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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00