OpenMV 2023.1版本发布啦

OpenMV工具软件

OpenMV 全称是Open Machine Vision Toolkit Software,软件基于OpenCV、OpenVINO、Pytorch、TensorRT等底层库构建与开发,界面采用PyQT5库。是计算机视觉与机器视觉全场景适用的一体化教学工具软件,同时也是工业领域场景支持的零代码从图像数据标注到模型训练、导出部署的一站式深度学习框架平台,支持主流图像分类、对象检测、语义分割等数十个主流模型从训练到部署推理演示。

d9d1d2af3aec5b66a3658d6df772ae40.png

OpenMV对开发者的价值

这款软件是作者 超过十年OpenCV开发与教学经验的融入与沉淀,涵盖了图像处理、图像分析、图像测量等开发者必须掌握OpenCV中绝大多数知识点,通过融会贯通设计成为一个个独立算子,可根据需要流程化+可视化设计算子流程图。对普通的OpenCV开发者来说,用OpenCV开发算法最大的痛点在于如何合理的组合这些函数构成一个解决问题的思路。OpenMV软件提供的算子流程化设计机制可以帮助开发者零代码快速试错,快速获取正确函数组合来解决问题,最后导出技术文档,根据技术文档来完成代码实现,这样就极大降低OpenCV开发者的试错成本,大大降低OpenCV开发难度,提升了开发效率。

     导出PDF版本的算法流程设计与技术文档可以作为知识传输载体,分享给技术团队、关键客户、管理团队,提升团队技术能力、用专业能力获取客户信任、提交专业技术文档给上司。因此无论在教学场景还是在工业场景中OpenMV都有重要价值。

OpenMV对视觉教学的价值

     OpenMV团队成员有多年的OpenCV技术开发与培训经验,在长期的OpenCV开发与培训中发现,学员经常发各种图像文件要求老师给出思路与方法,但是苦于没有合适工具软件,对学员此类问题答疑效率极差(反复长时间沟通)。此外学习OpenCV视觉库必然需要学习算法的关联函数,OpenCV中各种算法关联函数超过2000+,单个算法函数很难直接解决场景的图像分析与测量问题,需要算法函数组合成更大的算子才能更好的解决实际问题。

     学习OpenCV最关键的一点就是学会常见算法函数的关联组合使用,通过OpenMV工具自带的25个经典OpenCV开发案例的训练,学习者可以更快的学习到相关函数联合运用的心得经验。提升OpenCV实战化应用水平与技术能力。

f68ac916b6a9c693d552088dbfbb904b.png

OpenMV对机器视觉公司的价值

     人工智能与深度学习技术的发展为机器视觉技术的发展提供了新的思路和方法,如今深度学习已经是机器视觉技术的一个重要组成部分,它帮助机器视觉系统在复杂场景下实现引导定位、缺陷检测、目标检测、良品判定,其检测精度与稳定性整体远远超过传统算法。

     OpenMV底层基于主流深度学习框架,无缝集成了当今机器视觉领域非常有效的十数种主流SOTA模型包括图像分类、对象检测、实例与语义分割;支持数据标注、模型训练、模型导出部署、推理演示全链路一站式的深度学习应用开发工具集实现零代码、零配置的模型训练与模型部署。

     机器视觉与自动化公司快速导入OpenMV工具套件即可实现深度学习与人工智能技术落地。普通开发者简单培训,通过OpenMV软件即可掌握主流十种模型从训练到部署推理,大幅减低深度学习在公司的应用技术门槛与成本开销。帮助机器视觉与自动化公司提升技术竞争力、项目快速交付能力,实现降本增效,提升公司整体竞争力与利润率。

OpenMV软件核心功能

OpenMV工具套件开发通过了Ubuntu与Win10两个主流操作系统上的各种集成测试,确保整体功能运行与演示。核心功能主要包括:

  • 图像预处理支持增强、去噪、边缘与梯度、二值化、形态学操作等

  • 图像分析支持连通组件分析、轮廓分析、找圆、角点、线段、Blob等

  • 图像测量支持面积测量、圆拟合与测量、线段测量、点点距离、圆圆距离等

  • 图像匹配包括NCC与轮廓匹配,支持多角度、多尺度、多目标

  • 深度学习图像数据集增强支持随机亮度、对比度、色度、噪声、像素混合、通道混合、随机马赛克等多种操作。

  • 支持主流深度学习模型(图像分类、对象检测、实例分割)的训练

  • 支持一键导出ONNX、TensorRT、OpenVINO XML格式模型并部署

  • 支持深度学习数据格式从VOC到YOLO格式一键转换

  • 支持四种不同推理平台上速度比较(OpenCV DNN\OpenVINO\ONNXRUNTIME\TensorRT)

  • 图像数据标注支持对象检测图像标注与语义分割图像标注

  • 模型部署推理演示支持多种主流推理平台,支持CPU与GPU加速推理

  • 项目管理支持项目的导出保存与导入

  • 图像预处理、分析、测量部分支持多步操作流程图预览模型与批量运行模式

  • 多线程支持,对所有高耗时操作实现了多线程,界面实时刷新

  • 支持一键导出PDF文档,内容包括算法流程图与各步分析对比图

  • 支持第三方算法插件开发与集成,方便老师检查学生动手作业,插件同样支持导出一键导出PDF说明文档

  • 支持二次开发,提供了二次开发参考文档

  • 支持OpenCV经典案例库,25个案例随时可以查看

OpenMV功能演示

B站-OpenMV最新功能演示合集:

https://www.bilibili.com/video/BV1c54y1P7Kc

OpenMV授权使用

OpenMV工具软件遵循付费授权之后的原则,使用者完成相关的信息填写并提交给软件开发者付费获取授权Key之后方可使用全部功能。首次使用软件,点击相关功能模块会弹出如下的警告框:

3e4c43bb1d4460d453c2b0f1947e22cf.png

这个时候,从菜单【帮助】->【关于】中添加作者微信或者QQ,格式必须是:公司/机构名称 + 开发者名称,通过之后作者会根据开发者提供相关信息生成授权Key。

从【选项】->【系统设置】中打开对话框,勾选你想启动用软件功能之后,按确定会要求你输入授权Key:

6e9e1053894ef5472420926c155c62fc.png

正常情况下,会提示系统授权成功,然后重启即可正常使用OpenMV全部功能。

福利

询价购买+微信 bfnh2qxx

购买OpenMV

提供免费技术培训一天

合作与培训

     通过OpenMV软件可以成功帮助自动化企业与公司低成本导入深度学习技术支持,提升商业竞争力与技术竞争力,提升工具效能降低公司对资深深度学习开发者的依赖。遵循先培训后使用的流程才有可能最大价值化OpenMV软件,欢迎感兴趣的公司联系软件作者。

     在教学场景中OpenMV深度提升OpenCV视觉课程教学质量,帮助高校老师减轻教学负担,一键导出技术文档,自动生成算法每步对比结果,有效帮助老师拆解算法各个环节让学生学得更加明白,同时支持多种嵌入式设备部署与第三方插件开发可以有效提升学生动手与实操实验能力。基于OpenMV工具软件,支持各种嵌入式设备操作,高质量开设机器视觉、计算机视觉等相关课程。

END

0dd79640fdd3a931875740ecf503a2f1.png

分享

收藏

点赞

在看

e12c83cc2f5e071789d7619283ff757a.gif

YOLOv5(You Only Look Once version 5)是一种流行的物体检测算法,它通常用于实时场景的物体识别。要在Python中部署YOLOv5模型,你需要完成以下几个步骤: 1. **安装依赖**: - 安装PyTorch库(如果尚未安装),因为YOLOv5基于此库构建:`pip install torch torchvision` - 如果需要转换预训练权重到ONNX(开放神经网络交换格式)或者TensorRT(高效的推理引擎),还需安装onnx and tensorrt转换工具。 2. **下载模型**: - 从GitHub上获取YOLOv5的源码:`git clone https://github.com/ultralytics/yolov5.git` - 进入项目目录并选择一个预训练模型,比如 `yolov5s`, `yolov5m`, `yolov5l`, 或者 `yolov5x`。 3. **加载模型**: 使用`weights.py`模块中的函数加载模型,例如`model = models.yolov5s.load_darknet_weights('yolov5s.pt')`,这里假设已经有一个名为`yolov5s.pt`的预训练权重文件。 4. **预测**: 编写一个函数来处理输入图像,并通过模型进行预测。示例代码如下: ```python import PIL from PIL import Image from utils.datasets import LoadImages from utils.general import plot_one_box def predict_image(image_path): img = Image.open(image_path) results = model(img) boxes, _ = results.xyxy[0], results.confidence[0] plot_one_box(boxes, img, label=model.names) # 可能还需要保存图片或者进一步处理结果 ``` 5. **部署应用**: - 将上述代码封装成服务或API,可以考虑使用Flask等web框架,或者创建一个命令行脚本供其他程序调用。 - 如果需要更高效的推理,可以将模型转换为ONNX或TensorRT,并利用相应的运行库进行加速。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值