DXcam 项目使用教程
1. 项目介绍
DXcam 是一个基于 Python 的高性能屏幕捕捉库,专为 Windows 系统设计,使用 Desktop Duplication API 实现。它能够以超过 240Hz 的频率进行屏幕捕捉,适用于需要高帧率捕捉的场景,如深度学习管道中的 FPS 游戏分析。与现有的 Python 解决方案(如 python-mss 和 D3DShot)相比,DXcam 提供了更快的捕捉速度、对 Direct3D 独占全屏应用的无干扰捕捉、自动处理缩放/拉伸分辨率、以及在捕捉模式下精确的 FPS 目标设定。
2. 项目快速启动
安装
从 PyPI 安装 DXcam:
pip install dxcam
如果需要同时安装 OpenCV(DXcam 依赖 OpenCV 进行颜色空间转换),可以使用以下命令:
pip install dxcam[cv2]
基本使用
以下是一个简单的示例,展示如何使用 DXcam 进行屏幕截图:
import dxcam
# 创建一个 DXCamera 实例
camera = dxcam.create()
# 进行屏幕截图
frame = camera.grab()
# 显示截图
from PIL import Image
Image.fromarray(frame).show()
区域截图
如果你想捕捉屏幕的特定区域,可以使用 region 参数:
left, top = (1920 - 640) // 2, (1080 - 640) // 2
right, bottom = left + 640, top + 640
region = (left, top, right, bottom)
frame = camera.grab(region=region)
屏幕捕捉
启动屏幕捕捉并获取最新帧:
camera.start(region=(left, top, right, bottom))
for i in range(1000):
image = camera.get_latest_frame()
camera.stop()
3. 应用案例和最佳实践
深度学习中的屏幕捕捉
DXcam 特别适用于需要高帧率屏幕捕捉的深度学习应用,如 FPS 游戏中的实时分析。以下是一个简单的示例,展示如何将捕捉到的帧用于深度学习模型的输入:
import dxcam
import torch
camera = dxcam.create()
camera.start()
model = torch.load('your_model.pth')
for i in range(1000):
frame = camera.get_latest_frame()
if frame is not None:
# 预处理帧
input_tensor = preprocess(frame)
# 模型推理
output = model(input_tensor)
# 处理输出
process_output(output)
camera.stop()
视频录制
DXcam 还可以用于视频录制,特别是在需要高帧率录制的场景中:
import dxcam
import cv2
target_fps = 120
camera = dxcam.create(output_idx=0, output_color="BGR")
camera.start(target_fps=target_fps, video_mode=True)
writer = cv2.VideoWriter(
"video.mp4", cv2.VideoWriter_fourcc(*"mp4v"), target_fps, (1920, 1080)
)
for i in range(600):
writer.write(camera.get_latest_frame())
camera.stop()
writer.release()
4. 典型生态项目
OpenCV
OpenCV 是一个开源的计算机视觉库,广泛用于图像处理和视频分析。DXcam 与 OpenCV 的集成非常紧密,可以直接将捕捉到的帧用于 OpenCV 的图像处理任务。
PyTorch
PyTorch 是一个流行的深度学习框架,DXcam 捕捉到的帧可以直接用于 PyTorch 模型的输入,适用于实时分析和训练。
PIL (Pillow)
Pillow 是 Python 的一个图像处理库,DXcam 捕捉到的帧可以直接转换为 PIL 图像对象进行进一步处理。
通过这些生态项目的集成,DXcam 可以广泛应用于各种需要高帧率屏幕捕捉的场景,如游戏分析、实时监控、视频录制等。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00