4. Attribute Error如何解决
  • 免费好用的星瞳AI云服务上线！简单标注，云端训练，支持OpenMV H7和OpenMV H7 Plus。可以替代edge impulse。 https://forum.singtown.com/topic/9519
  • 我们只解决官方正版的OpenMV的问题（STM32），其他的分支有很多兼容问题，我们无法解决。
  • 如果有产品硬件故障问题，比如无法开机，论坛很难解决。可以直接找售后维修。
  • 发帖子之前，请确认看过所有的视频教程，https://singtown.com/learn/ 和所有的上手教程http://book.openmv.cc/
  • 每一个新的提问，单独发一个新帖子
  • 帖子需要目的，你要做什么？
  • 如果涉及代码，需要报错提示与全部代码文本，请注意不要贴代码图片
  • 必看：玩转星瞳论坛了解一下图片上传，代码格式等问题。

    • Attribute Error如何解决

    • Q

      使用IDE给OPENMV4 H7 PLUS写入代码时，运行到110行net = tf.load("trained.tflite", load_to_fb=uos.stat('trained.tflite')[6] > (gc.mem_free() - (64*1024)))时，IDE会出现Attribute Error:'module' object has no attribute 'load'报错，如何解决呢

      '''
openMV1
实现：识别路标
方式：神经网络数据集
'''
#------------------------------------------------------------
##使用库导入##
import sensor, image, time, os, tf, uos, gc
from pyb import UART,Timer
#------------------------------------------------------------
##摄像头初始化##
#像素与图片大小
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)#320*240
#摄像头翻转
sensor.set_vflip (False)
sensor.set_hmirror(False)
#等待配置时间
sensor.skip_frames(time = 1000)
#设置画面
sensor.set_windowing(0,30,320,180)

#------------------------------------------------------------
##通信功能##
#--------------------
##通信初始化
uart = UART(3, 9600)  # 定义串口3变量
uart.init(9600, bits=8, parity=None, stop=1)#串口3初始化
#--------------------
##通信协议
def send_data(mode,num,x,y):
    start = 0x24
    end = 0x23
    length = 5
    class_num = 0x05 #例程编号
    class_group = 0xBB #例程组
    data_num = 0x00 #数据量
    fenge = 0x2c #逗号
    crc = 0 #校验位
    data = [] #数据组

    #参数都为0
    if mode==0 and num==0 and x==0 and y ==0:
        pass
    else:
        #mode(小端模式)
        low = mode & 0xFF #低位
        high = mode >> 8& 0xFF #高位
        data.append(low)
        data.append(fenge) #增加","
        data.append(high)
        data.append(fenge) #增加","

        #num(小端模式)
        low = num & 0xFF #低位
        high = num >> 8& 0xFF #高位
        data.append(low)
        data.append(fenge) #增加","
        data.append(high)
        data.append(fenge) #增加","

        #x(小端模式)
        low = x & 0xFF #低位
        high = x >> 8& 0xFF #高位
        data.append(low)
        data.append(fenge) #增加","
        data.append(high)
        data.append(fenge) #增加","

        #y(小端模式)
        low = y & 0xFF #低位
        high = y >> 8& 0xFF #高位
        data.append(low)
        data.append(fenge) #增加","
        data.append(high)
        data.append(fenge) #增加","

    data_num = len(data)
    length += len(data)
    #print(length)

    send_merr = [length,class_num,class_group,data_num]
    for i in range(data_num):
        send_merr.append(data[i])
    #print(send_merr)

    #不加上CRC位，进行CRC运算
    for i in range(len(send_merr)):
        crc +=send_merr[i]
    crc = crc%256

    send_merr.insert(0,start) #插入头部
    send_merr.append(crc)
    send_merr.append(end)

    #print(send_merr)
    global send_buf
    send_buf = send_merr
    FH=bytearray(send_buf)
    print(send_buf)
    uart.write(FH)
#--------------------
##发送识别结果1
def send_temp(id):
    send_data(1,id,0,0)
#------------------------------------------------------------
##识别功能##
#--------------------
net = tf.load("trained.tflite", load_to_fb=uos.stat('trained.tflite')[6] > (gc.mem_free() - (64*1024)))
labels = [line.rstrip('\n') for line in open("labels.txt")]
idbuffer=[0,0,0,0,0]#阈值清空buffer
#色块识别阈值
red=(26, 100, 29, 127, -37, 52)
blue=(0, 58, -38, 80, -128, -32)
green=(10, 75, -128, 20, 20, 106)
#阈值清空标准，减少误识别概率
buffer1=3
buffer2=3
buffer3=3
buffer4=3
#停止时间，防止识别同一个标识两次
sleep1=800
sleep2=600
sleep3=400
#------------------------------------------------------------
clock = time.clock()
while (True):
    clock.tick()
    img = sensor.snapshot()#.lens_corr(strength = 1.8, zoom = 1.0)
    #视上车情况开抗鱼眼
    #对数据集tensor进行匹配
    for obj in net.classify(img, min_scale=1.0, scale_mul=0.8, x_overlap=0.5, y_overlap=0.5):
        data=obj.output()
        if (data[0]>0.35):#数据集匹配率
            idbuffer[0]=idbuffer[0]+1
            idbuffer[4]=0
        elif (data[3]>0.55):
            idbuffer[3]=idbuffer[3]+1
            idbuffer[4]=0
        elif (data[1]>0.67):
            idbuffer[1]=idbuffer[1]+1
            idbuffer[4]=0
        elif (data[2]>0.75):
            idbuffer[2]=idbuffer[2]+1
            idbuffer[4]=0
        else:#无有效匹配值时，idbuffer[4]+1，用以清空idbuffer
            idbuffer[4]=idbuffer[4]+1

    if idbuffer[0]>=buffer1:#红色标识1
        blobs=img.find_blobs([red],pixels_threshold=3, area_threshold=9, merge=True, margin=3)
        #对色块进行额外匹配，防止误识别
        if blobs:
            send_temp(1)
            idbuffer=[0,0,0,0,0]
            time.sleep_ms(sleep1)
        else:
            idbuffer[0]=0

    elif idbuffer[1]>=buffer2:#蓝色标识2
        blobs=img.find_blobs([blue],pixels_threshold=3, area_threshold=9, merge=True, margin=3)
        if blobs:
            send_temp(2)
            idbuffer=[0,0,0,0,0]
            time.sleep_ms(sleep2)
        else:
            idbuffer[1]=0

    elif idbuffer[2]>=buffer3:#绿色标识3
        blobs=img.find_blobs([green],pixels_threshold=3, area_threshold=9, merge=True, margin=3)
        if blobs:
            send_temp(3)
            idbuffer=[0,0,0,0,0]
            time.sleep_ms(sleep3)
        else:
            idbuffer[2]=0

    elif idbuffer[3]>=buffer4:#红色标识停
        blobs=img.find_blobs([red],pixels_threshold=3, area_threshold=9, merge=True, margin=3)
        if blobs:
            send_temp(4)
            idbuffer=[0,0,0,0,0]
            time.sleep_ms(sleep1)
        else:
            idbuffer[4]=0

    elif idbuffer[4]>=2*buffer1:#无有效识别对象后清空阈值，防止后续干扰
        idbuffer=[0,0,0,0,0]

    gc.collect()
      0