OpenMV прошивка v5.0.0 · на основе MicroPython v1.28 · документация собрана 19 июня 2026 г.

Машинное зрение,
доступно каждому.

Обнаружение лиц в реальном времени, отслеживание AprilTag, сканирование QR и YOLO. Всё на устройстве — на чистом MicroPython. Без компьютера и облака.

Руководство по быстрому старту Справочник API Выберите вашу плату

Что нового Читать журнал изменений прошивки OpenMV v5.0.0

Открыть IDE

Загрузите и установите OpenMV IDE для Windows, macOS или Linux и запустите IDE.

Подключите камеру

Подключите камеру OpenMV к компьютеру через USB. Когда камера готова, синий LED мигает в такт.

Запустите первый скрипт

Нажмите кнопку подключения со значком разъёма в IDE, затем нажмите зелёную кнопку запуска, чтобы выполнить первый скрипт.

Hello world

Примеры

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")

Отслеживание людей в реальном времени

Встроенная модель YOLOv8 — детектор людей одного класса, квантованный до int8 и записанный в ROM.

Загружается из /rom/yolov8n_192.tflite — SD-карта и загрузка не нужны.

Работает в реальном времени на платах с NPU — OpenMV N6 и AE3.

Используйте собственную модель YOLOv8, обученную на Roboflow, и загружайте её аналогичным образом.

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")

Обнаружение и идентификация AprilTag

AprilTags — 2D-маркеры привязки, устойчивые к размытию при движении и частичному перекрытию; они возвращают полную 3D-позу.

Встроенный детектор — файл модели и обучение не нужны.

Возвращает ID и полную позу с 6 степенями свободы — смещение x/y/z и поворот x/y/z.

Применяется для калибровки робототехники, AR-маркеров и позиционирования в помещении.

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")

Обнаружение лиц с BlazeFace

BlazeFace от Google — лёгкий детектор лиц на TensorFlow Lite, возвращающий ограничивающие прямоугольники и шесть ключевых точек на каждое лицо.

Загружается из /rom/blazeface_front_128.tflite — предварительно квантована, загрузка не нужна.

Шесть ключевых точек на лицо: глаза, нос, рот и уши.

Никаких проблем с конфиденциальностью — кадры не покидают камеру.

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")

Сканирование QR-кодов из живого потока

Встроенный декодер QR обрабатывает повёрнутые, искажённые и частично перекрытые коды.

Каждый результат также содержит версию, уровень ECC и координаты углов.

Режимы данных: числовой, буквенно-цифровой, двоичный и кандзи.

Возвращает декодированные данные в виде строки Python — готово к использованию.

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")

Поиск цветовых областей

find_blobs возвращает связанные области пикселей, соответствующие одному или нескольким порогам LAB.

Настройте пороги под своё освещение — сначала отключите автоусиление и автобаланс белого.

Передайте несколько порогов для многоцветного отслеживания в одном вызове.

pixels_threshold фильтрует мелкие обнаружения; merge=True объединяет перекрывающиеся области.

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")

Чтение одномерных штрихкодов

Обнаруживайте одномерные штрихкоды в любом месте кадра и декодируйте их содержимое.

Работает на библиотеке ZBar — распознаёт EAN, UPC, Code 39/93/128, Codabar, ITF, ISBN и DataBar.

Используйте полосу в оттенках серого для наиболее быстрого линейного сканирования.

Каждый результат содержит формат, данные, поворот, углы и ограничивающий прямоугольник.

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")

Отслеживание 21 ключевой точки руки

Модель MediaPipe Hand Landmarks от Google определяет 21 сустав на каждой обнаруженной руке — запястье, суставы пальцев и кончики пальцев.

Загружается из /rom/hand_landmarks_full_224.tflite — работает автономно, без предварительного обнаружения ладони.

Возвращает один список на каждую руку — индекс 0 — левая, индекс 1 — правая.

ml.utils.draw_skeleton рисует все 21 сустав и соединения за один вызов.

Впервые работаете с OpenMV?

Начните с пошагового руководства — оно охватывает настройку оборудования, IDE, базовые скрипты и советы для первого реального проекта.

Основные библиотеки

API

Оборудование, камеры, обработка изображений, массивы ndarray, ML, многозадачность, сеть, веб-серверы и Bluetooth — всё из MicroPython.

machine

Низкоуровневое оборудование: GPIO, SPI, I²C, UART, PWM, ADC и таймеры.

Машинное зрение,доступно каждому.

Открыть IDE

Подключите камеру

Запустите первый скрипт

Hello world

Отслеживание людей в реальном времени

Обнаружение и идентификация AprilTag

Обнаружение лиц с BlazeFace

Сканирование QR-кодов из живого потока

Поиск цветовых областей

Чтение одномерных штрихкодов

Отслеживание 21 ключевой точки руки

Впервые работаете с OpenMV?

Основные библиотеки

machine

csi

image

ulab

ml

asyncio

network

microdot

aioble

Выбрать по плате

OpenMV N6 Новинка

OpenMV AE3 Новинка

OpenMV RT1062

OpenMV H7 Plus

OpenMV H7

Arduino Nicla Vision

Arduino Portenta

Arduino Giga

Шилды

Gigabit PoE Shield

Servo Shield

Battery Shield

Touch LCD Shield

PoE Shield

PIR Shield

CAN/RS232 Shield

RS422/RS485 Shield

Датчики

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

Дополнительные ресурсы

Язык MicroPython для OpenMV

Отличия от CPython

Внутреннее устройство MicroPython для OpenMV

Сообщество & ссылки

Сайт OpenMV

Форумы

OpenMV на GitHub

MicroPython на GitHub

Машинное зрение,
доступно каждому.