Oprogramowanie OpenMV v5.0.0 · oparte na MicroPython v1.28 · dokumentacja zbudowana 19 czerwca 2026

Wizja maszynowa,
uproszczona do granic możliwości.

Detekcja twarzy na żywo, śledzenie AprilTag, skanowanie QR i YOLO. Wszystko na urządzeniu w czystym MicroPython. Bez komputera hosta, bez chmury.

Przewodnik szybkiego startu Dokumentacja API Znajdź swoją płytkę

Co nowego Przeczytaj dziennik zmian oprogramowania OpenMV v5.0.0

1

Otwórz IDE

Pobierz i zainstaluj OpenMV IDE dla systemu Windows, macOS lub Linux, a następnie uruchom IDE.

2

Podłącz kamerę

Podłącz OpenMV Cam do komputera przez USB. Niebieski LED sygnału pracy miga, gdy kamera jest gotowa.

3

Uruchom swój pierwszy skrypt

Kliknij przycisk połączenia z ikoną gniazda w IDE, a następnie naciśnij zielony przycisk odtwarzania, aby uruchomić swój pierwszy skrypt.

Witaj świecie

Przykłady

Śledzenie osób YOLOv8Śledzenie AprilTagŚledzenie BlazeFaceWykrywanie kodów QRŚledzenie koloruWykrywanie kodów kreskowychPunkty charakterystyczne dłoni

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")

Śledzenie osób w czasie rzeczywistym

Wbudowany model YOLOv8 to jednoklasowy detektor osób — skwantyzowany do int8 i dostarczany w ROM.

Wczytywany z /rom/yolov8n_192.tflite — nie wymaga karty SD ani pobierania.

Działa w czasie rzeczywistym na płytkach wyposażonych w NPU — OpenMV N6 i AE3.

Przynieś własny model YOLOv8 wytrenowany na Roboflow i wczytaj go w ten sam sposób.

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")

Lokalizuj i identyfikuj AprilTags

AprilTags to dwuwymiarowe znaczniki fiducjalne — odporne na rozmycie ruchu i częściowe zasłonięcie, zapewniające pełną pozę 3D.

Wbudowany detektor — nie wymaga pliku modelu ani trenowania.

Zwraca ID oraz pełną pozę 6-DoF — translację x/y/z i obrót x/y/z.

Stosuj do kalibracji robotyki, znaczników AR i pozycjonowania wewnętrznego.

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")

Wykrywaj twarze za pomocą BlazeFace

BlazeFace od Google to lekki detektor twarzy TensorFlow Lite, który zwraca prostokąty ograniczające oraz sześć punktów charakterystycznych na twarz.

Wczytywany z /rom/blazeface_front_128.tflite — wstępnie skwantyzowany, bez konieczności pobierania.

Sześć punktów kluczowych na twarz: oczy, nos, usta i uszy.

Żadnych obaw o prywatność — klatki nigdy nie opuszczają kamery.

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")

Skanuj kody QR z transmisji na żywo

Wbudowany dekoder QR obsługuje kody pochylone, zniekształcone i częściowo zasłonięte.

Każdy wynik udostępnia też wersję, poziom ECC i współrzędne narożników.

Tryby danych: numeryczny, alfanumeryczny, binarny i Kanji.

Zwraca zdekodowaną zawartość jako ciąg Python — gotowy do użycia.

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")

Znajdź obszary koloru

find_blobs zwraca połączone regiony pikseli pasujące do jednego lub więcej progów LAB.

Dostosuj progi do swojego oświetlenia — najpierw wyłącz automatyczne wzmocnienie i automatyczny balans bieli.

Przekaż wiele progów, aby śledzić wiele kolorów w jednym wywołaniu.

pixels_threshold filtruje małe wykrycia; merge=True łączy nakładające się obszary.

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")

Odczytuj kody kreskowe 1D

Znajdź kody kreskowe 1D w dowolnym miejscu klatki i zdekoduj ich zawartość.

Obsługiwane przez bibliotekę ZBar — rozpoznaje EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN i DataBar.

Użyj okienkowego paska w skali szarości, aby uzyskać najszybsze skanowanie liniowe.

Każdy wynik zawiera format, zawartość, obrót, narożniki i prostokąt ograniczający.

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")

Śledź 21 punktów kluczowych dłoni

Model MediaPipe Hand Landmarks od Google umieszcza 21 stawów na każdej wykrytej dłoni — nadgarstek, knykcie i opuszki palców.

Wczytywany z /rom/hand_landmarks_full_224.tflite — działa samodzielnie, bez wcześniejszego wykrywania dłoni.

Zwraca jedną listę na dłoń — indeks 0 to lewa, indeks 1 to prawa.

ml.utils.draw_skeleton rysuje wszystkie 21 stawów i połączeń w jednym wywołaniu.

Nowy w OpenMV?

Zacznij od samouczka krok po kroku — obejmuje konfigurację sprzętu, IDE, podstawowe skrypty i wskazówki do pierwszego prawdziwego projektu.

Podstawowe biblioteki

API

Sprzęt, kamery, przetwarzanie obrazu, ndarrays, ML, wielozadaniowość, sieć, serwery WWW i Bluetooth — wszystko z MicroPython.

machine

Sprzęt niskopoziomowy: GPIO, SPI, I²C, UART, PWM, ADC i timery.

Eksploruj →

csi

Sterowanie kamerą: formaty pikseli, rozmiary klatek, ekspozycja, wzmocnienie i balans bieli.

Eksploruj →

image

Wizja maszynowa: obszary, krawędzie, linie, okręgi, cechy i rysowanie.

Eksploruj →

ulab

Obliczenia numeryczne na urządzeniu — ndarrays, FFT i algebra liniowa.

Eksploruj →

ml

Wnioskowanie sieci neuronowej na urządzeniu — klasyfikacja, detekcja i segmentacja.

Eksploruj →

asyncio

Kooperatywna wielozadaniowość — kamera, sieć i I/O równolegle.

Eksploruj →

network

Wi-Fi, Ethernet i gniazda dla IoT i komunikacji zdalnej.

Eksploruj →

microdot

Minimalny serwer HTTP — trasy, sesje, logowanie, SSE i WebSockets.

Eksploruj →

aioble

Asynchroniczne Bluetooth Low Energy — urządzenia peryferyjne, rozgłaszanie i GATT.

Eksploruj →

Zobacz wszystkie biblioteki →

Przeglądaj według płytki

Sprzęt

Wybierz swój OpenMV Cam, aby zobaczyć rozkład pinów, dane techniczne i skrócony opis dla danej płytki.

OpenMV N6 Nowy

STM32N6 z wbudowanym NPU — pierwszy układ MCU STMicro z akceleracją AI.

Eksploruj →

OpenMV AE3 Nowy

Alif Ensemble E3 — klasa fusion Cortex-M55 z NPU Ethos-U55.

Eksploruj →

OpenMV RT1062

NXP i.MX RT1062 Cortex-M7 taktowany 600 MHz z 32 MB zewnętrznego SDRAM.

Eksploruj →

OpenMV H7 Plus

STM32H743 z 32 MB zewnętrznego SDRAM i sensorem 5 MP OV5640.

Eksploruj →

OpenMV H7

STM32H743 Cortex-M7 z wymiennym modułem sensora obrazu.

Eksploruj →

Arduino Nicla Vision

Kompaktowa płytka STM32H747 23 × 23 mm z wbudowanym sensorem.

Eksploruj →

Arduino Portenta

STM32H747 z 8 MB SDRAM i obsługą Vision Shield.

Eksploruj →

Arduino Giga

STM32H747 z 8 MB SDRAM i obsługą Vision i Display Shield.

Eksploruj →

Zobacz wszystkie obsługiwane płytki →

Nakładki

Dodatki

Nakładki podłączane do OpenMV Cam — sieć, sterowanie silnikami, wyświetlacze i nie tylko.

Gigabit PoE Shield

Gigabit Ethernet z PoE do strumieniowania o wyższej przepustowości.

Eksploruj →

Servo Shield

Steruj do 4 serwomechanizmami pobierającymi do 5 A przy zasilaniu kamery, wejście 6–36 V.

Eksploruj →

Battery Shield

Wejście zasilania bateryjnego 1,8–5,5 V przez złącze DC barrel.

Eksploruj →

Touch LCD Shield

Wyświetlacz SPI LCD 2,3" z pojemnościowym ekranem wielodotykowym i Qwiic.

Eksploruj →

PoE Shield

Ethernet 10/100 z zasilaniem przez Ethernet.

Eksploruj →

PIR Shield

Wyzwalacz ruchu w trybie czuwania 6 µA plus białe i podczerwone 850 nm.

Eksploruj →

CAN/RS232 Shield

8 Mb/s CAN-FD plus 1 Mb/s RS-232 na jednej nakładce.

Eksploruj →

RS422/RS485 Shield

10 Mb/s szeregowy różnicowy dla magistrali przemysłowych.

Eksploruj →

Zobacz wszystkie nakładki →

Sensory

Moduły kamer

Moduły kamer i adaptery sensorów podłączane przez złącze board-to-board — wizja kolorowa, monochromatyczna, termiczna i zdarzeniowa.

PS5520 5MP HDR Camera

Sensor 5 MP HDR — wysoki zakres dynamiczny w trudnych warunkach oświetleniowych.

Eksploruj →

Multispectral Thermal (PAG7936)

1 MP global-shutter kolor + termiczny FLIR Lepton na jednym module.

Eksploruj →

Multispectral Thermal (OV5640)

5 MP rolling-shutter kolor + termiczny FLIR Lepton na jednym module.

Eksploruj →

Multispectral Event Camera

Sensor zdarzeniowy GENX320 + kolor PAG7936 na jednym module.

Eksploruj →

GENX320 Event Camera

Wizja zdarzeniowa Prophesee — mikrosekundowa precyzja czasowa.

Eksploruj →

FLIR Boson Adapter

Adapter dla FLIR Boson / Boson+ — termiczny o wyższej rozdzielczości.

Eksploruj →

FLIR Lepton Adapter

Adapter dla rdzeni termicznych FLIR Lepton 1.x / 2.x / 3.x.

Eksploruj →

Global Shutter Camera Module

Monochromatyczny sensor global-shutter do rejestrowania szybkiego ruchu.

Eksploruj →

Zobacz wszystkie sensory →

Więcej zasobów

MicroPython

Język OpenMV MicroPython

Opis języka, składnia i podstawowa semantyka środowiska uruchomieniowego.

Różnice w stosunku do CPython

Gdzie MicroPython odbiega od standardowego Python — moduły, wbudowane funkcje i składnia.

Wewnętrzna budowa OpenMV MicroPython

Kompilator, środowisko uruchomieniowe, moduły natywne i przenoszenie MicroPython na nowe układy MCU.

Społeczność & linki

Zewnętrzne

Strona główna OpenMV

Produkty, aplikacje, pliki do pobrania i aktualności.

Fora

Dyskusje społeczności, pomoc i udostępnianie projektów.

OpenMV na GitHub

Źródła oprogramowania, IDE i przykładów — zgłoszenia i pull requesty mile widziane.

MicroPython na GitHub

Źródła nadrzędnego oprogramowania MicroPython — na czym buduje OpenMV.