openmv没次运行都要数据线控制吗

Posted 2023-04-25

参考技术A 是的。
已经连接USB线在IDE下运行的程序需要依赖于IDE，要将使程序脱离IDE可以通过将py文件copy到设备的文件系统中，设备红色LED灯亮表示文件正在重写，需要等待红色灯灭掉然后按下复位按键，程序即运行。
OpenMV是嵌入式图像处理，其摄像头是一款小巧，低功耗，低成本的电路板，它帮助轻松的完成机器视觉应用。简单的来说，OpenMV是一个可编程的摄像头，通过MicroPython语言，可以实现逻辑。而且摄像头本身内置了一些图像处理算法，很容易使用。那么后期就可以使用OpenMV做一些计算机机器视觉的好玩项目了。

神器！200元开发板运行神经网络模型，吊打OpenMV！（保姆级教程）

文章目录

• 神器！200元开发板运行神经网络模型，吊打OpenMV！（保姆级教程）
• • 一、前言
  • 二、开发准备（软件+环境）
  • 三、获取训练图片
  • • 3.1 手机获取图片
    • 3.2 通过K210进行图片拍取
  • 四、获取训练集
  • 五、网络平台训练
  • • 5.1 获取机器码
    • • 5.1.1 下载固件
      • 5.1.2 串口读取
    • 5.2 提交训练集到模型平台
  • 六、模型导入
  • • 6.1 压缩包文件信息
    • 6.2 K210调用模型
  • 七、实验现象
  • 八、K210系列文章

神器！200元开发板运行神经网络模型，吊打OpenMV！（保姆级教程）

一、前言

2021年电赛马上就要开始了，在过去电赛中，当我们遇到需要用视觉的题目时，第一时间想到的就是使用openmv来做视觉处理，虽然说可以勉强达到设计目标，但整体上的性能上还是太弱，尤其在检测目标物体的时候受到环境影响非常大，所以我今天向大家推荐一款新电赛神器-搭载K210芯片的MaixBit开发板，拥有1TOPs算力，可以运行神经网络模型，价格亲民，只要200块就能买到，具体开发板参数介绍：勘智K210芯片介绍；

MaixBit开发板：

目前Sipeed官网有一个在线模型训练平台，为购买K210产品的用户提供一个在线模型训练，支持目标检测和目标分类两种模型，本篇文章将手把手教大家如何使用在线云平台训练目标检测模型（特别简单），并将它导入到K210中运行！下面先讲解一下关于目标检测模型和目标分类模型的概念

1. 目标分类： 识别图像所属的类别，例如 apple或cup，无返回坐标。如下图，它是苹果的概率是0.8。

2. 物体检测：检测物体在图片中的位置，并输出物体的坐标和物体的大小（即框定识别的物体）。如下图所示，一个苹果是苹果的概率是0.8，当它被检测到时会被框起来。

下面正式进入目标检测模型训练正文

二、开发准备（软件+环境）

本章用到的资料已打包成文件夹上传到CSDN：地址

1. K210的Python开发平台MaixPy，开发方式与OpenMV基本差不多：下载地址，根据自己电脑选择合适版本；

2. MaixPy界面如下：（基本和OpenMV IDE一样）

3. Labelimg图片标注软件（软件在我提供的压缩包内），界面如下：（若打不开，将C盘\\usr\\用户名下的labelImgSettings.pkl删除重新打开）

4. K210固件下载软件，用于下载固件到K210（软件在我提供的压缩包内），界面如下：

5. 串口调试软件：ATK-XCOM串口调试工具（软件在我提供的压缩包内），界面如下

三、获取训练图片

进行训练首先需要的就是获取目标图片用于训练，此处有两种方法获得图片集，我都做一下介绍

3.1 手机获取图片

手机获取图片的方法主要有两个：1.手机拍摄视频提取图片再转化图片大小，2.手机一张一张拍摄在转化图片大小（转化图片大小是把图片大小转化为224*224大小，因为k210官方推荐的训练图片大小就是这么大，如果使用的不是这个大小，后面会出现问题)

1. 手机拍摄一段视频，进入在线网页转换为图片：网页地址；

通过视频获取图片数据集步骤：点开网页-> 导入视频-> 点击开始后，选择下载ZIP压缩包

提取的所有图片都包含在下载的压缩包里面

2. 手机拍摄大量图片（这个方法比较累，一张一张拍摄在整合）

以上就是两种获取图片的方法，在获取了需要用于训练的图片素材后，他们的大小我们不能确定，需要通过imgtool软件进行转换，软件在我提供的压缩包内；把图片转换成224*224，具体步骤如下：

把所有图片放在一个images文件夹下（名字要和我一样）

打开Imgtool选择存放图片的文件夹，开始转换

转换后生成一个images_out文件夹，我们删除原先文件夹，把images_out改名为images文件夹

到此通过手机获取的图片集就准备好了！

3.2 通过K210进行图片拍取

上一步我们用手机获取图片集，但手机的效果并不是最佳，最佳的效果是使用K210直接进行图片拍摄，获取224*224格式的图片，具体步骤如下：

首先确保K210自身固件为出厂固件，固件在我准备的文件夹内，如果不是可以刷一下固件，固件位置在下图中我框选出来了，刷固件步骤可以提前参考下面刷机器码步骤（如果是出厂固件无需再刷固件），同时需要一张格式化为FAT32的内存卡，用于存储图片

固件准备就绪后，打开maixpy IDE软件，选择拍照文件夹下的photo.py进行打开

打开后点击做下架绿色图标连接K210

连接后，点击绿色播放按钮，程序正常运行，图片数据反馈回MaixPyIDE

我们对准我们需要的训练的目标，按下MaixBit上的Boot按键，图片就可以保存到内存卡里面，下图为我采集的照片，照片已经为224*224大小，所以无需再进行转换便得到图片集

四、获取训练集

经过上一步，我们获取了224*224大小的目标图片集，这一步我们将使用标注软件labelimg对获取的训练集进行标注，步骤如下：

桌面新建文件夹dataset，dataset下在建立一个usb文件夹，文件夹内建立两个文件夹分别叫images和xml，以及一个labels.txt的文本文件（名字一定要对上）

将所有处理过的图片放到images内（图片不能为中文名字）

打开labelimg，选择open dir打开图片集目录

点击change save dir，选择标注数据（.xml文件）输出目录

点击view->auto save mode自动保存，方便我们标注

之后按下快捷键W进行图片标注，框选出目标物体，然后标签写入usb

标注后按下快捷键D切换下一个，快捷键A切换上一个，重复以上步骤，一直到标注完成

标注完成后，我们在labels.txt内写入所有的标签（标注了几种写几种，换行隔开），此处我只标注了usb一种，所以填一个usb；

标注完成之后，我们可以看到文件夹的内容框架如下：

之后我们将整个文件夹压缩为ZIP格式文件，到这用于目标检测模型的训练集就做好了！

五、网络平台训练

在准备好训练集后，我们下一步就是将模型上传到Sipeed的模型平台进行训练，具体步骤如下：

5.1 获取机器码

使用Sipeed的模型平台需要有k210的机器码才能训练，机器码是每个k210独有的一个标识码，获取过程如下

5.1.1 下载固件

打开kflash_gui，通过kflash下载bin文件到K210，bin文件在MaixBit文件夹下固件下面的key_gen.bin文件

5.1.2 串口读取

固件下载完成之后，打开XCOM软件，连接串口，设置波特率115200，按下开发板上的复位按钮，串口会发送机器码信息，如下图

此处的机器码就是当前机器的机器码了，把它保存住，留着后面使用，注意一点此时的k210固件是刷机器码的固件，我们需要刷回支持运行模型的固件，在固件文件夹内我准备了两个固件，一个是出厂固件，一个是官方推荐的运行模型固件，具体对应如下表，我们刷入官方推荐的固件，为之后运行模型做准备！

文件名	说明	备注
maixpy_vx.y.z_x_xxx*.bin	默认版本的 MaixPy 固件，包含了大多数功能, 支持连接 MaixPy IDE,	出厂默认固件版本
maixpy_vx.y.z_x_xxx*_minimum_with_ide_support.bin	MaixPy 固件最小集合, 支持连接 MaixPy IDE, 不包含OpenMV的相关算法和各种外设模块	运行各种模型，建议使用这个

5.2 提交训练集到模型平台

获取了机器码后，下一步我们进入到Sipeed的官网：Sipeed，进入到官网后注册一个账号（步骤略过），点击官网的模型平台->选择模型训练，在下图位置填入机器码，并且选择物体检测；

然后点击next，上传模型压缩包（ZIP格式），再点击next一直到submit，提交后我们就可以在自己的主页中看到模型正在排队，等排到我们的时候就会开始训练了，我的训练集给了200张，训练差不多要半个小时，下图是训练完成的界面

到此模型训练就结束了

六、模型导入

6.1 压缩包文件信息

模型训练结束后下一步就是把模型导入到k210中运行，首先把我们训练好的模型压缩包下载下来，压缩包内容如下：

其中startup.jpg是启动界面图片，无需关注，report是模型训练的结果

两个曲线的对应关系

Loss曲线趋势	结果
train loss 不断下降，valid loss不断下降	说明网络仍在学习，还有优化空间
train loss 不断下降，valid loss趋于不变	说明网络过拟合（max pool或者正则化）
train loss 趋于不变，valid loss不断下降	说明数据集100%有问题，检查数据集有没有出错
train loss 趋于不变，valid loss趋于不变	说明学习遇到瓶颈，需要减小学习率或批量数目;或者是数据集有问题（数据集标注错误数据比较多）;
train loss 不断上升，valid loss不断上升	说明网络结构设计不当，训练超参数设置不当，数据集经过清洗等问题;

这里我的训练集做的不是很好，因为摄像头太模糊了，但也勉强可以使用

m.kmodel是模型数据，系统关键文件；

labels.txt是模型的标注信息；

boot.py是官方提供的调用模型的脚本，用于启动模型

6.2 K210调用模型

知道压缩包文件的作用后，我们开始通过k210调用模型，这里有两种模型调用方式

1.从SD卡启动模型

准备一个sd卡，把上面的文件全部拷贝进去，插入k210上电启动，k210会从sd卡中的boot.py进行启动，调用模型，开始检测

2.从内部Flash启动模型

若没有SD卡，则可以将模型导入到内部Flash指定位置，然后通过修改Boot.py内读取模型的位置，直接启动，具体步骤如下

打开kflash，下载位置填入0x300000后下载

改变boot.py里面的代码，注释掉从SD卡启动的代码，取消从flash启动代码的注释，然后通过MaixPy点击运行，K210就可以检测模型了

七、实验现象

K210运行了模型之后，对准目标物到中心位置时检测率很高，但因为我的数据集少的原因，在侧面检测的识别率不高，运行一段时间没有误检测的情况，效果比我之前用Openmv好很多！！！

八、K210系列文章

• K210实战-点亮LED灯
• K210实战-按键中断
• K210实战-串口通信
• K210实战-云端模型训练
• K210实战-本地模型训练(未更新)