企业官网建设流程全解析

MediaPipe 环境搭建指南：4 条命令从克隆仓库到跑通实时人脸检测

【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

MediaPipe 是谷歌开源的跨平台机器学习框架，用于在摄像头流或视频上实时完成人脸检测、手势识别、姿态估计、物体检测。这篇指南给出两条经过验证的 MediaPipe 环境搭建路径：源码构建和 pip 安装。照做之后，你能在本机编译并运行一个实时人脸检测程序，或者用 Python 包直接调用现成视觉能力。

先定路线：源码构建还是 pip 安装

两条路线对应两种目标，先选一条再动手：

只调用现成能力走 pip 路线；要改图或编译 Android/iOS 示例走源码路线。本文两条都写全，可只按你选定的那条执行。

源码路线的环境准备：Bazel 与 OpenCV

以 Ubuntu/Debian 为例，macOS 与 Windows 的安装差异见 docs/getting_started/install.md 对应章节。

1. 安装 Bazelisk，它是 Bazel 的版本管理器，运行bazel时自动选用项目要求的构建版本。
2. 安装 OpenCV 开发库，FFmpeg 随视频模块一并装上：

sudo apt-get install -y libopencv-core-dev libopencv-highgui-dev \ libopencv-calib3d-dev libopencv-features2d-dev \ libopencv-imgproc-dev libopencv-video-dev

成功标志：输出Setting up libopencv-video-dev (...)，且没有E: Unable to locate package报错。注意：Ubuntu 20.04 自带 OpenCV 4，需要按官方文档调整 third_party/opencv_linux.BUILD 中的头文件路径；OpenCV 3 则开箱即用。

克隆仓库并完成首次构建

克隆源码并进入根目录：

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

然后编译官方最小示例 hello_world，它是一条由两个透传节点串成的最小计算图：

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

其中--define MEDIAPIPE_DISABLE_GPU=1声明本次构建不使用 GPU，桌面 CPU 构建必须带这个参数。首次构建会下载数百 MB 依赖，耗时较长属正常现象。

验证标准：连续 10 行 Hello World

运行成功后，终端连续输出 10 行Hello World!（每行带时间戳前缀）。这个示例的完整过程是：创建两节点图，向输入流写入 10 个字符串数据包，再从输出流逐个读回打印。10 行齐全，说明 Bazel、OpenCV 链接、图运行时三件事都通了。任何一步报错，直接跳到最后面的排查章节。

跑通真实视觉任务：实时人脸检测

环境验证通过后，构建人脸检测桌面示例（短距模型，适合约 20cm~4m 的人脸）：

bazel run --define MEDIAPIPE_DISABLE_GPU=1 \ mediapipe/examples/desktop/face_detection:face_detection_cpu \ -- --calculator_graph_config_file=mediapipe/graphs/face_detection/face_detection_desktop_live.pbtxt

程序会打开摄像头并弹出名为 MediaPipe 的窗口，画面里的人脸被检测框标出。这一步完成了真实闭环：图像帧从摄像头进入计算图，检测模型输出框坐标，渲染器把框画回画面。

没有摄像头时，给程序追加--input_video_path=你的视频文件参数，即可用本地视频代替实时画面。视觉流水线的输入图像长这样：

pip 路线的验证只需两条命令：

pip install mediapipe python3 -c "import mediapipe as mp; print(mp.__version__)"

成功标志：Successfully installed mediapipe-x.x.x，随后打印版本号。之后即可用mp.solutions.face_detection直接调用，物体检测任务的测试输入如下：

构建失败的三个排查点

按报错关键词定位，完整解法见 docs/getting_started/troubleshooting.md：

1. 找不到 Python 二进制（fetch of repository 'local_execution_config_python'）：在 bazel 命令末尾追加--action_env PYTHON_BIN_PATH=$(which python3)。
2. 依赖下载失败（Error downloading、Connection timed out）：多为首次构建拉取依赖受阻，换稳定网络或配置代理后重试；仍失败先执行bazel clean --expunge再重来。
3. OpenCV 链接错误（undefined reference to cv::...）：说明 WORKSPACE 指向的 OpenCV 路径与机器实际安装不一致，核对 third_party/opencv_linux.BUILD 中的 linkopts 与头文件路径。

按平台继续：移动端与 Web 的入口

• Android：在 Docker 环境先运行bash ./setup_android_sdk_and_ndk.sh，再用bazel build -c opt --config=android_arm64构建目标，示例工程在 mediapipe/examples/android/。
• iOS：Xcode 工程位于 mediapipe/examples/ios/。
• Web：TypeScript 接口与 WASM 构建位于 mediapipe/tasks/web/。
• 想理解图（Graph）、节点（Calculator）、数据包（Packet）三个核心概念，读 docs/framework_concepts/framework_concepts.md。

下一步建议：把人脸检测程序的--input_video_path换成你自己的视频文件，确认检测框随画面中的人移动，这套环境就算真正可用了。

【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