Hailo Inference Module
 
This module provides functionality to perform asynchronous inference using the Hailo platform.
It supports running multiple models concurrently, configuring network groups, and handling inference pipelines.
 
Classes:
    - HailoInferenceAsyncMultiModel: Manages multiple inference models on a Hailo device.
 
Functions:
    - initialize_inference_models: Initializes face detection and face landmarks models for inference.
 
Dependencies:
    - hailo_platform: For Hailo device and model configuration.
    - numpy: For numerical operations and input data manipulation.
    - subprocess: For interacting with external commands (e.g., `hailortcli`).
 
Usage:
    Use the `initialize_inference_models` function to set up models for face detection and landmarks inference.
 
Author:
    Lior Jigalo
 
License:
    MIT

Modules
		numpy subprocess

Classes
		builtins.object HailoInferenceAsyncMultiModel   class HailoInferenceAsyncMultiModel(builtins.object)     HailoInferenceAsyncMultiModel(model_paths, input_types=('UINT8', 'UINT8'), output_types=('UINT8', 'UINT8'))   Manages multiple inference models on a Hailo device.   This class handles the configuration of two models, their network groups, input/output stream parameters, and provides methods to run inference on the models.   Attributes:     model_paths (tuple): Paths to the HEF files for the two models.     models (dict): Contains model-specific configuration and parameters.     target (VDevice): Represents the Hailo VDevice.   Methods:     __init__: Initializes the inference object with two models.     _get_hailo_architecture: Detects the Hailo device architecture.     _load_model: Configures a model and sets up its network group.     get_input_shape: Returns the shape of the input layer for a specific model.     run: Executes inference on the specified model.     release_device: Releases the Hailo VDevice.     Methods defined here: __init__(self, model_paths, input_types=('UINT8', 'UINT8'), output_types=('UINT8', 'UINT8')) Initialize the Hailo inference object with two models.   Args:     model_paths (tuple): Paths to the two HEF files.     input_types (tuple): Input types for the two models (default: UINT8).     output_types (tuple): Output types for the two models (default: UINT8). get_input_shape(self, model_id=1) Return the shape of the input layer for a specific model.   Args:     model_id (int): The ID of the model (1 or 2).   Returns:     tuple: Shape of the input layer. release_device(self) Release the VDevice. run(self, model_id, input_data) Run inference on the specified model.   Args:     model_id (int): The ID of the model (1 or 2).     input_data (np.ndarray): The input data for inference.   Returns:     dict: Output data from the inference. Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)

Functions
		initialize_inference_models(face_det_path, face_landmark_path) Initializes the Hailo inference models for face detection and face landmarks.   Args:     face_det_path (str): Path to the face detection HEF file.     face_landmark_path (str): Path to the face landmarks HEF file.   Returns:     tuple: Contains the following:         - hailo_inference (HailoInferenceAsyncMultiModel): Initialized inference object.         - face_detection_input_shape (tuple): Input shape for the face detection model.         - face_landmarks_input_shape (tuple): Input shape for the face landmarks model.         - face_land_output_name (str): Name of the output stream for the landmarks model.