Para OpenMV firmware v5.0.0 · baseado em MicroPython v1.28 · documentação gerada em 19 de junho de 2026

Visão computacional,
simplificada.

Detecção de rostos ao vivo, rastreamento de AprilTag, leitura de QR e YOLO. Tudo no dispositivo, em MicroPython puro. Sem computador host, sem nuvem.

Guia de início rápido Referência da API Encontre sua placa
O que há de novo Leia o changelog do OpenMV firmware v5.0.0
1

Abrir o IDE

Baixe e instale o OpenMV IDE para Windows, macOS ou Linux e inicie o IDE.
2

Conecte sua câmera

Conecte a OpenMV Cam ao seu computador via USB. Um LED azul pisca quando ela está pronta.
3

Execute seu primeiro script

Clique no botão de conexão (ícone de tomada) no IDE e, em seguida, pressione a seta verde de execução para rodar seu primeiro script.

Olá mundo

Exemplos
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")

Rastreamento de pessoas em tempo real

O modelo YOLOv8 integrado é um detector de pessoas de classe única — quantizado em int8 e fornecido na ROM.

Carregado de /rom/yolov8n_192.tflite — sem necessidade de cartão SD ou download.
Executa em tempo real em placas com NPU — a OpenMV N6 e a AE3.
Use seu próprio modelo YOLOv8 treinado no Roboflow e carregue-o da mesma forma.
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")

Localizar e identificar AprilTags

AprilTags são marcadores fiduciais 2D — robustos ao desfoque de movimento e oclusão parcial, e fornecem pose 3D completa.

Detector integrado — sem arquivo de modelo ou treinamento necessário.
Retorna ID mais pose completa de 6 graus de liberdade — translação x/y/z e rotação x/y/z.
Use para calibração robótica, marcadores de RA e posicionamento interno.
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")

Detectar rostos com BlazeFace

O BlazeFace do Google é um detector de rostos leve em TensorFlow Lite que retorna caixas delimitadoras e seis pontos de referência por rosto.

Carregado de /rom/blazeface_front_128.tflite — pré-quantizado, sem necessidade de download.
Seis pontos-chave por rosto: olhos, nariz, boca e orelhas.
Sem preocupações com privacidade — os quadros nunca saem da câmera.
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")

Ler códigos QR de um feed ao vivo

O decodificador QR integrado lida com códigos inclinados, distorcidos e parcialmente ocluídos.

Cada resultado também expõe versão, nível de ECC e coordenadas dos cantos.
Modos de dados numérico, alfanumérico, binário e Kanji.
Retorna o payload decodificado como uma string Python — pronto para uso.
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")

Encontrar regiões de cor

find_blobs retorna regiões de pixels conectados que correspondem a um ou mais limiares LAB.

Ajuste os limiares para sua iluminação — desative o ganho automático e o balanço de branco automático primeiro.
Passe múltiplos limiares para rastreamento de múltiplas cores em uma única chamada.
pixels_threshold filtra detecções pequenas; merge=True une regiões sobrepostas.
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")

Ler códigos de barras 1D

Encontre códigos de barras 1D em qualquer parte do quadro e decodifique seus payloads.

Baseado na biblioteca ZBar — reconhece EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN e DataBar.
Use uma faixa em escala de cinza para a varredura linear mais rápida.
Cada resultado contém formato, payload, rotação, cantos e um retângulo delimitador.
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")

Rastrear 21 pontos-chave da mão

O modelo MediaPipe Hand Landmarks do Google posiciona 21 articulações em cada mão detectada — pulso, nós dos dedos e pontas dos dedos.

Carregado de /rom/hand_landmarks_full_224.tflite — executando de forma independente, sem detecção de palma anterior.
Retorna uma lista por mão — índice 0 é a esquerda, índice 1 é a direita.
ml.utils.draw_skeleton desenha todas as 21 articulações e conexões em uma única chamada.

Novo no OpenMV?

Comece com o tutorial passo a passo — ele cobre configuração de hardware, o IDE, scripts básicos e dicas para seu primeiro projeto real.

Bibliotecas principais

API

Hardware, câmeras, processamento de imagens, ndarrays, ML, multitarefa, rede, servidores web e Bluetooth — tudo via MicroPython.

machine

Hardware de baixo nível: GPIO, SPI, I²C, UART, PWM, ADC e temporizadores.

Explorar →

csi

Controle de câmera: formatos de pixel, tamanhos de quadro, exposição, ganho e balanço de branco.

Explorar →

image

Visão computacional: regiões, bordas, linhas, círculos, características e desenho.

Explorar →

ulab

Computação numérica no dispositivo — ndarrays, FFTs e álgebra linear.

Explorar →

ml

Inferência de redes neurais no dispositivo — classificar, detectar e segmentar.

Explorar →

asyncio

Multitarefa cooperativa — execute câmera, rede e E/S em paralelo.

Explorar →

network

Wi-Fi, Ethernet e sockets para IoT e comunicação remota.

Explorar →

microdot

Servidor HTTP mínimo — rotas, sessões, login, SSE e WebSockets.

Explorar →

aioble

Bluetooth Low Energy assíncrono — periféricos, advertising e GATT.

Explorar →

Ver todas as bibliotecas →

Explorar por placa

Hardware

Selecione sua OpenMV Cam para ver seu pinout, especificações e referência rápida específica da placa.

OpenMV N6

OpenMV N6 Novo

STM32N6 com NPU integrada — o primeiro MCU acelerado por IA da STMicro.

Explorar →
OpenMV AE3

OpenMV AE3 Novo

Alif Ensemble E3 — classe fusion Cortex-M55 com NPU Ethos-U55.

Explorar →
OpenMV RT1062

OpenMV RT1062

NXP i.MX RT1062 Cortex-M7 a 600 MHz com 32 MB de SDRAM externa.

Explorar →
OpenMV H7 Plus

OpenMV H7 Plus

STM32H743 com 32 MB de SDRAM externa e sensor OV5640 de 5MP.

Explorar →
OpenMV H7

OpenMV H7

STM32H743 Cortex-M7 com módulo de sensor de imagem removível.

Explorar →
Arduino Nicla Vision

Arduino Nicla Vision

Placa STM32H747 compacta de 23 × 23 mm com sensor integrado.

Explorar →
Arduino Portenta H7

Arduino Portenta

STM32H747 com 8 MB de SDRAM e suporte ao Vision Shield.

Explorar →
Arduino Giga

Arduino Giga

STM32H747 com 8 MB de SDRAM e suporte ao Vision e Display Shield.

Explorar →

Ver todas as placas suportadas →

Shields

Complementos

Placas complementares que se conectam à OpenMV Cam — rede, controle de motores, displays e mais.

Gigabit PoE Shield

Gigabit PoE Shield

Gigabit Ethernet com PoE para streaming de maior largura de banda.

Explorar →
Servo Shield

Servo Shield

Controle até 4 servos consumindo até 5A enquanto alimenta a câmera, entrada de 6–36V.

Explorar →
Battery Shield

Battery Shield

Entrada de bateria de 1,8–5,5V via conector DC barrel jack.

Explorar →
Touch LCD Shield

Touch LCD Shield

LCD SPI de 2,3" com toque capacitivo múltiplo e Qwiic.

Explorar →
PoE Shield

PoE Shield

Ethernet 10/100 com Power-over-Ethernet.

Explorar →
PIR Shield

PIR Shield

Gatilho de movimento em standby de 6µA com LED branco e IR de 850 nm.

Explorar →
CAN/RS232 Shield

CAN/RS232 Shield

CAN-FD de 8 Mb/s mais RS-232 de 1 Mb/s em um único shield.

Explorar →
RS422/RS485 Shield

RS422/RS485 Shield

Serial diferencial de 10 Mb/s para barramentos industriais.

Explorar →

Ver todos os shields →

Sensores

Módulos de câmera

Módulos de câmera e adaptadores de sensores que se conectam ao conector placa a placa — visão colorida, monocromática, térmica e baseada em eventos.

PS5520 5MP HDR Camera

PS5520 5MP HDR Camera

Sensor HDR de 5MP — alto alcance dinâmico para iluminação difícil.

Explorar →
Multispectral Thermal (PAG7936)

Multispectral Thermal (PAG7936)

Cor com obturador global de 1MP + térmico FLIR Lepton em um módulo.

Explorar →
Multispectral Thermal (OV5640)

Multispectral Thermal (OV5640)

Cor com obturador rolante de 5MP + térmico FLIR Lepton em um módulo.

Explorar →
Multispectral Event Camera

Multispectral Event Camera

Sensor de eventos GENX320 + cor PAG7936 em um módulo.

Explorar →
GENX320 Event Camera

GENX320 Event Camera

Visão baseada em eventos Prophesee — precisão temporal de microssegundos.

Explorar →
FLIR Boson Adapter

FLIR Boson Adapter

Adaptador para FLIR Boson / Boson+ — térmico de maior resolução.

Explorar →
FLIR Lepton Adapter

FLIR Lepton Adapter

Adaptador para núcleos térmicos FLIR Lepton 1.x / 2.x / 3.x.

Explorar →
Global Shutter Camera Module

Global Shutter Camera Module

Sensor monocromático de obturador global para captura de movimento rápido.

Explorar →

Ver todos os sensores →

Mais recursos

MicroPython

Linguagem OpenMV MicroPython

Referência da linguagem, sintaxe e semântica do runtime principal.

Diferenças em relação ao CPython

Onde o MicroPython diverge do Python padrão — módulos, builtins e sintaxe.

Internos do OpenMV MicroPython

Compilador, runtime, módulos nativos e portabilidade do MicroPython para novos MCUs.

Comunidade & links

Externo

Página inicial do OpenMV

Produtos, aplicações, downloads e notícias.

Fóruns

Discussão da comunidade, ajuda e compartilhamento de projetos.

OpenMV no GitHub

Fontes de firmware, IDE e exemplos — issues e pull requests são bem-vindos.

MicroPython no GitHub

Fontes upstream do MicroPython — o que o OpenMV usa como base.