MediaPipe 0.10.0 ~ latest更换API ：

MediaPipe 从 0.10.x 版本开始全面重构了 API，彻底废弃了旧版的 solutions 模块（比如 mp.solutions.face_mesh、mp.solutions.pose 等写法），统一使用新的 tasks 模块 + 独立的 vision/text/audio 子模块 替代。

如果与遇到报错：
AttributeError: module ‘mediapipe’ has no attribute ‘solutions’

可以先检查版本：

import mediapipe as mp
print(mp.__version__) #看版本
print(dir(mp)) #看模块

方案1

重新安装低版本

1. 卸载

# 强制安装特定版本
pip uninstall mediapipe
 
# 手动安装冲突依赖
pip uninstall numpy

2. 重新强制安装

# 强制安装特定版本
pip install mediapipe==0.9.1 --force-reinstall
 
# 手动安装冲突依赖
pip install numpy==1.21.6 six==1.16.0

3. 检查版本

方案2：

用新的版本

关键变化

• 不再用 solutions：直接删除所有 mp.solutions 相关代码
• 必须下载模型文件：新版需要本地 .task 模型文件（旧版是内置的）
• 初始化方式完全不同：旧版是创建解决方案实例，新版是创建检测器 / 标记器
• 输入输出格式：统一使用 mp.Image 包装图像数据

模型地址

🔥 视觉类（最常用，优先存）

1. 人脸关键点 / 人脸网格（FaceLandmarker）
   用途：人脸 468 关键点、虹膜、嘴唇、表情
   下载：https://storage.googleapis.com/mediapipe-models/face_landmarker/face_landmarker/float16/1/face_landmarker.task
2. 手部关键点（HandLandmarker）
   用途：单手 / 双手 21 个关节点
   下载：https://storage.googleapis.com/mediapipe-models/hand_landmarker/hand_landmarker/float16/1/hand_landmarker.task
3. 姿态估计（PoseLandmarker）
   用途：全身 33 个关键点
   下载：https://storage.googleapis.com/mediapipe-models/pose_landmarker/pose_landmarker_lite/float16/1/pose_landmarker_lite.task
4. 人脸检测（FaceDetector）
   用途：只检测人脸框，不关键点
   下载：https://storage.googleapis.com/mediapipe-models/face_detector/blaze_face_short_range/float16/1/blaze_face_short_range.tflite
5. 全身融合（HolisticLandmarker）
   用途：人脸 + 手势 + 姿态 一体检测
   下载：https://storage.googleapis.com/mediapipe-models/holistic_landmarker/holistic_landmarker/float16/1/holistic_landmarker.task
6. 人像分割（SelfieSegmentation）
   用途：抠图、背景虚化
   下载：https://storage.googleapis.com/mediapipe-models/image_segmenter/selfie_multiclass_256x256/float16/1/selfie_multiclass_256x256.task
7. 手势识别（GestureRecognizer）
   用途：识别数字、点赞、OK、拳头等手势
   下载：https://storage.googleapis.com/mediapipe-models/gesture_recognizer/gesture_recognizer/float16/1/gesture_recognizer.task
   🎯 目标检测 / 常用小模型
8. 高效目标检测
   下载：https://storage.googleapis.com/mediapipe-models/object_detector/efficientdet_lite0/float16/1/efficientdet_lite0.tflite
9. 分类模型（ImageClassifier）
   下载：https://storage.googleapis.com/mediapipe-models/image_classifier/efficientnet_lite0/float16/1/efficientnet_lite0.tflite

案例

import cv2
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

# 初始化检测器
base_options = python.BaseOptions(model_asset_path='./tasks/hand_landmarker.task')
options = vision.HandLandmarkerOptions(
    base_options=base_options,
    num_hands=2
)
detector = vision.HandLandmarker.create_from_options(options)

mp_hands = mp.tasks.vision.HandLandmarksConnections  #手部关键点连接关系（官方定义好的骨头连线）
mp_drawing = mp.tasks.vision.drawing_utils ## 绘图工具（画关键点、连线）
mp_drawing_styles = mp.tasks.vision.drawing_styles ## 绘图样式（关键点颜色、大小、连线颜色）

MARGIN = 10  # pixels
FONT_SIZE = 1
FONT_THICKNESS = 1
HANDEDNESS_TEXT_COLOR = (88, 205, 54) # vibrant green

def draw_landmarks_on_image(rgb_image, detection_result):
  hand_landmarks_list = detection_result.hand_landmarks # 所有关键点
  handedness_list = detection_result.handedness # 左右手判断结果
  annotated_image = np.copy(rgb_image) #复制原图

   # 循环处理每一只检测到的手
  for idx in range(len(hand_landmarks_list)):
    # 当前这只手的关键点
    hand_landmarks = hand_landmarks_list[idx]
    # 当前这只手的左右手信息
    handedness = handedness_list[idx]

    # Draw the hand landmarks.画出手部关键点 + 连线
    mp_drawing.draw_landmarks(
      annotated_image, # # 要画在哪个图上
      hand_landmarks, # 关键点数据
      mp_hands.HAND_CONNECTIONS, # 连线规则（官方定义好的）
      mp_drawing_styles.get_default_hand_landmarks_style(), # 关键点样式
      mp_drawing_styles.get_default_hand_connections_style())  # 连线样式

    # Get the top left corner of the detected hand's bounding box.计算文字位置（左手/右手标签）
    height, width, _ = annotated_image.shape # 获取图片宽高
    x_coordinates = [landmark.x for landmark in hand_landmarks] # x坐标
    y_coordinates = [landmark.y for landmark in hand_landmarks] #y坐标
    # 找到手部最左侧、最上方的坐标 → 文字放在这里
    text_x = int(min(x_coordinates) * width)
    text_y = int(min(y_coordinates) * height) - MARGIN

    # Draw handedness (left or right hand) on the image.
    cv2.putText(
            annotated_image,                # 目标图像
            f"{handedness[0].category_name}", # 文字：Left 或 Right
            (text_x, text_y),               # 文字位置
            cv2.FONT_HERSHEY_DUPLEX,        # 字体
            FONT_SIZE,                      # 大小
            HANDEDNESS_TEXT_COLOR,          # 颜色
            FONT_THICKNESS,                 # 粗细
            cv2.LINE_AA                     # 抗锯齿
        )

  return annotated_image
# 处理图像
image = cv2.imread("./imgs/test.jpg")
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=cv2.cvtColor(image, cv2.COLOR_BGR2RGB))

# 检测
detection_result = detector.detect(mp_image)

# 2. 绘制关键点（图）
annotated_img = draw_landmarks_on_image(cv2.cvtColor(image, cv2.COLOR_BGR2RGB), detection_result)

# ======================
# ✅ 新增：保存图片到 imgs 文件夹
# ======================
import os

if not os.path.exists("imgs"):
    os.makedirs("imgs")

# 保存（必须转 BGR）
cv2.imwrite("imgs/hand_result.jpg", cv2.cvtColor(annotated_img, cv2.COLOR_RGB2BGR))
print("✅ 结果已保存到：imgs/hand_result.jpg")

# 3. 显示
cv2.imshow("Result", cv2.cvtColor(annotated_img, cv2.COLOR_RGB2BGR))
cv2.waitKey(0)
cv2.destroyAllWindows()