Pro OpenMV firmware v5.0.0 · na základě MicroPython v1.28 · dokumentace sestavena 19. června 2026

Strojové vidění,
jednoduše.

Detekce tváří v reálném čase, sledování AprilTag, skenování QR kódů a YOLO. Vše přímo v zařízení v čistém MicroPython. Bez hostitelského počítače, bez cloudu.

Průvodce rychlým spuštěním Referenční příručka API Najděte svou desku

Co je nového Přečtěte si protokol změn OpenMV firmware v5.0.0

Otevřít IDE

Stáhněte a nainstalujte OpenMV IDE pro Windows, macOS nebo Linux a spusťte IDE.

Připojte kameru

Zapojte OpenMV Cam do počítače přes USB. Modrá pulzní LED bliká, když je kamera připravena.

Spusťte první skript

Klikněte na tlačítko připojení se ikonou zásuvky v IDE a poté stiskněte zelené tlačítko přehrávání pro spuštění prvního skriptu.

Hello world

Příklady

import csi
import time
import ml
from ml.postprocessing.ultralytics import YoloV8

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)
csi0.snapshot(time=2000)  # let AWB/AGC stabilize

# Built-in single-class person detector model.
model = ml.Model("/rom/yolov8n_192.tflite",
                 postprocess=YoloV8(threshold=0.4))
clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    # predict returns a list per class of ((x, y, w, h), score) tuples.
    for class_dets in model.predict([img]):
        for rect, score in class_dets:
            img.draw_rectangle(rect, color=(0, 255, 0))
    print(clock.fps(), "fps")

Sledování osob v reálném čase

Integrovaný model YOLOv8 je detektor osob pro jednu třídu — kvantizovaný na int8 a uložený v ROM.

Načteno z /rom/yolov8n_192.tflite — není potřeba SD karta ani stahování.

Běží v reálném čase na deskách vybavených NPU — OpenMV N6 a AE3.

Přiveďte vlastní model YOLOv8 natrénovaný na Roboflow a načtěte ho stejným způsobem.

import csi
import math
import time

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.QVGA)
csi0.snapshot(time=2000)  # let AWB/AGC stabilize
csi0.auto_gain(False)
csi0.auto_whitebal(False)

clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    for tag in img.find_apriltags():
        img.draw_detection(tag, color1=(255, 0, 0), color2=(0, 255, 0))
        deg = math.degrees(tag.rotation)
        print("ID %d  rotation %.1f deg" % (tag.id, deg))
    print(clock.fps(), "fps")

Lokalizace a identifikace AprilTag

AprilTags jsou 2D referenční značky — odolné vůči rozmazání pohybem a částečnému zakrytí a poskytují úplnou 3D polohu.

Vestavěný detektor — není potřeba žádný soubor modelu ani trénování.

Vrací ID plus úplnou polohu 6-DoF — translaci x/y/z a rotaci x/y/z.

Používejte pro kalibraci robotiky, AR značky a vnitřní polohování.

import csi
import time
import ml
from ml.postprocessing.mediapipe import BlazeFace

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)
csi0.window((400, 400))  # square window for best results
csi0.snapshot(time=2000)  # let AWB/AGC stabilize

model = ml.Model("/rom/blazeface_front_128.tflite",
                 postprocess=BlazeFace(threshold=0.4))
clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    for rect, score, keypoints in model.predict([img]):
        img.draw_rectangle(rect, color=(0, 0, 255))
        ml.utils.draw_keypoints(img, keypoints, color=(255, 0, 0))
    print(clock.fps(), "fps")

Detekce tváří pomocí BlazeFace

BlazeFace od Google je odlehčený detektor tváří TensorFlow Lite, který vrací ohraničující rámečky a šest klíčových bodů na každou tvář.

Načteno z /rom/blazeface_front_128.tflite — předkvantizováno, není třeba stahovat.

Šest klíčových bodů na tvář: oči, nos, ústa a uši.

Žádné obavy o soukromí — snímky nikdy neopustí kameru.

import csi
import time

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.QVGA)
csi0.snapshot(time=2000)  # let AWB/AGC stabilize
csi0.auto_gain(False)

clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    for code in img.find_qrcodes():
        img.draw_rectangle(code.rect, color=(255, 0, 0))
        print(code.payload)
    print(clock.fps(), "fps")

Skenování QR kódů z živého přenosu

Vestavěný dekodér QR zpracovává nakloněné, zdeformované a částečně zakryté kódy.

Každý výsledek také zobrazuje verzi, úroveň ECC a souřadnice rohů.

Datové režimy: číselný, alfanumerický, binární a Kanji.

Vrací dekódovaný obsah jako řetězec Python — připraven k použití.

import csi
import time

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.QVGA)
csi0.snapshot(time=2000)  # let AWB/AGC stabilize
csi0.auto_gain(False)
csi0.auto_whitebal(False)

# LAB thresholds: (L_min, L_max, A_min, A_max, B_min, B_max)
thresholds = [
    (30, 100, 15, 127, 15, 127),   # red
    (30, 100, -64, -8, -32, 32),   # green
]

clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    for blob in img.find_blobs(thresholds, pixels_threshold=200):
        img.draw_rectangle(blob.rect, color=(255, 0, 0))
        img.draw_cross((blob.cx, blob.cy))
    print(clock.fps(), "fps")

Hledání barevných skvrn

find_blobs vrací propojené oblasti pixelů odpovídající jednomu nebo více prahovým hodnotám LAB.

Nastavte prahové hodnoty pro vaše osvětlení — nejprve vypněte automatický zesílení a automatické vyvážení bílé.

Předejte více prahových hodnot pro sledování více barev v jednom volání.

pixels_threshold filtruje malé detekce; merge=True spojuje překrývající se skvrny.

import csi
import time

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.GRAYSCALE)
csi0.framesize(csi.VGA)
csi0.window((640, 80))  # narrow strip for fast linear scanning
csi0.snapshot(time=2000)  # let AWB/AGC stabilize
csi0.auto_gain(False)
csi0.auto_whitebal(False)

clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    for code in img.find_barcodes():
        img.draw_rectangle(code.rect, color=(0, 255, 0))
        print(code.payload, "(quality %d)" % code.quality)
    print(clock.fps(), "fps")

Čtení 1D čárových kódů

Najděte 1D čárové kódy kdekoliv ve snímku a dekódujte jejich obsah.

Využívá knihovnu ZBar — rozpoznává EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN a DataBar.

Použijte okenní pruh v odstínech šedé pro nejrychlejší lineární skenování.

Každý výsledek obsahuje formát, obsah, rotaci, rohy a ohraničující obdélník.

import csi
import time
import ml
from ml.postprocessing.mediapipe import HandLandmarks

csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)
csi0.window((400, 400))  # square window for the model
csi0.snapshot(time=2000)  # let AWB/AGC stabilize

# Connections between the 21 keypoints — palm + 5 fingers.
hand_lines = ((0, 1), (1, 2), (2, 3), (3, 4), (0, 5), (5, 6),
              (6, 7), (7, 8), (5, 9), (9, 10), (10, 11), (11, 12),
              (9, 13), (13, 14), (14, 15), (15, 16), (13, 17), (17, 18),
              (18, 19), (19, 20), (0, 17))

model = ml.Model("/rom/hand_landmarks_full_224.tflite",
                 postprocess=HandLandmarks(threshold=0.4))
clock = time.clock()

while True:
    clock.tick()
    img = csi0.snapshot()
    # predict returns a list per hand: index 0 = left, index 1 = right.
    for detections in model.predict([img]):
        for rect, score, keypoints in detections:
            ml.utils.draw_skeleton(img, keypoints, hand_lines,
                                   kp_color=(255, 0, 0),
                                   line_color=(0, 255, 0))
    print(clock.fps(), "fps")

Sledování 21 klíčových bodů ruky

Model MediaPipe Hand Landmarks od Google umisťuje 21 kloubů na každou detekovanou ruku — zápěstí, klouby a špičky prstů.

Načteno z /rom/hand_landmarks_full_224.tflite — zde běží samostatně, bez předchozí detekce dlaně.

Vrací jeden seznam na ruku — index 0 je levá, index 1 je pravá.

ml.utils.draw_skeleton nakreslí všech 21 kloubů a spojení v jednom volání.

Jste noví v OpenMV?

Začněte podrobným tutoriálem — zahrnuje nastavení hardware, IDE, základní skripty a tipy pro první skutečný projekt.

Základní knihovny

API

Hardware, kamery, zpracování obrazu, pole ndarray, ML, multitasking, sítě, webové servery a Bluetooth — vše z MicroPython.

machine

Hardware nízké úrovně: GPIO, SPI, I²C, UART, PWM, ADC a časovače.

Strojové vidění,jednoduše.

Otevřít IDE

Připojte kameru

Spusťte první skript

Hello world

Sledování osob v reálném čase

Lokalizace a identifikace AprilTag

Detekce tváří pomocí BlazeFace

Skenování QR kódů z živého přenosu

Hledání barevných skvrn

Čtení 1D čárových kódů

Sledování 21 klíčových bodů ruky

Jste noví v OpenMV?

Základní knihovny

machine

csi

image

ulab

ml

asyncio

network

microdot

aioble

Prozkoumat podle desky

OpenMV N6 Novinka

OpenMV AE3 Novinka

OpenMV RT1062

OpenMV H7 Plus

OpenMV H7

Arduino Nicla Vision

Arduino Portenta

Arduino Giga

Rozšiřující desky

Gigabit PoE Shield

Servo Shield

Battery Shield

Touch LCD Shield

PoE Shield

PIR Shield

CAN/RS232 Shield

RS422/RS485 Shield

Senzory

PS5520 5MP HDR Camera

Multispectral Thermal (PAG7936)

Multispectral Thermal (OV5640)

Multispectral Event Camera

GENX320 Event Camera

FLIR Boson Adapter

FLIR Lepton Adapter

Global Shutter Camera Module

Další zdroje

Jazyk OpenMV MicroPython

Rozdíly oproti CPython

Vnitřní struktura OpenMV MicroPython

Komunita & odkazy

Domovská stránka OpenMV

Fóra

OpenMV na GitHub

MicroPython na GitHub

Strojové vidění,
jednoduše.