OpenMV-laiteohjelmisto v5.0.0 · perustuu MicroPython v1.28 · dokumentaatio julkaistu 19. kesäkuuta 2026

Konenäkö,
yksinkertaistettuna.

Reaaliaikainen kasvojentunnistus, AprilTag-seuranta, QR-skannaus ja YOLO. Kaikki laitteella pelkässä MicroPythonissa. Ei isäntätietokonetta, ei pilveä.

Pikaopas API-viite Löydä lautasi

Mitä uutta Lue OpenMV-laiteohjelmiston v5.0.0 muutosloki

Avaa IDE

Lataa ja asenna OpenMV IDE Windowsille, macOS:lle tai Linuxille ja käynnistä IDE.

Yhdistä kamerasi

Kytke OpenMV Cam tietokoneeseen USB:n kautta. Sininen sykkivä LED vilkkuu, kun se on valmis.

Suorita ensimmäinen skriptisi

Napsauta pistokekuvakkeen yhdistämispainiketta IDE:ssä, sitten napsauta vihreää toistopainiketta suorittaaksesi ensimmäisen skriptisi.

Hei maailma

Esimerkit

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")

Reaaliaikainen henkilöseuranta

Sisäänrakennettu YOLOv8-malli on yksipuolilainen henkilöntunnistin — int8-kvantisoitu ja toimitettu ROM:issa.

Ladataan kohteesta /rom/yolov8n_192.tflite — ei SD-korttia tai latausta tarvita.

Toimii reaaliajassa NPU:lla varustetuilla laudoilla — OpenMV N6 ja AE3.

Tuo oma YOLOv8-mallisi, joka on koulutettu Roboflowssa, ja lataa se samalla tavalla.

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")

Paikanna ja tunnista AprilTagit

AprilTagit ovat 2D-viitemerkkejä — kestäviä liikesumuutokselle ja osittaiselle peittymiselle, ja ne antavat täyden 3D-asennon.

Sisäänrakennettu tunnistin — ei mallia tai harjoittelua tarvita.

Palauttaa tunnisteen sekä täyden 6-DoF-asennon — x/y/z-siirtymä ja x/y/z-kierto.

Käytä robotiikan kalibrointiin, AR-merkkeihin ja sisätilapaikannukseen.

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")

Tunnista kasvoja BlazeFacella

Googlen BlazeFace on kevyt TensorFlow Lite -kasvontunnistin, joka palauttaa rajoitusruudut sekä kuusi maamerkkiä per kasvot.

Ladataan kohteesta /rom/blazeface_front_128.tflite — ennalta kvantisoitu, ei latausta tarvita.

Kuusi avainpistettä per kasvot: silmät, nenä, suu ja korvat.

Ei tietosuojahuolia — kuvat eivät koskaan poistu kamerasta.

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")

Skannaa QR-koodeja reaaliaikaisesta kuvasta

Sisäänrakennettu QR-dekooderi käsittelee kallistuneita, vääristyneitä ja osittain peittyneitä koodeja.

Jokainen tulos paljastaa myös version, ECC-tason ja kulmakoordinaatit.

Numeeriset, aakkosnumeeriset, binääriset ja Kanji-datatilat.

Palauttaa dekoodatun sisällön Python-merkkijonona — valmis käytettäväksi.

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")

Löydä väriläiskiä

find_blobs palauttaa yhtenäisiä pikselialueita, jotka vastaavat yhtä tai useampaa LAB-kynnysarvoa.

Säädä kynnysarvot valaistuksellesi — poista automaattivahvistus ja automaattinen valkotasapaino ensin käytöstä.

Anna useita kynnysarvoja moniväriseurantaan yhdellä kutsulla.

pixels_threshold suodattaa pienet havainnot; merge=True yhdistää päällekkäiset läiskät.

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")

Lue 1D-viivakoodeja

Löydä 1D-viivakoodeja mistä tahansa kuvan kohdasta ja dekoodaa niiden sisältö.

Perustuu ZBar-kirjastoon — tunnistaa EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN ja DataBar.

Käytä ikkunoitua harmaasävykaistaa nopeimpaan lineaariseen skannaukseen.

Jokaisella tuloksella on formaatti, sisältö, kierto, kulmat ja rajoitussuorakaide.

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")

Seuraa 21 käden avainpistettä

Googlen MediaPipe Hand Landmarks -malli sijoittaa 21 niveltä jokaiselle havaitulle kädelle — ranne, nyrkkinivelet ja sormenpäät.

Ladataan kohteesta /rom/hand_landmarks_full_224.tflite — toimii itsenäisesti tässä, ilman ylöspäin tapahtuvaa kämmenentunnistusta.

Palauttaa yhden listan per käsi — indeksi 0 on vasen, indeksi 1 on oikea.

ml.utils.draw_skeleton piirtää kaikki 21 niveltä ja yhteydet yhdellä kutsulla.

Uusi OpenMV-käyttäjä?

Aloita vaiheittaisella opetusohjelmalla — se kattaa laitteiston asennuksen, IDE:n, perusskriptit ja vinkit ensimmäiseen todelliseen projektiisi.

Ydinkirjastot

API

Laitteisto, kamerat, kuvankäsittely, ndarray-taulukot, ML, rinnakkaistehtävät, verkkoliikenne, web-palvelimet ja Bluetooth — kaikki MicroPythonilla.

machine

Matalan tason laitteisto: GPIO, SPI, I²C, UART, PWM, ADC ja ajastimet.

Konenäkö,yksinkertaistettuna.

Avaa IDE

Yhdistä kamerasi

Suorita ensimmäinen skriptisi

Hei maailma

Reaaliaikainen henkilöseuranta

Paikanna ja tunnista AprilTagit

Tunnista kasvoja BlazeFacella

Skannaa QR-koodeja reaaliaikaisesta kuvasta

Löydä väriläiskiä

Lue 1D-viivakoodeja

Seuraa 21 käden avainpistettä

Uusi OpenMV-käyttäjä?

Ydinkirjastot

machine

csi

image

ulab

ml

asyncio

network

microdot

aioble

Selaa laudan mukaan

OpenMV N6 Uusi

OpenMV AE3 Uusi

OpenMV RT1062

OpenMV H7 Plus

OpenMV H7

Arduino Nicla Vision

Arduino Portenta

Arduino Giga

Suojalevyt

Gigabit PoE Shield

Servo Shield

Battery Shield

Touch LCD Shield

PoE Shield

PIR Shield

CAN/RS232 Shield

RS422/RS485 Shield

Anturit

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

Lisää resursseja

OpenMV MicroPython -kieli

Erot CPythonista

OpenMV MicroPython-sisäisyydet

Yhteisö & linkit

OpenMV-kotisivu

Foorumit

OpenMV GitHubissa

MicroPython GitHubissa

Konenäkö,
yksinkertaistettuna.