txt('/mnt/zfbox/model/plugins/RYRQ_ACL/coco_names.txt')  # 得到类别信息，返回序号与类别对应的字典
        # 数据前处理
        img, scale_ratio, pad_size = letterbox(image, new_shape=[640, 640])  # 对图像进行缩放与填充
        img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, HWC to CHW     #图片在输入时已经做了转换
        img = np.ascontiguousarray(img, dtype=np.float32) / 255.0  # 转换为内存连续存储的数组

        # 模型推理, 得到模型输出
        output = self.execute([img,])[0]

        # 后处理 -- boxout 是 tensor-list: [tensor([[],[].[]])] --[x1,y1,x2,y2,置信度,coco_index]
        boxout = nms(torch.tensor(output), conf_thres=0.4,
                     iou_thres=0.5)  # 利用非极大值抑制处理模型输出，conf_thres 为置信度阈值，iou_thres 为iou阈值
        pred_all = boxout[0].numpy()  # 转换为numpy数组  -- [[],[],[]] --[x1,y1,x2,y2,置信度,coco_index]
        # pred_all[:, :4] 取所有行的前4列，pred_all[:,1]--第一列
        scale_coords([640, 640], pred_all[:, :4], image.shape, ratio_pad=(scale_ratio, pad_size))  # 将推理结果缩放到原始图片大小

        bwarn = False
        warn_text = ""
        #是否有检测区域，有先绘制检测区域 由于在该函数生成了polygon对象，所有需要在检测区域前调用。
        if data[1] == 1:
            self.draw_polygon(image,data[2],(255,0,0))
        #过滤掉不是目标标签的数据
        filtered_pred_all = pred_all[pred_all[:, 5] == 0]
        # 绘制检测结果 --- 也需要封装在类里，
        for pred in filtered_pred_all:
            x1, y1, x2, y2 = int(pred[0]), int(pred[1]), int(pred[2]), int(pred[3])
            # # 绘制目标识别的锚框  --已经在draw_bbox里处理
            # cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
            if data[1] == 1:  # 指定了检测区域
                x_center = (x1 + x2) / 2
                y_center = (y1 + y2) / 2
                #绘制中心点？
                cv2.circle(image, (int(x_center), int(y_center)), 5, (0, 0, 255), -1)
                #判断是否区域点
                if not self.is_point_in_region((x_center, y_center)):
                    continue #没产生报警-继续
            #产生报警
            bwarn = True
            warn_text = "Intruder detected!"
        img_dw = draw_bbox(filtered_pred_all, image, (0, 255, 0), 2, labels_dict)  # 画出检测框、类别、概率
        cv2.imwrite('img_res.png', img_dw)
        return filtered_pred_all, False, ""


    def testRun(self):
        print("1111")