OpenMV：16神经网络-Toy模板网

这篇具有很好参考价值的文章主要介绍了OpenMV：16神经网络。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

导论

OpenMV内置了好几个有关神经网络的模型，我们可以利用它们来进行基本物体的识别以及笑脸检测，数字识别等，这一节主要讲解下利用cifar_10进行识别

cifar_10是一个用于普适物体识别的数据集，"10"的意思是它可以分辨十种不同的物体，比如飞机、船、汽车、鸟、猫、狗、青蛙、路、卡车等等…

cifar_10由6万张32*32的RGB彩图构成，共有10个分类，一共有5万张的训练以及1万张的测试用于交叉验证

这个数据集最大的特点在于将数据集迁移到了普适的物体上，而且应用于多分类，他的一个子类数据集cifar_100可以达到100类，同已经成熟的人脸识别相比，普适物体的识别挑战很大，数据中含有大量的噪声、特征以及识别的物体大小不一、角度不一、比例不一等，

因此cifar_10相对于传统的图像识别数据集来说，它的挑战是巨大的，但其应用的效果是非常不错的

在OpenMV的IDE中内置了已经训练好的适用于OpenMV上面的模型网络，我们可以直接在OpenMV IDE工具——机器视觉——CNN网络库里面打开

在我们的OpenMV上推荐用cifar10_fast.network这一个神经网络，这个神经网络的模型稍微小一点，相对于cifar10.network来说，cifar10_fast.network运算速度更快，并且耗费的内存更小，如果我们直接使用cifar10.network，在我们的OpenMV上很可能会超出内存

利用神经网络进行特征识别(已停用)

在这个例程中我们首先获取OpenMV摄像头中的图像，然后对我们的图像进行特征识别，再将其与我们的神经网络模型进行对比，来得到一个相似度，通过这个相似度来判断是否其属于数据集中的某个物体，进而达到物体识别的应用

运行此例程前，请先在OpenMV IDE->工具->机器视觉->CNN网络库中，将相应的神经网络文件保存到OpenMV的SD内存卡中哦。

注意！在对OpenMV进行文件操作后(如保存神经网络文件到OpenMV的U盘中)，需要重置OpenMV!OpenMV IDE->工具->重置OpenMV Cam

当前nn模块被删除了！所以没用…当了解吧🥀文章来源地址https://www.toymoban.com/news/detail-585742.html

# cifar10在图像区域中心识别例程
#
# CIFAR是一个卷积网络，旨在将其视野分类为几种不同的对象类型，并处理RGB视频数据。
#
# 在此示例中，我们将LeNet检测器窗口滑动到图像上，并获取可能存在对象的激活列表。 请注意，使用带有滑动窗口的CNN非常昂贵，因此对于穷举搜索而言，不要期望CNN是实时的。


import sensor, image, time, os, nn # 导入模块 "os系统" 和 "神经网络neural network"

sensor.reset()                         # 复位并初始化传感器。

sensor.set_pixformat(sensor.RGB565)    #设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种

sensor.set_framesize(sensor.QVGA)      # 将图像大小设置为QVGA (320x240)

sensor.set_windowing((128, 128))       # 设置窗口大小为128 x128窗口。
sensor.skip_frames(time=750)           # 不要让自动增益运行太长时间。
sensor.set_auto_gain(False)            # 关掉自动增益。
sensor.set_auto_exposure(False)        # 关掉自动曝光。


# 在我们OpenMV的IDE中内置了2个cifar_10的神经网络 ——> 稍微大一点的"cifar10.network" + 小一点的"cifar10_fast.network"
# 加载cifar10网络。OpenMV3 M7上使用此网络可能会超出内存。
#net = nn.load('/cifar10.network')

# 更快，更小，更准确。建议OpenMV3 M7上使用此网络。
net = nn.load('/cifar10_fast.network') # nn.load()函数：将神经网络从 .network 二进制文件加载到内存中。 
                            #神经网络的层/权值/偏置/等，存储在MicroPython堆上。 返回一个可以在图像上进行操作的 "Net对象"

# 设置我们检测的标签
labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship',