sensor.reset() # 复位并初始化传感器。

sensor.set_pixformat(sensor.RGB565) # Set pixel format to RGB565 (or GRAYSCALE)
#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。

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')
net = nn.load('/cifar10_fast.network')
labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

clock = time.clock()
while(True):
clock.tick()

img = sensor.snapshot()

for obj in net.search(img, threshold=0.6, min_scale=0.4, scale_mul=0.8,
x_overlap=-1, y_overlap=-1, contrast_threshold=0.5):
print("Detected %s - Confidence %f%%" % (labels[obj.index()], obj.value()))
img.draw_rectangle(obj.rect(), color=(255, 0, 0))
print(clock.fps())

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

sensor.reset() # 复位并初始化传感器。

sensor.set_pixformat(sensor.RGB565) # Set pixel format to RGB565 (or GRAYSCALE)
#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。

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')
labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

clock = time.clock()
while(True):
clock.tick()

img = sensor.snapshot()

# net.search()将在图像中搜索网络中的roi（如果未指定roi，则搜索整个图像）。
# 如果其中一个分类器输出大于阈值，则在每个位置查看图像，位置和标签将存储在对象列表中并返回。
# 在每个比例下，使用x_overlap(0-1)和y_overlap(0-1)作为指导，在ROI中移动检测窗口。
# 如果将overlap设置为0.5，则每个检测窗口将与前一个检测窗口重叠50％。
# 请注意，计算工作重叠越多，负载越多。
# 最后，对于在x/y维度上滑动网络之后的多尺度匹配，检测窗口将通过scale_mul(0-1)缩小到min_scale(0-1)。
# 例如，如果scale_mul为0.5，则检测窗口将缩小50％。
# 请注意，在较低比例下，如果x_overlap和y_overlap较小，则搜索区域会更多...
# contrast_threshold会跳过平坦区域。

# 设置x_overlap = -1会强制窗口始终保持在x方向的ROI中心。
# 如果y_overlap不为-1，则该方法将搜索所有垂直位置。

# 设置y_overlap = -1会强制窗口始终在y方向的ROI中居中。
# 如果x_overlap不是-1，则该方法将在所有水平位置搜索。

for obj in net.search(img, threshold=0.6, min_scale=0.4, scale_mul=0.8, \
        x_overlap=-1, y_overlap=-1, contrast_threshold=0.5):
    print("Detected %s - Confidence %f%%" % (labels[obj.index()], obj.value()))
    img.draw_rectangle(obj.rect(), color=(255, 0, 0))
print(clock.fps())