当前位置：首页 > 操作系统 > 正文内容

《DNK210使用指南 -CanMV版 V1.0》第四十一章 YOLO2物体检测试验

邻居的猫1个月前 (12-09)操作系统1144

第四十一章 YOLO2物体检测试验

1）试验渠道：正点原子DNK210开发板

2）章节摘自【正点原子】DNK210运用指南 - CanMV版 V1.0

3）购买链接：https://detail.tmall.com/item.htm?&id=782801398750

4）全套试验源码+手册+视频下载地址：http://www.openedv.com/docs/boards/k210/ATK-DNK210.html

5）正点原子官方B站：https://space.bilibili.com/394620890

6）正点原子K210技术交流企鹅群:605557868

在上一章节中，介绍了运用maix.KPU模块完成YOLO2的人手检测，本章将持续介绍运用maix.KPU模块完成YOLO2的物体检测。经过本章的学习，读者将学习到YOLO2网络的物体检测应用在CanMV上的完成。
本章分为如下几个末节：
41.1 maix.KPU模块介绍
41.2 硬件规划
41.3 程序规划
41.4 运转验证

41.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第39.1末节《maix.KPU模块介绍》。

41.2 硬件规划
41.2.1 例程功用

获取摄像头输出的图画，并送入KPU进行YOLO2的物体检测模型运算，后将运算成果和摄像头输出的图画一同显现在LCD上。

41.2.2 硬件资源
本章试验内容，首要解说maix.KPU模块的运用，无需重视硬件资源。
41.2.3 原理图
本章试验内容，首要解说maix.KPU模块的运用，无需重视原理图。

41.3 程序规划
41.3.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第41.1末节《maix.KPU模块介绍》。
41.3.2 程序流程图

图41.3.2.1 YOLO2人手检测试验流程图

41.3.3 main.py代码
main.py中的脚本代码如下所示：

import lcd
import sensor
import image
import gc
from maix import KPU
lcd.init()
sensor.reset()
sensor.set_framesize(sensor.QVGA)
sensor.set_pixformat(sensor.RGB565)
sensor.set_hmirror(False)
resize_img = image.Image(size=(320, 256))
anchor = (1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071)
names = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable",
 "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
# 结构KPU目标
object_detecter = KPU()
# 加载模型文件
object_detecter.load_kmodel("/sd/KPU/voc20_detect.kmodel")
# 初始化YOLO2网络
object_detecter.init_yolo2(anchor, anchor_num=len(anchor) // 2, img_w=320, img_h=240, net_w=320, net_h=256,
 layer_w=10, layer_h=8, threshold=0.5, nms_value=0.2, classes=len(names))
while True:
    img= sensor.snapshot()
   resize_img.draw_image(img, 0, 0).pix_to_ai()
    # 进行KPU运算
   object_detecter.run_with_output(resize_img)
    # 进行YOLO2运算
   objects = object_detecter.regionlayer_yolo2()
    for object in objects:
       img.draw_rectangle(object[0], object[1], object[2], object[3], color=(0, 255, 0))
       img.draw_string(object[0] + 2, object[1] + 2, "%.2f" % (object[5]), color=(0, 255, 0))
       img.draw_string(object[0] + 2, object[1] + 10, names[object[4]], color=(0, 255, 0))
    lcd.display(img)
    gc.collect()

能够看到一开端是先初始化了LCD和摄像头。
接着是结构一个KPU目标，并从文件体系中加载YOLO2人手检测网络需求用到的网络模型，并初始化YOLO2网络。
然后就是在一个循环中不断地获取摄像头输出的图画，因为网络需求的图画尺度与摄像头直接输出的图画尺度不一致，因而将其复制到网络需求的图画尺度的图画上，再并将其送入KPU中进行运算，然后再进行YOLO2网络运算，最终便得到网络识别出物体在输入图画上的一些信息，将这些信息制作到图画上后，在LCD上显现图画。

41.4 运转验证
将DNK210开发板衔接CanMV IDE，点击CanMV IDE上的“开端(运转脚本)”按钮后，将摄像头对准物体，让其收集到物体图画，随后便能在LCD上看到摄像头输出的图画，一起图画中的物体均被绿色的矩形框框出，并在矩形框内的左上角标出了物体的称号和置信度，如下图所示：

图41.4.1 LCD显现YOLO2物体检测成果