模型案例：| 手势动作识别模型训练与应用！

最新推荐文章于 2024-11-24 20:43:19 发布
最新推荐文章于 2024-11-24 20:43:19 发布
阅读量912 收藏 13
点赞数 7
分类专栏： 模型仓 文章标签： 计算机视觉 目标检测 机器学习 神经网络 tensorflow
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/x_factory/article/details/143288689
版权

导读

2023年以ChatGPT为代表的大语言模型横空出世，它的出现标志着自然语言处理领域取得了重大突破。它在文本生成、对话系统和语言理解等方面展现出了强大的能力，为人工智能技术的发展开辟了新的可能性。同时，人工智能技术正在进入各种应用领域，在智慧城市、智能制造、智慧医疗、智慧农业等领域发挥着重要作用。

柴火创客2024年将依托母公司Seeed矽递科技在人工智能领域的创新硬件，与全球创客爱好者共建“模型仓”，通过“SenseCraft AI”平台可以让使用者快速部署应用体验人工智能技术！

本期介绍：模型案例：| 手势动作识别模型训练与应用！

GroundingDINO

基于DINO的开放式检测器Grounding DINO不仅实现了最先进的物体检测性能，还通过Grounding预训练实现了多级文本信息的集成。与 GLIP 或接地语言图像预训练相比，GroundingDINO 具有多项优势。首先，其基于Transformer的架构，类似于语言模型，便于处理图像和语言数据。

该方法融合了文本和图像两个模态的数据，实现了开放集目标检测，即给定一个文本提示，自动框出目标所在，该目标可以是训练集中没有的类别。该方法主要通过特征增强模块、语言指导查询选择模块、跨模态解码模块实现上述功能。

GroundingDINO架构

如上图所示，该方法从下到上主要包括五大模块：特征提取模块（Backbone）、特征增强模块（Feature Enhancer）、语言指导查询选择模块（Language-guide Query Selection）、跨模态解码模块（Cross-Modality Decoder）、损失计算模块（Loss）。

该框架支持多种功能，包括推理、对象检测数据训练、基于接地的数据训练等。它采用了PyTorch作为主要开发库，并优化了训练策略以加快模型收敛速度。Grounding DINO的灵活性体现在其对混合数据集的支持上，可以同时处理OD（对象检测）和VG（视觉基因组）数据，使得模型能够在更广泛的上下文中学习和泛化。

应用场景

Grounding DINO可应用于多种场景中，例如智能监控、自动驾驶、无人机导航以及图像搜索等领域。尤其是在多模式识别和理解方面，它的表现尤为出色。结合BERT等语言模型，Grounding DINO能根据文本提示精确定位图片中的目标对象，极大地提升了场景理解和语义解析的能力。

Grounding DINO特点

适应性强：不仅能在官方提供的预训练模型下运行，还能通过微调以适应特定数据集。

高度可配置：提供了详细的配置文件，允许用户自定义训练参数，如backbone架构、批量大小、学习率等。

训练加速策略：针对大型数据集设计，采用torch.distributed.launch进行分布式训练，支持多机协同工作，大幅缩短训练时间。

广泛的数据兼容性：支持OD和VG两种不同类型的标注数据，极大扩展了模型的应用范围。

手势动作识别模型训练与应用

在模型案例推文中，介绍过通过摄像头进行视觉识别和通过麦克风进行声音识别，今天介绍第三种识别形式：利用多轴加速度传感器进行动作识别。

我们尝试利用手机自带的三轴加速度传感器来采集三种动作手势，包括左右晃动、上下晃动和静止不动

动作训练与应用

Edge Impulse 是一个专注于边缘计算和物联网 (IoT) 的机器学习平台。它允许开发者和企业创建、训练和部署机器学习模型，以便在边缘设备上运行。

官网 : http://edgeimpulse.com

易于使用：提供图形用户界面，让非数据科学家也能轻松使用。

快速原型：支持快速构建和测试机器学习模型，缩短开发周期。

多种数据输入：支持从多种传感器和数据源收集数据，如音频、图像和加速度计等。

模型优化：能够对模型进行优化，以适应边缘设备的限制，例如减少内存和计算需求。

支持多种平台：可以将模型部署到不同的硬件平台，包括微控制器和更复杂的嵌入式系统。

采集三种手势动作数据

  1. 进入Edge Impulse官网，注册并登录账号后点击右上角【Create new project】按钮，创建一个项目，如下图所示。

2、在文本框中输入项目名称（备注：请输入英文名称），单击右下角的【Create new project】按钮，这样就创建了一个新项目，如下图所示。

3、进入项目后单击左侧的【Data acquisition】按钮，进入数据采集页面，如下图所示。

  1. 进入数据采集页面后，在右侧的“Collect data”中点击“Connect a device”链接，如下图所示。

5、弹出Collect new data窗口，用手机浏览器扫描下左侧的二维码，如下图所示。

https://smartphone.edgeimpulse.com/index.html?apiKey=ei_8e4a7b875e6eaad4d307f437646c572b51e85cbcb92dc241c7ec37e6f6030dcd (二维码自动识别)

6、在手机浏览器上会显示连接界面，这里列出了手机可采集数据的方式包括摄像头、麦克风和三轴加速度传感器，这里单击【Collecting motion】按钮，，如下图所示。

7、进入提示页面，单击【Give access to the accelerometer】按钮，打开手机上的三轴加速度传感器，如下图所示。还会弹出一个询问是否允许界面，单击【允许】按钮。

8、这样就进入三轴加速度传感器采集页面，单击“Label”会弹出设置类别窗口，这里会采集三个类别包括左右晃动（about）、上下晃动（up_anddown）和静止不动（static）；比如采集静止不动，在单击“Label”选项输入“static”，单击【Start recording】按钮如下图所示。

  1. 单击【Start recording】按钮后，手里拿着手机静止不动，等待1秒钟后就会将三轴加速传感器的x、y、z的三轴数据上传到Edge Impulse平台上，如下图所示。

9、手机上采集的三轴加速度传感器数据会上传到Edge Impulse的项目页面中，在“Dataset”列表中会列出采集数据文件，右侧会显示出此文件的x、y、z三轴折线图表，如下图所示。安装这种方法先参加20到30条静止不动（static）的数据。

10、接着采集拿着手机上下晃动（up_anddown）动作状态30条左右，如下图所示。

  1. 最后采集左右晃动（about）动作状态30条左右，如下图所示。

12、采集三个手势动作数据后，在左侧【MImpulse design】中单击【Create impulse】选项，添加“处理块”和“学习块”，添加标星号的推荐内容即可，最后单击【Save lmpulse】保持设置，如下图所示。

13、接着单击左侧的【Spectral features】选项，进入光盘分析页面后单击【Save parameters】按钮保存参数特征，如下图所示。

14、然后单击【Generate features】生成特征要素，经过一段时间会生成特征图，如下图所示。

15、单击左侧的【Classifier】选项进入训练模型页面，设置训练周期数为“45”，然后单击【Save & train】按钮，开始进行模型训练经过一段时间后在页面的右侧会显示出模型的准确率和损失率等指标，如下图所示。

16、单击左侧的【Deployment】模型部署选项，进入模型部署页面，在选择框中选择“Arduino library”选项；在“MODEL OPTIMIZATIONS”模型优化选项中选择“TensorFlow Lite”，使用默认的“INT8”模式，最后单击底部的【Build】按钮，如下图所示。

https://smartphone.edgeimpulse.com/classifier.html?apiKey=ei_8e4a7b875e6eaad4d307f437646c572b51e85cbcb92dc241c7ec37e6f6030dcd&impulseId=1 (二维码自动识别)

  1. 在右侧的“Build output”选项中可以看到生成相应格式模型的过程和进度，完成模型后会弹出一个窗口提示如何添加Arduino模型库文件和预览案例文件，如下图所示。

  1. 同时会弹出提示Arduino模型库文件下载提示窗口，将其下载到特定文件夹中即可，如下图所示。

  1. 这样手势动作识别模型就训练完成并生成了支持Arduino的库文件，打开Arduino IDE软件选择【工具】-【导入库】-【添加zip库】添加此手势动作识别模型库文件，如下图所示。

  1. 导入模型库文件后会生成一个后缀为inferencing名字的库文件，在单击【文件】-【示例】-【后缀是inferencing名字的库文件】-【esp32】-【esp32_fusion】，打开此案例程序，如下图所示。

21、esp32_fusion案例程序是以基于 LIS3DHTR 芯片的三轴加速度传感器为例的，到这里需要先连接好相应的硬件，这里使用了一个XIAO ESP32 S3（Sense）开发板、一个XIAO扩展板和一个Grove - 3-Axis Digital Accelerometer (LIS3DHTR)三轴加速度传感器连接到一起。

22、esp32_fusion案例程序如果无法启动或初始化Grove - 3-Axis Digital Accelerometer (LIS3DHTR)三轴加速度传感器，就需要修改下相应的代码，可以使用这个修改过的案例程序试试。

具体程序代码请在网盘中下载查看

https://share.weiyun.com/QHhHzmbz

23、将相关硬件连接好并用数据线将XIAO ESP32 S3（Sense）开发板与电脑的USB接口连接后，开始上传此程序（备注：如果上传失败在工具菜单中，请打开PSRAM功能），上传成功后打开串口监视器可以看到三轴加速度初始化成功，并输出三个类别名称和置信率等信息，如下图所示。

24、手里拿手机并左右或上下摇晃，通过串口可以观察到about或up_anddown这两个类别后面的值会改变，这个值就是预测结果的置信率，比如0.8就代表80%的预测结果是这个类别。

模型推理演示，请看如下视频。

手势动作识别功能演示

XIAO ESP32S3 Sense 套装介绍

XIAO ESP32S3（Sense）

强大的 MCU 板：集成ESP32S3 32 位双核 Xtensa 处理器芯片，运行频率高达 240 MHz，安装多个开发端口，支持 Arduino/MicroPython

高级功能：可拆卸OV2640相机传感器，分辨率为1600*1200，兼容OV5640相机传感器，集成附加数字麦克风

超强内存，带来更多可能性：提供 8MB PSRAM 和 8MB 闪存，支持 SD 卡插槽，用于外部 32GB FAT 内存

出色的射频性能：支持2.4GHz Wi-Fi和BLE双无线通信，连接U.FL天线时支持100m+远程通信

拇指大小的紧凑型设计：21 x 17.5mm，采用XIAO的经典外形，适用于可穿戴设备等空间有限的项目

来自 SenseCraft Al 的用于无代码部署的预训练 Al 模型。

写在最后

SenseCraft-AI平台的模型仓数量还很少，但是好消息是它支持自定义模型上传并输出推理结果，平台会逐渐增加模型仓的数量，敬请关注！

手势识别基础：手势识别的模型选择_（8）.基于统计的手势识别模型
zhubeibei168的博客
04-04 419
本节详细介绍了几种常见的基于统计的手势识别模型，包括隐马尔可夫模型（HMM）、支持向量机（SVM）、朴素贝叶斯（Naive Bayes）和深度学习模型。每种模型都有其适用的场景和优缺点。在实际应用中，可以根据具体的需求和数据特性选择合适的模型进行手势识别。例如，对于动态手势，HMM和RNN是更好的选择；对于静态手势，SVM和朴素贝叶斯可以提供快速且有效的分类。深度学习模型则适合处理大规模和复杂的多模态数据。希望这些内容能够帮助读者更好地理解和应用手势识别技术。
实时手势识别：多摄像头手势识别_（13）.手势识别的实际应用案例
最新发布
zhubeibei168的博客
03-31 1020
通过以上几个应用案例，我们可以看到多摄像头手势识别在不同场景中的广泛应用和实现方法。无论是智能家居控制、虚拟现实交互、工业自动化远程控制，还是医疗康复中的手势辅助和无人商店中的商品选择，多摄像头系统都能提供更全面、更准确的手势识别，从而提高系统的可靠性和用户体验。
Object-Detection-in-Robot-Perception 手势检测模型（已投稿）
qq_36107350的博客
03-02 367
代码 上面为项目代码。数据目前不放出来。 文章已投稿，看出来的情况如何~未完待续。。。
nanodet训练手势识别模型
小菜的博客
01-27 3692
序言 前段时间nanodet爆火，以非常小的模型和运算量，取得了超过tiny-yolov4的精度，非常惊艳，因为时间问题一直没有尝试，最近有空决定尝试一下。先来看下作者给的模型效果 一、nanodet安装 首先安装nanodet的环境包： pip install Cython termcolor numpy tensorboard pycocotools matplotlib pyaml opencv-python tqdm 然后安装nanodet git clone https://github.c
手势识别模型
厚积薄发的博客
03-31 857
1.方案整理 方案1：服务端做手势识别 方案流程：服务端做手势识别和图片的预处理，客户端做手势检测，拿到手势图片，调用服务端的http接口，获得手势的识别结果 优点：服务端做手势识别，交互简单，有更好的风险控制，方便模型升级。 缺点：客户端调用服务端的手势接口，因为有网络传输，可能会有手势识别延迟的问题。网络延迟80ms 平均消耗时长：0.045927691459655764 没有cdn 图像下载时间 流程图如下： 方案2：客户端做手势识别 方案流程：服务端做模型训练，客户端...
手势识别模型训练
MocapLeader的博客
05-26 1459
人机之间的交互性是虚拟现实技术的关键特征，在智能硬件持续更新和移动网络不断提速的今天，人机交互方式得到了快速的发展，其中手势是当今最热门的人机交互方式。目前在智能汽车、可穿戴设备、汽车电子、智能手机等领域，都已经使用了手势交互作为新一代的人机交互方式。 实现手势交互，首先要完成手势数据的采集。实现数据采集一般有两种方式：基于摄像头图像的视觉手势捕捉、基于传感器追踪的惯性手势捕捉。但这两种方式的手势捕捉有捕捉精度不够、较多数据噪声，需要进行数据预处理工作的缺点。哈尔滨工业大学理学院王一峰博士对智能手环的手势
TensorFlow入门：使用卷积网络模型实现手势识别
12-24
tensorflow框架下构建训练一个简单的3层卷积神经网络实现分类问题
模型案例：手势关键点检测模型！
x_factory的博客
06-07 1100
6、等待一段时间的下载和烧录固件的过程，完成后将打开右侧的预览窗口，现在就可以将Grove Vision AI V2的摄像头对准人手部目标进行测试了，如下图所示。番茄病态分析模型：基于视觉模型而制作的番茄病态识别系统，可以准确且有效地识别番茄的好坏，通过及时摘除患病番茄，从而有效地遏制病虫害的扩散，减少农民的损失。手势关键点检测可以用于识别手势动作，如手部姿势、手势手语等。手势关键点检测模型在 Yolov8 上训练，手势关键点检测模型输出的是一组表示手势上的关键点的点，通常每个点都有一个置信度分数。
基于YOLOV5的手势识别系统源码及模型，训练得到能识别10种常用手势的模型
Python代码大全
01-06 1740
本期我们带来的内容是基于YOLOV5的手势识别系统，我们将会训练得到能识别10种常用手势的模型，废话不多说，还是先看效果。
深度学习算法驱动的手势数字识别：环境搭建与模型训练全解析,深度学习算法在手势数字识别中的应用：环境搭建、模型训练与性能优化研究,手势数字识别，深度学习算法，环境搭建，模型训练等 ,手势数字识别; 深度
02-13
为了实现高效准确的手势识别，环境搭建和模型训练成为研究的关键环节。 首先，环境搭建是手势数字识别系统开发的基础。它包括硬件环境的配置和软件环境的设置。硬件环境通常涉及高性能的计算平台，如GPU加速的...
yolo5手势识别数据集+模型-.zip
07-13
总的来说，这个“yolo5手势识别数据集+模型-.zip”提供了完整的工具包，涵盖了从数据准备到模型训练和应用的所有步骤，对于研究者或开发者来说，这是一个很好的实践案例，可以帮助他们快速入门YOLOv5在手势识别领域...
手势数字识别，yolov5模型训练模型 .pt，10类别手势数字识别
06-28
标题中的“手势数字识别，yolov5模型训练模型 .pt”揭示了这个项目的核心是利用深度学习模型Yolov5进行手势数字识别。Yolov5是一种目标检测算法，尤其擅长实时对象检测，它的全称是“YOLOv5：You Only Look Once”的...
动作识别模型复现_c3d_动作识别_视频动作识别
09-11
在视频动作识别领域比较经典的两个模型复现，C3D、双流。
模式识别_手势识别_SVM_KNN_神经网络_应用模型_1741857182.zip
03-13
在本项目中，我们将探讨如何使用支持向量机（SVM）、K最近邻（KNN）算法以及神经网络这三种不同的机器学习技术，建立有效的人手势识别模型。 支持向量机（SVM）是一种二分类模型，其基本模型定义在特征空间上间隔...
（二）手势识别——动作模型训练【代码+数据集+python环境（免安装）+GUI系统】
qz1992的专栏
11-24 1021
（二）手势识别——动作模型训练【代码数据集+python环境（免安装）+GUI系统】背景意义随着互联网的普及和机器学习技术的进一步发展，手势识别技术开始使用深度学习等方法进行手势识别，如Convolutional Neural Networks（CNN）等，并开始应用于网上购物、游戏等场景。随着人工智能技术的快速发展，手势识别技术得到了广泛应用，逐渐成为人机交互的重要组成部分，应用范围也逐渐扩大，如智能家居、无人驾驶等。
动作识别笔记（一）在mxnet上训练Slowfast视频动作识别模型
摸鱼人
12-15 958
在mxnet上训练Slowfast视频动作识别模型 mxnet的安装（略） slowfast模型简介（略） 准备自己的数据集 训练文件目录如下所示，每种动作的视频放在单独的文件夹中。视频格式一定要是同一种且mxnet支持的格式。 例如eating文件夹下: 按照官方的文档，还需要创建一个train.txt(可以创建一个空的，后边训练的程序里边会自动填写)，包含所有视频的信息。第一列是文件夹和名字，第二类是取出的帧数，第三类是类别编号。 模型训练 大致包括以下过程： 1.收集训练集信息 2.数据预处理
手势识别2：基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)
热门推荐
AI吃大瓜的博客
09-19 7万+
基于YOLOv5的手势识别系统(含手势识别数据集+训练代码)，手势识别，动作识别，手势动作识别，手势数据集
【手势识别】一个很好的手势识别模型 Yolov5，可对标旷视的作品，很好用 《含数据集+源码》
weixin_40293999的博客
06-02 375
项目需求，需要做一个手势识别的项目，目标对标旷视数据集在这里,我自己已经购买了， 12W+张图片，12G+，代标注。这个项目做好了，可以对标旷视的算法： https://console.faceplusplus.com.cn/documents/10065685step1：初始化数据集整理好的数据集，12W+ 19种手势， train：val=9:1names:0:one1:two_up3:three4:three25:four6:fist7:palm8:ok。
MATLAB手势识别
GGMMM123的博客
12-17 802
此任务对机器学习（ML）模型的图像数据进行操作，可以作为静态数据或连续流，并输出多个检测到的手的图像坐标中的手部关键点、世界坐标中的手部关键点和左右手的信息。在训练过程中，使用大规模的手部图像数据集来训练模型，包括真实世界的手部图像和合成的手部图像，以提高模型的精度和泛化能力。手部关键点模型包含一个掌部检测模型和一个手部关键点检测模型。掌部检测模型可以在输入图像中定位手部，而手部关键点检测模型可以在掌部检测模型定义的裁剪的手部图像上识别特定的手部关键点。
ESP32就可以吗
03-08
<think>好的，用户问“ESP32就可以吗”，这需要结合之前的对话来理解。用户之前请求的是在Arduino上运行类似DeepSeek的大型AI模型的代码，我解释了Arduino的硬件限制，并给出了两种方案。现在用户可能想知道是否ESP32能够满足需求。 首先，我需要确认ESP32的硬件规格，比如处理能力、内存等。ESP32通常有双核处理器，主频240MHz，内存约520KB SRAM，比普通Arduino强很多，但依然有限。不过对于轻量级AI模型可能足够。 接下来，考虑用户的需求。用户可能想用ESP32运行更复杂的AI任务，或者想知道之前的方案是否适用于ESP32。需要明确ESP32在两种方案中的适用性：本地运行轻量模型或连接云端。 然后，需要分析ESP32的优势和局限性。比如，ESP32支持WiFi和蓝牙，适合作为云端方案的网关。本地运行的话，TensorFlow Lite Micro可以在ESP32上运行，但模型大小和内存占用是关键。 可能用户对AI应用的具体场景还不明确，比如是图像识别、语音处理还是传感器数据分析。需要建议用户明确需求，以便推荐合适的方案。 还要比较ESP32与其他硬件，比如Arduino Portenta H7或搭配专用AI芯片的情况，帮助用户理解不同选择之间的权衡。 最后，确保回答结构清晰，分点说明ESP32的适用性，给出示例代码，并指出注意事项，比如内存管理、模型优化等。同时，鼓励用户提供更多细节以获得更具体的帮助。</think>是的，ESP32 是运行轻量级 AI 应用的理想选择。相比基础款 Arduino，ESP32 具备以下优势： **硬件规格** - Xtensa® 双核 32 位 LX6 处理器（240MHz） - 520KB SRAM（实际可用约 300KB） - 支持 WiFi/BLE 无线通信 - 4MB Flash 存储空间（可扩展至 16MB） - 硬件加速模块（FFT/DSP 指令） --- **典型应用场景** 1. **本地推理方案**（适用模型大小 ≤ 200KB） - 语音关键词识别（例：Alexa 唤醒词） - 传感器模式识别（振动/温湿度异常检测） - 简单图像分类（$128 \times 128$ 分辨率） 2. **边缘计算方案**（推荐） - 作为 AI 网关预处理数据（如压缩图像至 JPEG） - 执行规则过滤（减少云端传输量） - 融合多传感器数据（$ \text{data} = \alpha \cdot \text{accel} + \beta \cdot \text{gyro} $） --- **ESP32 + TensorFlow Lite Micro 示例**（手势识别） ```arduino #include <EloquentTinyML.h> #include "手势识别模型.h" // 预训练好的 TFLite 模型 #define INPUT_DIM 64 // 输入特征维度（8x8 加速度计数据窗口） #define OUTPUT_DIM 5 // 输出类别数 Eloquent::TinyML::TfLite<INPUT_DIM, OUTPUT_DIM> mlp; void setup() { Serial.begin(115200); // 初始化模型（约需 150KB 内存） mlp.begin(g_model); // 验证模型匹配性 if (mlp.getInputShape()[0] != INPUT_DIM) { Serial.println("模型输入维度不匹配！"); while(1); } } void loop() { float accel_data[3]; // 三轴加速度计数据 static float data_buffer[INPUT_DIM]; // 采集数据（示例用伪代码） readAccelerometer(accel_data); updateBuffer(data_buffer, accel_data); // 执行推理（约需 15ms） float* prediction = mlp.predict(data_buffer); // 解析结果 int gesture = argmax(prediction, OUTPUT_DIM); Serial.print("识别手势："); Serial.println(gesture_labels[gesture]); delay(100); } // 辅助函数：更新滑动窗口数据 void updateBuffer(float* buffer, float* new_data) { memmove(buffer, buffer+3, (INPUT_DIM-3)*sizeof(float)); // 滑动窗口 memcpy(buffer + (INPUT_DIM-3), new_data, 3*sizeof(float)); } ``` --- **性能优化关键参数** | 优化项 | 典型值 | 效果提升 | |---------------------|-------------------|---------------| | 模型量化 | 8-bit 整型 | 内存减少 75% | | 运算符裁剪 | 仅保留必要算子 | 代码量减少 40% | | 内存复用 | 共享 tensor arena | 内存需求降低 30% | | 使用 Xtensa DSP 指令 | 启用 -O3 优化 | 速度提升 2-3 倍 | --- **开发注意事项** 1. **内存管理** - 使用 `ESP.getFreeHeap()` 监控内存使用 - 优先使用 `PROGMEM` 存储常量数据 - 避免动态内存分配（慎用 `malloc`） 2. **模型部署技巧** - 使用 [Edge Impulse](https://edgeimpulse.com/) 在线训练并导出 ESP32 专用模型 - 通过 `numpy_to_tflite.py` 脚本转换 Keras 模型 - 启用 [CMSIS-NN 加速库](https://github.com/espressif/tflite-micro-esp-examples) 3. **实时性保障** ```c // 关键代码段禁用中断 noInterrupts(); float* output = interpreter->input(0)->data.f; interrupts(); ``` --- **推荐开发板对比** | 型号 | 内存 | Flash | 特色功能 | |--------------------|--------|--------|--------------------------| | ESP32-S3 | 512KB | 8MB | 向量指令加速 (V extension) | | ESP32-CAM | 520KB | 4MB | 集成 OV2640 摄像头 | | ESP-EYE | 520KB | 8MB | 麦克风阵列 + 人脸识别库 | 如需运行更复杂的模型（如 MobileNetV2），建议采用 **ESP32-S3 + PSRAM 扩展** 方案，可将内存扩展至 8MB。
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
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