实现步骤

一、下载固件

maixpy固件

其中，各文件说明如下：

一般就下载第一个 maixpy_*.bin文件，功能比较全，但文件比较大，看单片机Flash使用情况而定。

得到bin文件后直接打开kflash 烧录进板子里注意地址为：0X00000

二、下载模型

打开 maixhub 找到模型文件，输入机器码下载。（如何获取机器码参考往期的博客。）

（最好每次都通过 keygen.bin的固件通过串口发一次机器码，因为今天用手动输入的机器码会导致模型运行的时候无法解密出现报错“[MAIXPY]kpu: load error:2002, ERR_KMODEL_VERSION: only support kmodel V3/V4 now”）

这里有两个模型，其中较大的模型有 1.8MiB, lite 版本只有 800KiB， lite 版本在使用时初始化代码需要添加fea_len参数为512，较大模型不需要设置这个参数：

classifier = kpu.classifier(model, class_num, sample_num, fea_len=512)

注意模型烧录地址，和加载地址，不要弄错了，比如代码model = kpu.load(0x300000)则需要使用 kflash_gui 烧录模型到 0x300000 处
注意上面说的 lite 模型需要设置 fea_len 参数
MaixPy 固件版本应该至少大于 maixpy_v0.6.2_46_geafab8cfd (提交 eafab8cfdfe0aa233586b17d8bc72a266d1b2b61)

三、脚本

包含示例脚本和加载脚本

①示例脚本 self_learning_classifier.py

需要自行修改 board_info 。方法：在官网资料中找到对应板子的 config_*.py文件，进入IDE中运行，即可以完成对板子的配置项（config.json）的导入，它会在flash上存储该配置文件。

运行配置代码后会自动重启，此时代码中才可以调用 board_info.BOOT_KEY , 实际上 board_info.BOOT_KEY 就是指 IO 16 ，对应的定义在 config.json 中可以得知，如果不存在的资源将会报错，如没有 LED 定义的硬件，运行 LED 点亮的时候就会报错“[Warning] Not loaded from /flash/config.json to board_info”。

下面是示例脚本代码

在IDE运行示例脚本后，按开发板上的 boot 按钮来捕获 3 个类别如：手机, 小车, 键盘，每个类别只需要捕获一次
然后捕获 15 张图，对顺序没有要求，比如捕获 5 张手机, 5 张小车， 5 张键盘的图片
然后它会自动学习这 15 张图的特征
最后识别到的图像类别会展示在左上角

import KPU as kpu
import sensor
import lcd
from Maix import GPIO,utils
from fpioa_manager import fm
#from board import board_info
import time
import gc############### config #################
class_num = 3
sample_num = 15
THRESHOLD = 11
class_names = ['class1', 'class2', 'class3']
board_cube = 0
########################################def draw_string(img, x, y, text, color, scale, bg=None ):if bg:img.draw_rectangle(x-2,y-2, len(text)*8*scale+4 , 16*scale, fill=True, color=bg)img = img.draw_string(x, y, text, color=color,scale=scale)return imgsensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.set_windowing((224, 224))
if board_cube == 1:sensor.set_vflip(True)sensor.set_hmirror(True)lcd.init(type=2)lcd.rotation(2)
else:lcd.init()fm.register(16, fm.fpioa.GPIOHS0)
key = GPIO(GPIO.GPIOHS0, GPIO.PULL_UP)try:del model
except Exception:pass
try:del classifier
except Exception:passgc.collect()
utils.gc_heap_size(0x40000)
kpu.memtest()  #由于使用的是完整固件，加载smodel会 memory not enough，所以利用utils从gc分配些内存给sys.
model = kpu.load(0x300000)
classifier = kpu.classifier(model, class_num, sample_num)
cap_num = 0
train_status = 0
last_cap_time = 0
last_btn_status = 1
while 1:img = sensor.snapshot()if board_cube:img = img.rotation_corr(z_rotation=90)img.pix_to_ai()# capture imgif train_status == 0:if key.value() == 0:time.sleep_ms(30)if key.value() == 0 and (last_btn_status == 1) and (time.ticks_ms() - last_cap_time > 500):last_btn_status = 0last_cap_time = time.ticks_ms()if cap_num < class_num:index = classifier.add_class_img(img)cap_num += 1print("add class img:", index)elif cap_num < class_num + sample_num:index = classifier.add_sample_img(img)cap_num += 1print("add sample img:", index)else:img = draw_string(img, 2, 200, "release boot key please", color=lcd.WHITE,scale=1, bg=lcd.RED)else:time.sleep_ms(30)if key.value() == 1 and (last_btn_status == 0):last_btn_status = 1if cap_num < class_num:img = draw_string(img, 0, 200, "press boot key to cap "+class_names[cap_num], color=lcd.WHITE,scale=1, bg=lcd.RED)elif cap_num < class_num + sample_num:img = draw_string(img, 0, 200, "boot key to cap sample{}".format(cap_num-class_num), color=lcd.WHITE,scale=1, bg=lcd.RED)# train and predictif train_status == 0:if cap_num >= class_num + sample_num:print("start train")img = draw_string(img, 30, 100, "training...", color=lcd.WHITE,scale=2, bg=lcd.RED)lcd.display(img)classifier.train()print("train end")train_status = 1else:res_index = -1try:res_index, min_dist = classifier.predict(img)print("{:.2f}".format(min_dist))except Exception as e:print("predict err:", e)if res_index >= 0 and min_dist < THRESHOLD :print("predict result:", class_names[res_index])img = draw_string(img, 2, 2, class_names[res_index], color=lcd.WHITE,scale=2, bg=lcd.RED)else:print("unknown, maybe:", class_names[res_index])img = draw_string(img, 2, 2, 'maybe {}'.format(class_names[res_index]), color=lcd.WHITE,scale=2, bg=lcd.RED)lcd.display(img)classifier.save("3_classes.classifier") #保存训练集到flash里
#classifier.save("3_classes.classifier")放置到 lcd.display(img)下面以保存特征值。
# You can save trained data to file system by:
#classifier.save("3_classes.classifier")# Then load :
# model = kpu.load(0x300000)
# classifier = kpu.classifier.load(model, "3_class.classifier")

② 加载脚本 self_learning_classifier_load.py

运行加载脚本不需要再次按BOOT按键进行拍照学习，

此脚本直接提取示例脚本保存到 flash里面的3_classes.classifier数据集，进行目标分类。

下面是加载脚本代码
修改class_name以匹配检测物体（训练模型时，使用的是class来命名）
class_names = ['people', 'xiaoai', 'tf']

import KPU as kpu
import sensor
import lcd
import gc############### config #################
saved_path = "3_classes.classifier"
#如果你使用sd卡：saved_path = "/sd/3_classes.classifier"
THRESHOLD = 11
class_names = ['class1', 'class2', 'class3']
########################################def draw_string(img, x, y, text, color, scale, bg=None ):if bg:img.draw_rectangle(x-2,y-2, len(text)*8*scale+4 , 16*scale, fill=True, color=bg)img = img.draw_string(x, y, text, color=color,scale=scale)return imglcd.init()
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.set_windowing((224, 224))try:del model
except Exception:pass
try:del classifier
except Exception:pass
gc.collect()
model = kpu.load(0x300000)
classifier, class_num, sample_num = kpu.classifier.load(model, saved_path)while 1:img = sensor.snapshot()res_index = -1try:res_index, min_dist = classifier.predict(img)print("{:.2f}".format(min_dist))except Exception as e:print("predict err:", e)if res_index >= 0 and min_dist < THRESHOLD :print("predict result:", class_names[res_index])img = draw_string(img, 2, 2, class_names[res_index], color=lcd.WHITE,scale=2, bg=lcd.RED)else:print("unknown, maybe:", class_names[res_index])img = draw_string(img, 2, 2, 'maybe {}'.format(class_names[res_index]), color=lcd.WHITE,scale=2, bg=lcd.RED)lcd.display(img)

四、效果

五、拓展

示例脚本只捕捉了3个物体，我们可以修改class_num等来提高物体数量

class_num = 5 #5个物体
sample_num = 25 #25张训练集
class_names = ['class1', 'class2', 'class3','class4','class5']#物体标签

在加载脚本处也修改

class_names = ['people', 'xiaoai', 'tf', 'box','mouse']

[K210]Maixpy self learning classifier 自学习分类器相关推荐

SDN实验（四）——Learning Switch自学习交换机
SDN实验(四)--Learning Switch自学习交换机一.自学习交换机原理 (一)普通交换机实现 (二)SDN交换机实现二.自学习交换机代码实现 (一)代码 (二)代码讲解 (三)实验三 ...
TRAINING A CLASSIFIER训练分类器（pytorch官网60分钟闪电战第四节）
Training an image classifier训练图像分类器本节没有写在GPU和多个GPU上训练的代码,主要写了训练图像分类器,分为5个步骤文章目录一.Loading and norm ...
OpenCV级联分类器Cascade Classifier
OpenCV级联分类器Cascade Classifier 级联分类器Cascade Classifier 目标理论 OpenCV中的Haar级联检测结果级联分类器Cascade Classif ...
k210自主学习目标分类
https://cn.maixpy.sipeed.com/dev/zh/course/ai/basic/maixpy_hardware_ai_basic.html MaixPy AI 硬件加速基本知识 ...
【github】机器学习(Machine Learning)深度学习(Deep Learning)资料
转自:https://github.com/ty4z2008/Qix/blob/master/dl.md# <Brief History of Machine Learning> 介绍:这 ...
机器学习(Machine Learning)深度学习(Deep Learning)资料汇总
本文来源:https://github.com/ty4z2008/Qix/blob/master/dl.md 机器学习(Machine Learning)&深度学习(Deep Learning ...
机器学习----(Machine Learning)深度学习(Deep Learning)资料(Chapter 1)
文章转至:作者:yf210yf 感谢您提供的资源资料汇总的很多,转载一下也方便自己以后慢慢学习注:机器学习资料篇目一共500条,篇目二开始更新希望转载的朋友,你可以不用联系我．但是一定要保留原 ...
机器学习(Machine Learning)深度学习(Deep Learning)资料集合
机器学习(Machine Learning)&深度学习(Deep Learning)资料原文链接:https://github.com/ty4z2008/Qix/blob/master/dl ...
机器学习(Machine Learning)深度学习(Deep Learning)资料(Chapter 1
<Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.D ...

[K210]Maixpy self learning classifier 自学习分类器