OpenMV firmware v5.0.0 · MicroPython v1.28 alapján · dokumentáció építve: 2026. június 19.

Gépi látás,
egyszerűen.

Élő arcfelismerés, AprilTag követés, QR szkennelés és YOLO. Minden az eszközön, tiszta MicroPython-ban. Nincs szükség gazdagépre vagy felhőre.

Gyors üzembe helyezési útmutató API referencia Találja meg a lapját

Mi az újdonság Olvassa el az OpenMV firmware v5.0.0 változásnaplóját

Nyissa meg az IDE-t

Töltse le és telepítse az OpenMV IDE-t Windows, macOS vagy Linux rendszerre, majd indítsa el az IDE-t.

Csatlakoztassa a kameráját

Csatlakoztassa az OpenMV Cam-et a számítógépéhez USB-en keresztül. Egy kék szívverés LED villog, amikor készen áll.

Futtassa az első szkriptjét

Kattintson a csatlakozás gombra az IDE-ben, majd nyomja meg a zöld lejátszás nyilat az első szkript futtatásához.

Hello world

Példák

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")

Valós idejű személykövetés

A beépített YOLOv8 modell egyosztályos személydetektor — int8 kvantált és ROM-ban szállított.

Betöltve a /rom/yolov8n_192.tflite fájlból — nincs szükség SD kártyára vagy letöltésre.

Valós időben fut NPU-val felszerelt lapokon — az OpenMV N6-on és AE3-on.

Hozza saját YOLOv8 modelljét, amelyet a Roboflow segítségével tanított, és töltse be ugyanúgy.

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")

AprilTag-ek megkeresése és azonosítása

Az AprilTag-ek 2D referencia markerek — mozgási elmosódással és részleges takarással szemben robusztusak, és teljes 3D-s pozíciót adnak.

Beépített detektor — nincs szükség modell fájlra vagy tanításra.

Visszaadja az azonosítót és a teljes 6-DoF pozíciót — x/y/z eltolás és x/y/z forgás.

Robotikai kalibráláshoz, AR jelölőkhöz és beltéri pozicionáláshoz használható.

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")

Arcfelismerés BlazeFace segítségével

A Google BlazeFace egy könnyűsúlyú TensorFlow Lite arcfelismerő, amely befoglaló téglalapokat és hat mérföldkövet ad vissza arconként.

Betöltve a /rom/blazeface_front_128.tflite fájlból — előre kvantált, nincs szükség letöltésre.

Hat kulcspont arconként: szemek, orr, száj és fülek.

Nincs adatvédelmi aggály — a képkockák soha nem hagyják el a kamerát.

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")

QR kódok szkennelése élő adatfolyamból

A beépített QR dekóder kezeli a döntött, torzított és részben takart kódokat.

Minden eredmény tartalmazza a verziót, az ECC szintet és a sarokkoordinátákat.

Numerikus, alfanumerikus, bináris és Kanji adatmódok.

A dekódolt adatot Python karakterláncként adja vissza — azonnal használható.

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")

Színes foltok keresése

find_blobs visszaadja az egy vagy több LAB küszöbértéknek megfelelő összefüggő pixelrégiókat.

Hangolja a küszöbértékeket a megvilágításhoz — először tiltsa le az automatikus erősítést és fehéregyensúlyt.

Adjon meg több küszöbértéket a többszínű követéshez egyetlen hívásban.

pixels_threshold kiszűri az apró felismeréseket; merge=True összekapcsolja az átfedő foltokat.

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")

1D vonalkódok olvasása

Keressen 1D vonalkódokat bárhol a képkockában és dekódolja azok tartalmát.

A ZBar könyvtár hajtja — felismeri az EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN és DataBar kódokat.

Használjon szürkeárnyalatos ablakos sávot a leggyorsabb lineáris szkenneléshez.

Minden eredmény tartalmaz formátumot, tartalmat, forgatást, sarkokat és befoglaló téglalapot.

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")

21 kéz kulcspont követése

A Google MediaPipe Hand Landmarks modell 21 ízületet helyez el minden felismert kézen — csukló, ujjpercek és ujjhegyek.

Betöltve a /rom/hand_landmarks_full_224.tflite fájlból — itt önállóan fut, tenyérfelismerés nélkül.

Kézenként egy listát ad vissza — a 0. index a bal, az 1. index a jobb kéz.

ml.utils.draw_skeleton egyetlen hívásban rajzolja meg mind a 21 ízületet és azok kapcsolatait.

Új az OpenMV-nél?

Kezdje a lépésről lépésre haladó útmutatóval — lefedi a hardver beállítását, az IDE-t, az alapvető szkripteket és tippeket az első valódi projekthez.

Alapkönyvtárak

API

Hardver, kamerák, képfeldolgozás, ndarray-ok, ML, többfeladatos végrehajtás, hálózatkezelés, webszerverek és Bluetooth — mind MicroPython-ból.

machine

Alacsony szintű hardver: GPIO, SPI, I²C, UART, PWM, ADC és időzítők.

Gépi látás,egyszerűen.

Nyissa meg az IDE-t

Csatlakoztassa a kameráját

Futtassa az első szkriptjét

Hello world

Valós idejű személykövetés

AprilTag-ek megkeresése és azonosítása

Arcfelismerés BlazeFace segítségével

QR kódok szkennelése élő adatfolyamból

Színes foltok keresése

1D vonalkódok olvasása

21 kéz kulcspont követése

Új az OpenMV-nél?

Alapkönyvtárak

machine

csi

image

ulab

ml

asyncio

network

microdot

aioble

Felfedezés lap szerint

OpenMV N6 Új

OpenMV AE3 Új

OpenMV RT1062

OpenMV H7 Plus

OpenMV H7

Arduino Nicla Vision

Arduino Portenta

Arduino Giga

Pajzsok

Gigabit PoE Shield

Servo Shield

Battery Shield

Touch LCD Shield

PoE Shield

PIR Shield

CAN/RS232 Shield

RS422/RS485 Shield

Érzékelők

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

További erőforrások

OpenMV MicroPython nyelv

Különbségek a CPython-tól

OpenMV MicroPython belső működés

Közösség & linkek

OpenMV főoldal

Fórumok

OpenMV a GitHub-on

MicroPython a GitHub-on

Gépi látás,
egyszerűen.