《DNK210使用指南 -CanMV版 V1.0》第四十八章自学习分类实验

正点原子运营 · 发表于 2024-12-31 14:43:01

本帖最后由正点原子运营于 2024-12-30 16:33 编辑

第四十八章自学习分类实验

1）实验平台：正点原子DNK210开发板

2）章节摘自【正点原子】DNK210使用指南 - CanMV版 V1.0

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

4）全套实验源码+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，介绍了利用maix.KPU模块实现了MNIST的手写数据识别，本章将继续介绍利用maix.KPU模块实现的自学习分类。通过本章的学习，读者将学习到自学习分类应用在CanMV上的实现。

本章分为如下几个小节：

48.1 maix.KPU模块介绍

48.2 硬件设计

48.3 程序设计

48.4 运行验证

48.1 maix.KPU模块介绍

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

48.2 硬件设计

48.2.1 例程功能

1. 获取摄像头输出的图像，对三类物体分别采集五张图像后，对采集到的图像进行分类学习，分类学习完成后，在LCD上显示识别出的物体和其对应的得分。

48.2.2 硬件资源

本章实验内容，主要讲解maix.KPU模块的使用，无需关注硬件资源。

48.2.3 原理图

本章实验内容，主要讲解maix.KPU模块的使用，无需关注原理图。

48.3 程序设计

48.3.1 maix.KPU模块介绍

有关maix.KPU模块的介绍，请见第48.1小节《maix.KPU模块介绍》。

48.3.2 程序流程图

图48.3.2.1 自学习分类实验流程图

48.3.3 main.py代码

main.py中的脚本代码如下所示：

from board import board_info
from fpioa_manager import fm
from maix import GPIO
import time
import lcd
import sensor
import gc
from maix import KPU
# 省略部分代码
fm.register(board_info.KEY2, fm.fpioa.GPIOHS2)
key2 = GPIO(GPIO.GPIOHS2, GPIO.IN, GPIO.PULL_UP)
lcd.init()
sensor.reset()
sensor.set_framesize(sensor.QVGA)
sensor.set_pixformat(sensor.RGB565)
sensor.set_vflip(True)
# 构造并初始化自学习分类KPU对象
self_learning = KPU()
self_learning.load_kmodel("/sd/KPU/mb-0.25.kmodel")
# 构造状态机对象
state_machine = StateMachine(state_handlers, event_handlers, transitions)
state_machine.emit_event(EVENT.POWER_ON)
# 构造按钮对象
key2_btn = Button()
btn_ticks_prev = time.ticks_ms()
fps = 0
clock = time.clock()
while True:
gc.collect()
clock.tick()
# 获取按键状态并处理
btn_ticks_cur = time.ticks_ms()
delta = time.ticks_diff(btn_ticks_cur, btn_ticks_prev)
btn_ticks_prev = btn_ticks_cur
if key2.value() == 0:
key2_btn.key_down(delta)
else:
key2_btn.key_up(delta)
# 获取摄像头输出图像
img= sensor.snapshot()
# 通过状态机进行自学习及分类过程
if state_machine.current_state == STATE.CLASSIFY:
scores = []
feature = self_learning.run_with_output(img, get_feature=True)
high = 0
index = 0
for j in range(len(features)):
for f in features[j]:
score = self_learning.feature_compare(f, feature)
if score > high:
high = score
index = j
if high > THRESHOLD:
a = img.draw_string(5, 200, "class:{},score:{:2.1f}".format(index + 1, high), color=(0, 255, 0), scale=1.8)
# 显示帧率
if lcd_show_fps:
img.draw_string(5, 5, "{:.2f}fps".format(fps), color=(0, 255, 0), scale=1.5)
# 显示状态机消息
if msg_notification:
img.draw_string(5, 30, msg_notification, color=(255, 0, 0), scale=1.8)
lcd.display(img)
fps= clock.fps()