当前位置：首页 > news >正文

保定哪做网站好化妆品网站开发步骤

news 2025/9/17 6:34:17

保定哪做网站好,化妆品网站开发步骤,个人做跨境电商怎么开始,福州做推广有哪些网站本文介绍了一种基于嵌入式平台开发的图像识别部署装置，其主要功能包括实现机器与人的“猜拳博弈”，其组成分为三个部分：手势检测数据集图像识别模型训练模型格式部署maixbit开发板部署手势检测数据集：本项目的数据集包括三种标签&…

本文介绍了一种基于嵌入式平台开发的图像识别部署装置，其主要功能包括实现机器与人的“猜拳博弈”，其组成分为三个部分：

手势检测数据集

图像识别模型训练

模型格式部署

maixbit开发板部署

手势检测数据集：本项目的数据集包括三种标签：石头，剪刀，布。数据集采用的是自己采集，自行采集数据集有两个优点：1.对最终的部署于maixbit开发板进行识别更加具有针对性；2.可以任意控制数据集的数量。

如上图所示：maixpy提供了线上的数据集制作平台，进行训练集以及验证集的编写，通过手动标注数据集，由于本项目中所使用的是图像分类的识别模型，不需要进行手动标注。

数据集的样本采集方式使用手机端进行直接的训练样本采集,上传至maixHub的后端服务器，图像样本以及对应的标签。

选取模型进行模型的训练，使用的分类模型为mobilenet，进行数据集的拟合。

踩坑经验:数据集三种标签的样本采集数量应该严格相等，同时尽可能数量多，不低于80张采集样本图片。模型选择方面，仅支持官方推荐的几种模型，也是因为芯片的RAM较小，并且其中固件占据了太多部分的内存。

选择部署方式，本项目最终部署的平台是maixBit开发板，因此适用于nncase的部署方式，如果选择部署于树莓派与安卓平台时，可以选择ncnn的部署方式。

配置项选择全部结束，创建训练任务，日志平台进行训练日志的监控，主要包括损失函数loss的下降趋势监控，以及模型acc准确率的显示等，训练完成的模型进行终端部署相关操作。

maixhub帮助我们实现了一个初步的推理代码，实现部署直接应用模型，即可实现调用maixbit开发进行模型的图像识别。

import sensor, image, lcd, time
import KPU as kpu
import gc, sysinput_size = (224, 224)
labels = ['cloth', 'Scissors', 'Stone']def lcd_show_except(e):import uioerr_str = uio.StringIO()sys.print_exception(e, err_str)err_str = err_str.getvalue()img = image.Image(size=input_size)img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))lcd.display(img)def main(labels = None, model_addr="/sd/m.kmodel", sensor_window=input_size, lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_windowing(sensor_window)sensor.set_hmirror(sensor_hmirror)sensor.set_vflip(sensor_vflip)sensor.run(1)lcd.init(type=1)lcd.rotation(lcd_rotation)lcd.clear(lcd.WHITE)if not labels:with open('labels.txt','r') as f:exec(f.read())if not labels:print("no labels.txt")img = image.Image(size=(320, 240))img.draw_string(90, 110, "no labels.txt", color=(255, 0, 0), scale=2)lcd.display(img)return 1try:img = image.Image("startup.jpg")lcd.display(img)except Exception:img = image.Image(size=(320, 240))img.draw_string(90, 110, "loading model...", color=(255, 255, 255), scale=2)lcd.display(img)try:task = Nonetask = kpu.load(model_addr)while(True):img = sensor.snapshot()t = time.ticks_ms()fmap = kpu.forward(task, img)t = time.ticks_ms() - tplist=fmap[:]pmax=max(plist)max_index=plist.index(pmax)img.draw_string(0,0, "%.2f : %s" %(pmax, labels[max_index].strip()), scale=2, color=(255, 0, 0))img.draw_string(0, 200, "t:%dms" %(t), scale=2, color=(255, 0, 0))lcd.display(img)except Exception as e:raise efinally:if not task is None:kpu.deinit(task)if __name__ == "__main__":try:# main(labels=labels, model_addr=0x300000)main(labels=labels, model_addr="/sd/model-26548.kmodel")except Exception as e:sys.print_exception(e)lcd_show_except(e)finally:gc.collect()

maixbit开发使用摄像头以及LCD屏幕进行图像的结果显示，包括实时视频检测的结果以及模型识别的推理时间，进行显示。

maix bit主板示意图如下图所示：

maix bit开发板示意图

maix bit开发板的内部包含KPU神经网络处理器，类似华为的NPU芯片，可以加快模型的推理速度。

目前手上有可以识别石头剪刀布三种手势的模型设备，需要进行人机交互层面的实现工作。

选取上电运行的主界面图片：

具体需要实现的交互功能为根据人的手势，识别其具体的手势类别，再做出相应的手势反应。

主界面的上电运行图片进行实际的切分，分为剪刀图片，石头图片以及布图片：

三种手势图片

图片进行显示预处理，maix bit开发板的显示屏采用的LCD液晶显示屏，其如下图所示：

其显示屏的参数对于项目的区别在于320x240的视频显示分辨率，因此其主界面的图片显示应调整分辨率为320x240的图像分辨率，这里使用的是画图软件，进行图片大小的调整。

部署模型Python代码如下所示：

import sensor, image, lcd, time
import KPU as kpu
import gc, sys
input_size = (224, 224)
labels = ['cloth', 'Scissors', 'Stone']
cloth_pic = "/sd/bu.jpg"
Scissors_pic = "/sd/jian.jpg"
Stone_pic = "/sd/shi.jpg"
def lcd_show_except(e):import uioerr_str = uio.StringIO()sys.print_exception(e, err_str)err_str = err_str.getvalue()img = image.Image(size=input_size)img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))lcd.display(img)
def main(labels = None, model_addr="", sensor_window=input_size, lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_windowing(sensor_window)sensor.set_hmirror(sensor_hmirror)sensor.set_vflip(sensor_vflip)sensor.run(1)lcd.init(type=1)lcd.rotation(lcd_rotation)lcd.clear(lcd.WHITE)try:img = image.Image("/sd/start.jpg")lcd.display(img)time.sleep(2)lcd.clear()img = image.Image(size=(320, 240))img.draw_string(80, 110, "Mora Guess Game", color=(255, 255, 255), scale=2)lcd.display(img)time.sleep(2)except Exception:img = image.Image(size=(320, 240))img.draw_string(50, 50, "model exception...", color=(255, 255, 255), scale=2)lcd.display(img)try:task = Nonetask = kpu.load(model_addr)lcd.clear()while(True):img = sensor.snapshot()t = time.ticks_ms()if img is None or img == "":continuefmap = kpu.forward(task, img)t = time.ticks_ms() - tfps = 1000/tplist=fmap[:]pmax=max(plist)max_index=plist.index(pmax);img.draw_string(0,0, "%.2f: %s" %(pmax,labels[max_index].strip()), scale=2, color=(000, 0,255))img.draw_string(0, 200, "fps :%.1f" %(fps), scale=2, color=(0, 0, 255))lcd.display(img,roi=(0, 0, 160, 240), oft=(0, 0))if max_index == 0:Scissors = image.Image(Scissors_pic)lcd.display(Scissors,roi=(0, 0, 160, 240), oft=(160, 0))elif max_index == 1:Stone = image.Image(Stone_pic)lcd.display(Stone,roi=(0, 0, 160, 240), oft=(160, 0))elif max_index == 2:cloth = image.Image(cloth_pic)lcd.display(cloth,roi=(0, 0, 160, 240), oft=(160, 0))except Exception as e:raise efinally:if not task is None:kpu.deinit(task)
if __name__ == "__main__":try:main(labels=labels, model_addr="/sd/model-26548.kmodel")except Exception as e:sys.print_exception(e)lcd_show_except(e)finally:gc.collect()

maix bit可以外接SD卡配置，将进行显示所用的文件为了节约芯片的内存，将LCD屏幕的320x240的屏幕进行一分为二，因此以上三个手势图片分辨率为160x240。

进行视频显示视频流显示与模型处理结果进行分割，针对视频流采集的图片进行预测，进行模型的前向传播，获取各个预测标签对应的概率。获取最大的概率所对应的索引，输出对应的预测标签结果。

博弈操作的逻辑代码如下：

if max_index == 0:Scissors = image.Image(Scissors_pic)lcd.display(Scissors,roi=(0, 0, 160, 240), oft=(160, 0))
elif max_index == 1:Stone = image.Image(Stone_pic)lcd.display(Stone,roi=(0, 0, 160, 240), oft=(160, 0))
elif max_index == 2:cloth = image.Image(cloth_pic)lcd.display(cloth,roi=(0, 0, 160, 240), oft=(160, 0))

将图像识别的标签进行分布为[石头，布，剪刀],通过识别的图片结果，读取sd卡中的图像数据，在半个LCD显示屏进行操作结果的显示，以此类推。

如图为本智能设备的最终识别效果：