AI算法例程=maixpy3

已于 2022-07-28 11:13:57 修改
阅读量572 收藏 5
点赞数 1
分类专栏： 深度学习 MIIdock 文章标签： 人工智能 算法 python
于 2022-06-04 21:45:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47397155/article/details/125120526
版权

一、边缘检测sobel算子系列

运行条件

  • 确认 MaixPy3 版本为 0.4.3 以上
  • 使用的硬件为 MaixII-Dock
  • 内存卡内是最新版本的镜像系统
  • 插卡启动硬件

部署到MaixII-Dock上

  • 在MaixHub上获取模型文件核运行源码

在这里插入图片描述

# 边缘提取类定义
global Edge
class Edge:
    model = {
        "param": "/home/model/sobel_int8.param",
        "bin": "/home/model/sobel_int8.bin"
    }
    input_size = (224, 224, 3)
    output_size = (222, 222, 3)
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": input_size
        },
        "outputs": {
            "output0": output_size
        },
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.0078125, 0.0078125, 0.0078125],
    }
    def __init__(self):
        from maix import nn
        print("-- load model:", self.model)
        self.model = nn.load(self.model, opt=self.options)
        print("-- load ok")
    def __del__(self):
        del self.model
print(Edge)

# 开始进行边缘检测
from maix import camera,display
import numpy as np
import time
m=Edge()#实例化对象
while True:
	img=camera.capture().resize(224,224)
	time_start=time.time()
	out=m.model.forward(img,quantize=True,layout="hwc")#模型推理
	while True:
    img = camera.capture().resize(224,224)
    out = m.model.forward(img, quantize=True, layout="hwc")
    out = out.astype(np.float32).reshape(m.output_size)
    out = (np.ndarray.__abs__(out) * 255 / out.max()).astype(np.uint8)
    data = out.tobytes()
    img2 = img.load(data,(222, 222), mode="RGB")
    display.show(img2)

二、物品分类resnet18

运行条件

  • 确认 MaixPy3 版本为 0.4.3 以上
  • 使用的硬件为 MaixII-Dock
  • 内存卡内是最新版本的镜像系统
  • 插卡启动硬件

部署到MaixII-Dock上

  • 在MaixHub上获取模型文件核运行源码

在这里插入图片描述

# 模型分类定义
global Resnet
class Resnet:
    m = {
        "param": "/home/model/resnet18_1000_awnn.param",
        "bin": "/home/model/resnet18_1000_awnn.bin"
    }
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": (224, 224, 3)
        },
        "outputs": {
            "output0": (1, 1, 1000)
        },
        "first_layer_conv_no_pad": False,
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.00784313725490196, 0.00784313725490196, 0.00784313725490196],
    }
    def __init__(self):
        from maix import nn
        self.model = nn.load(self.m, opt=self.options)
    def __del__(self):
        del self.model
print(Resnet)

# 分类识别，运行神经网络
import os
os.chdir("/home/res/") # checkout work dir
from classes_label import labels 
from maix import camera, nn, display
resnet = Resnet()
print(resnet.model)
while True:
    img = camera.capture().resize(224, 224)
    out = resnet.model.forward(img, quantize=True)
    msg = "{:.2f}: {}".format(out.max(), labels[out.argmax()])
    img.draw_string(0, 0, str(msg), 1, (0, 0, 255), 1)
    display.show(img)

三、目标检测yolov2==单标签

运行条件

  • 确认 MaixPy3 版本为 0.4.3 以上
  • 使用的硬件为 MaixII-Dock
  • 内存卡内是最新版本的镜像系统
  • 插卡启动硬件

部署到MaixII-Dock上

  • 在MaixHub上获取模型文件核运行源码

在这里插入图片描述

# 部署人脸目标检测网络模型
global Yolo
class Yolo:
    labels = ["person"]
    anchors = [1.19, 1.98, 2.79, 4.59, 4.53, 8.92, 8.06, 5.29, 10.32, 10.65]
    m = {
        "param": "/home/model/face/yolo2_face_awnn.param",
        "bin": "/home/model/face/yolo2_face_awnn.bin"
    }
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": (224, 224, 3)
        },
        "outputs": {
            "output0": (7, 7, (1+4+len(labels))*5)
        },
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.0078125, 0.0078125, 0.0078125],
    }
    def __init__(self):
        from maix import nn
        from maix.nn import decoder
        self.model = nn.load(self.m, opt=self.options)
        self.decoder = decoder.Yolo2(len(self.labels), self.anchors, net_in_size=(224, 224), net_out_size=(7, 7))
    def __del__(self):
        del self.model
        del self.decoder
print(Yolo)

# 分类识别，运行神经网络
from maix import camera, display
yolo = Yolo()
print(yolo)
while True:
    img = camera.capture().resize(224, 224)
    out = yolo.model.forward(img, quantize=True, layout="hwc")
    boxes, probs = yolo.decoder.run(out, nms=0.3, threshold=0.5, img_size=(224, 224))
    if len(boxes):
        for i, box in enumerate(boxes):
            img.draw_rectangle(box[0], box[1], box[0]+box[2], box[1]+box[3], (255,0,0), 1)
        display.show(img)
    else:
        display.show(img)

四、数字识别=多标签+标框

运行条件

  • 在 MaixHub 上获取模型文件，并将模型文件存放到 U 盘中
  • 确认 MaixPy3 版本为 0.4.3 以上
  • 使用的硬件为 MaixII-Dock
  • 内存卡内是最新版本的镜像系统
  • 插卡启动硬件

部署到MaixII-Dock上

# 将模型读取到python环境中！
global Number_recognition
class Number_recognition:
    labels = ["1", "2", "3", "4", "5", "6", "7", "8"]
    anchors = [2.44, 2.25, 5.03, 4.91, 3.5 , 3.53, 4.16, 3.94, 2.97, 2.84]
    model = {
        "param": "/root/number_awnn.param",
        "bin": "/root/number_awnn.bin"
    }
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": (224, 224, 3)
        },
        "outputs": {
            "output0": (7, 7, (1+4+len(labels))*5)
        },
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.0078125, 0.0078125, 0.0078125],
    }
    w = options["inputs"]["input0"][1]
    h = options["inputs"]["input0"][0]
    def __init__(self):
        from maix import nn
        from maix.nn import decoder
        self.m = nn.load(self.model, opt=self.options)
        self.yolo2_decoder = decoder.Yolo2(len(self.labels), self.anchors, net_in_size=(self.w, self.h), net_out_size=(7, 7))
    def map_face(self, box):                           #将224*224空间的位置转换到240*240空间内
        def tran(x):
            return int(x/224*240)
        box = list(map(tran, box))
        return box
print(Number_recognition)

# 数字识别
ffrom maix import camera, display, image
number_recognition = Number_recognition()
while True:
    img = camera.capture()
    AI_img = img.copy().resize(224, 224)
    out = number_recognition.m.forward(AI_img.tobytes(), quantize=True, layout="hwc")
    boxes, probs = number_recognition.yolo2_decoder.run(out, nms=0.3, threshold=0.5, img_size=(240, 240))
    for i, box in enumerate(boxes):
        class_id = probs[i][0]
        prob = probs[i][1][class_id]
        disp_str = "{}:{:.2f}%".format(number_recognition.labels[class_id], prob*100)
        font_wh = image.get_string_size(disp_str)
        box = number_recognition.map_face(box)
        img.draw_rectangle(box[0], box[1], box[0] + box[2], box[1] + box[3], color = (255, 0, 0), thickness=2)
        img.draw_rectangle(box[0], box[1] - font_wh[1], box[0] + font_wh[0], box[1], color= (255, 0, 0))
        img.draw_string(box[0], box[1] - font_wh[1], disp_str, color= (255, 0, 0))
    display.show(img)

五、在线学习，图像分类

运行条件

  • 在 MaixHub 上获取模型文件，并将模型文件存放到 U 盘中
  • 确认 MaixPy3 版本为 0.4.3 以上
  • 使用的硬件为 MaixII-Dock
  • 内存卡内是最新版本的镜像系统
  • 插卡启动硬件

部署到MaixII-Dock上
在这里插入图片描述

1、将模型读取搭配python环境中

from maix import nn
from maix import camera, display
import time

global Self_learn
class Self_learn:
    model = {
        "param": "/home/model/resnet18_1000_awnn.param",
        "bin": "/home/model/resnet18_1000_awnn.bin"
    }
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": (224, 224, 3)
        },
        "outputs": {
            "190": (1, 1, 512)
        },
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.0176, 0.0176, 0.0176],
    }
    class_num = 3  #学习类别
    sample_num = 15  #学习类别总数量
    curr_class = 0
    curr_sample = 0    
    def __init__(self):
        from maix import nn
        from maix.nn.app.classifier import Classifier
        print("-- load model:", self.model)
        self.m = nn.load(self.model, opt=self.options)
        print("-- load ok")
        print("-- load classifier")
        self.classifier = Classifier(self.m, self.class_num, self.sample_num, 512, 224, 224)
        print("-- load ok")

2、添加分类的类别

  • 通过摄像头拍摄物体2秒来进行添加，当画面卡住不动的时候，就需要移动到下一个类别等待摄像头启动，进行添加
  • 以下代码只能添加3个类别，模型是没有上限
import time
from maix import camera, display
global self_learn

self_learn = Self_learn()
for x in range(3):
    t = time.time()
    while True:
        if (time.time() - t) > 2:
            img = camera.capture().resize(224, 224)
            self_learn.classifier.add_class_img(img)
            display.show(img)
            time.sleep(2)
            print("add ok!")
            break
        img = camera.capture()
        display.show(img)

3、制作模型训练的数据集

import time
from maix import nn
from maix import camera, display

for x in range(3):
    t = time.time()
    while True:
        if (time.time() - t) > 2:
            for i in range(5):
                img = camera.capture().resize(224, 224)
                self_learn.classifier.add_sample_img(img)
                display.show(img)
            time.sleep(2)
            break
        display.show(camera.capture())

4、进行图片自学习

self_learn.classifier.train()
print("train over")

5、训练结束后保存模型

self_learn.classifier.save("./module.bin")
print("save over")

6、开始分类验证

import time
from maix import nn
from maix import camera, display
while True:
    img = camera.capture()
    AI_img = img.copy().resize(224, 224)
    idx, distance = self_learn.classifier.predict(AI_img)
    msg = "predict class: " + str(idx+1) + ", conf: " + str(100-distance)
    print(msg)
    img.draw_string(10, 10, msg, color = (255, 0, 0))  
    display.show(img)

7、读取自学习模型

global Self_learn
class Self_learn:
    model = {
        "param": "/home/model/resnet18_1000_awnn.param",
        "bin": "/home/model/resnet18_1000_awnn.bin"
    }
    options = {
        "model_type":  "awnn",
        "inputs": {
            "input0": (224, 224, 3)
        },
        "outputs": {
            "190": (1, 1, 512)
        },
        "mean": [127.5, 127.5, 127.5],
        "norm": [0.0176, 0.0176, 0.0176],
    }
    class_num = 3  #学习类别
    sample_num = 15  #学习类别总数量
    curr_class = 0
    curr_sample = 0    
    def __init__(self):
        from maix import nn
        from maix.nn.app.classifier import Classifier
        from maix.nn.app.classifier import load
        import os.path
        if os.path.isfile("./module.bin"):
            print("-- load model:", self.model)
            self.m = nn.load(self.model, opt=self.options)
            print("-- load ok")
            print("-- load classifier")
            self.classifier = load(self.m,"./module.bin")
            print("-- load ok")
        else:
            print("not have model!")
            print("please run nn_self_learn_classifier.py get model!")
print(Self_learn)

8、自学习预测

import time
from maix import camera, display
global self_learn
self_learn = Self_learn()
while True:
    img = camera.capture()
    AI_img = img.copy().resize(224, 224)
    idx, distance = self_learn.classifier.predict(AI_img)
    msg = "predict class: " + str(idx+1) + ", conf: " + str(100-distance)
    # print(msg)
    img.draw_string(10, 10, msg, color = (255, 0, 0))
    display.show(img)
栋哥爱做饭
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
什么是Maixpy3
weixin_45138065的博客
11-17 1611
MaixPy3 是基于 cpython 的 Python3 工具包，意在通过 Python 编程语言简化在 Linux 边缘设备上开发 AIoT （人工智能物联网） = AI（人工智能） + IoT（物联网）应用。 前言 物联网（Internet of Things，简称 IOT ）是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、 连接、互动的物体或过程，采集其声、光、热、电、力学、化 学、生物、位置等各种需要的信息，通过各类可能的网络接入，
PID算法标准例程经典
08-10
这是从网上找来的一个比较典型的PID处理程序，在使用单片机作为控制cpu时，请稍作简化，具体的PID 参数必须由具体对象通过实验确定。由于单片机的处理速度和ram资源的限制，一般不采用浮点数运算，而将所有参数全部...
MaixPy3:MaixPy for Python3，让我们更轻松地玩边缘AI！
05-07
MaixPy3 English | MaixPy3是一种基于Python3工具，简化Linux上的AI边缘设备，应用程序通过Python编程的开发。 开发 谢谢 执照 用法 在屏幕上显示摄像机图像。 from maix import display , camera display . show ( camera . capture ()) 将图像输入模型后，将返回正向算法的结果。 from PIL import Image from maix import nn m = nn . load ({ "param" : "/root/models/resnet_awnn.param" , "bin" : "/root/models/resnet_awnn.bin" }, opt = { "model_type" : "awnn" , "inp
V831开发环境配置——Maixpy3（踩坑日记）
戚晨夕的博客
03-17 6662
V831深度学习 文章目录V831深度学习前言一、为什么要用Maixpy3二、如何安装1、避坑要点（重要）2、安装android adb interface总结 前言 之前一直在学习K210，用的Maixpy，学起来其实就类似于openmv只是多了神经元，开学买了一块v831开发板，想学习一下Maixpy3，结果开发环境从晚上8点装到11点半，分享一下我的踩坑日记。 一、为什么要用Maixpy3 在没有 IDE 的时候，我们是这样编程的，这是每一只远古程序猿都必备的开发技能。 上述命令行的编程方式是上世
python人工智能项目开发实例-人工智能学习路线图，整理近200个实战案例与项目...
weixin_37988176的博客
10-30 519
Created by 唐宇迪人工智能实战就业(面试)学习路线图这个项目是干什么的？整理这个项目的初衷是方便同学们快速开启人工智能自学计划，在学习过程中少走弯路用最快的效率入门Ai并开始实战项目， 提供了近200个Ai实战案例和项目，这些并不是网上搜集来的，而是我这五年线上线下教学所开发和积累的案例。可以说都是 反复迭代更新出来的，适合同学们来进行循序渐进的学习与练手。来的同学记得点个st...
MaixPy3 IDE 环境配置（小白快速上手Pycharm）
weixin_37933097的博客
07-10 1628
让小白快速上手Pycharm，配置MaixPy3 IDE环境
gdop3d_三维GDOP算法例程_卫星_
10-03
这是一个三维的卫星GDOP计算方法例程。
一个好的神经网络控制算法例程代码
01-19
部分实现了追踪测速迭代松弛算法，本程序的性能已经超过其他算法，多姿态，多角度，有不同光照,实现了对10个数字音的识别程序FIR 底通和带通滤波器和IIR 底通和带通滤波器，计算多重分形非趋势波动分析。
乐鑫esp32使用MD5算法例程
11-01
乐鑫esp32使用MD5算法例程，MD5算法是一种被广泛使用的密码散列函数，可以产生出一个128位（16字节）的散列值（hash value），用于确保信息传输完整一致。MD5由美国密码学家罗纳德·李维斯特（Ronald Linn Rivest）...
C语言快速排序算法例程代码
09-17
C语言快速排序算法例程代码，快速排序的基本思想是在待排序的序列中选择一个元素作为中间元素，将序列中小于等于中间元素的元素放到左边，大于中间元素的元素放到右边，然后递归地对左右两个子序列进行排序，直到...
人工智能计算算法集合项目源代码.zip
06-10
人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。 人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。人工智能计算算法集合项目源代码。包含：蚁群算法、粒子群算法、BP神经网络、高斯概率模型的分布估计算法、遗传算法、BP神经网络、贪婪算法。
人工智能算法演示（演示程序+源代码）
04-06
-----------------【请用Qt4.6+编译，Qt5目前有Bug】---------- 原博客地址：http://blog.csdn.net/jiangcaiyang123/article/details/8762365 --------------------------------------------------------------- 人工智能是一个非常具有潜力的分支，顾名思义，它可以通过计算机指令模拟人的行为，在游戏中的人工智能就非常地多样了。对于FPS、TAB、RPG、STG、ADV等游戏，有着不同的人工智能，但都基于几种理论：有限状态机、遗传算法、神经网络等。下面我就采用游戏中最基础也是最常用的人工智能算法来进行演示。 我的开发环境是： Windows: WindowsXP(SP3) + MinGW4.4/MinGW4.7 + Qt4.8.3/Qt5.0.1 + QtCreator2.6/QtCreator2.7 Linux: Ubuntu12.10 + gcc4.7 + Qt4.8.1/Qt4.8.4/Qt5.0.1 + QtCreator2.6/QtCreator2.7
AI算法开源手册
07-31
人工智能算法开源手册，学习相关数学及算法，值得一阅
常用AI算法的实例代码
07-25
有关于AI的常用算法的权威用例，包括群聚算法 遗传算法 寻路系统 神经网络模型和有限状态机以及模糊有限状态机的实例代码 2分不多哦~亲
AIVHE算法源代码
05-14
AIVHE（Adaptively Increasing the Value of Histogram.）的MATLAB源代码
MaixPy3安装及搭建开发环境教程（保姆级超详细）
qq_56172552的博客
10-24 6580
MaixPy3安装及搭建开发环境教程（保姆级超详细）
python人工智能项目实例-Python人工智能项目实战
weixin_37988176的博客
10-29 2506
译者序前言作者简介审校者简介第1章　人工智能系统基础知识11.1　神经网络21.2　神经激活单元51.2.1　线性激活单元51.2.2　sigmoid激活单元61.2.3　双曲正切激活函数61.2.4　修正线性单元71.2.5　softmax激活单元91.3　用反向传播算法训练神经网络91.4　卷积神经网络121.5　循环神经网络131.6　生成对抗网络161.7　强化学习181.7.1　Q学习1...
2.1 人工智能项目开发与规划
一个字，学
01-20 1224
2.1 人工智能项目开发与规划 人工智能项目开发的目标：发现与明确问题 技术角度：需要思考AI系统性能能达到预期吗，需要多少数据，能否获取足够的数据，需要多久的时间 业务角度：需要解决什么问题，商业目的是什么 数据准备 重要性： 在大部分的人工智能项目中，数据采集与数据清洗占据了79%的工作量 训练数据的规模越大，越能带来更好的 AI 模型的性能 流程： 数据采集：观测数据、人工收集、调查问卷、线上数据库 数据清洗：去除缺失、重复、内容错误、不需要的数据 数据标注：分类、画框、标注、注释 数据划分
谷歌AutoML-Zero手撕数学 | 源代码地址「AI核心算法」
九三智能控
07-23 328
关注：决策智能与机器学习，深耕AI脱水干货作者 |Lee Schlenker译者 | Sambodhi策划| 李冬梅来源| AI前线近年来，机器学习取得了巨大的成功，这些...
一阶低通滤波算法例程
最新发布
05-22
以下是一种 C 语言实现的例程： ```c float lowPassFilter(float input, float output_prev, float alpha, float dt) { float output = alpha * input + (1.0 - alpha) * output_prev; return output; } int ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

栋哥爱做饭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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