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
from core.ACLModelManager import ACLModeManger

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-yolov5"
        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

        #加载ACL模型文件---模型加载、模型执行、模型卸载的操作必须在同一个Context下
        if self._init_resource():  #加载离线模型，创建输出缓冲区
            print("加载模型文件成功！")
            self.init_ok = True


    def __del__(self):
        #卸载ACL模型文件
        if self.init_ok:
            self.release()


    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
        outputs = None
        #outputs = self.execute([img,])#创建input，执行模型，返回结果 --失败返回None

        filtered_pred_all = None
        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))

        if outputs:
            output = outputs[0] #只放了一张图片
            # 后处理 -- boxout 是 tensor-list: [tensor([[],[].[]])] --[x1,y1,x2,y2,置信度,coco_index]
            boxout = nms(torch.tensor(output), conf_thres=0.3,
                         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
            #过滤掉不是目标标签的数据  -- 序号0-- person
            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 -- 有一个符合即可
                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, bwarn, warn_text

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