如果大家对智能家居比较感兴趣的话，一定知道阻碍智能家居自动化发展的一个大问题就是，房间里有没有人，如果有人，那人究竟在做些什么，系统又该如何调整环境的照明，温度甚至安防。
在很长的时间里，我们检测人体都依靠两类设备，一类是热释电红外传感器，例如Aqara/小米人体传感器：
说明里面已经说的很清楚了，检测人或宠物移动，所以不动肯定是检测不到的，很多人都把这锅扔给小米背，但实际上，不管是哪个品牌，都做不到静止检测。还有一类叫做微波传感器，例如最近在智能家居玩家群里讨论的很热烈的静止人体传感器：
这个传感器号称可以检测静止人体，不过在企业官方的文档中明确写道：动态探测距离 6-8 米，静态探测距离最大2 米； 而其静态探测是检测人的微小动作，例如呼吸啥的。并且安装位置要与人体平行：
大家其实也可以看出来，这个号称静止人体检测的玩意，实际上也就是个动作传感器，只是灵敏度非常高罢了。先不说安装问题，微波传感器的灵敏度高了之后，电风扇，空调，任何轻微动作都可能触传感器动作。
除了这两种外，本站值友@blindlight正在实验利用无线信号来检测人体，参考文档：
大概意思是用一圈WIFI设备把房间围起来，然后实时监测各个节点的WIFI信号变化，来推断哪里有人。听上去不是啥难事，但是实际上应用起来还是要动些脑筋，我表示能看懂意思，但是抱歉，我做不来，相信看文的各位大部分人也搞不定，所以这里介绍一个大家都能玩的玩意——YOLO。
一、YOLO简介
大道理不说，其实我也不懂，这里大家只要知道YOLO的全称是You only look once，也就是你就看了一眼，看了一眼怎么了呢，看了眼就知道是什么了，这是一个基于深度学习方法的端到端实时目标检测系统。其主要特点一是快，二是安装使用简单，在ubuntu下只需要4条命令就可以开始工作。以下片段来自CSDN @泉伟
不过根据他文中的介绍，他使用的配置为1080Ti，使用YOLO v3原始权重，Resize以后的图片大小为608*608，检测速度可以达到20帧每秒。当然，如果使用tiny权重的话速度会快很多。除了人之外，YOLO还能检测其他常见物体，例如宠物：
不过说实话，如果只是检测有没有人的话，即使不用1080TI，开一台PC我都觉得有些浪费。所以这篇的主旨其实是利用树莓派来实现静态图片的检测。
二、树莓派安装darknet-nnpack
之前说了，如果在ubuntu上安装YOLO的话只需要3条命令：
git clone https://github.com/pjreddie/darknetcd darknetmake
然后下载权重文件，权重文件分两个版本，一个是标准的，一个是轻量(Tiny)的:
wget https://pjreddie.com/media/files/yolov3.weights(标准版)wget wget https://pjreddie.com/media/files/yolov3-tiny.weights(TINY版)
一般来说，标准版的检测准确率会高很多，但是非常非常慢(2400G单线程虚拟机下检测一张大约要30秒+)，没有GPU加速是没有应用价值的，所以日常CPU使用都使用TINY版的权重(2400G单线程虚拟机下检测一张大约要2秒+)，虽然准确率差了一些，但是找找人啊，猫狗也已经足够。但是标准版的Dakrnet在树莓派3b上面跑的话即使是tiny权重，也要40秒左右一张，显然是没有任何实用价值的。所以如果在树莓派上运行的话，我们需要针对无GPU并且ARM芯片进行优化过的darknet-nnpack。通过它来运行YOLO，我们能将tiny的识别速度提高到1秒/张左右，虽然依旧做不了实时检测，但是考虑到无论是硬件成本，还是运行成本(电费)，树莓派都是性价比之选。
当然，根据此表，X86平台使用darknet-nnpack也能获得非常不错的优化速度。而安装只要参照darknet-nnpack的github页面一步步做下去就好，这里就不再复制粘帖了，全程无坑，而在下载weights文件时我们只要下载tiny版的就好：
wget wget https://pjreddie.com/media/files/yolov3-tiny.weights
全部完成后我们可以利用自带图片测试下：
./darknet detector test cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights data/person.jpg
运行速度不错，1.1秒就完成了识别，只是load weights还需要3-4秒，总体上在5秒左右。这里值得说明的是，命令的默认参数是输出准确率超过25%的物体，我们可以根据自身环境来调整参数：
./darknet detector test cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights data/person.jpg -thresh 0.1
例如这个就是输出准确率10%以上的物体。
三、接入摄像头
这里我使用的是上一篇原创提到的45元的ESP32-CAM摄像头模块。当然，你要是其他摄像头，只要能获取到静态JPG文件也都可以使用，这个摄像头没有夜视，视角也比较小，如果有大范围以及夜间检测需求的话其实并不是很合适。不过这里要提醒的是，红外补光摄得的黑白图像YOLO的识别率会进一步降低。调整好摄像头角度，确保人在厨房的每个角落，YOLO都能把人找出来。
这个摄像头最大的好处是，可以直接通过http获取JPG静态图像，所以我这做了个批处理文件，首先是获取静态影像到指定文件夹，然后运行detector来进行识别：
当然，这样只是跑程序识别，结果并不会输出到其他系统，所以我又拼拼凑凑搞了个PY文件，对结果进行分析，数输出结果里面有几个person：
然后将person数量传送给domoticz变量：
最后就是应用了，因为不是实时检测，所以用来自动化开灯啥的是不可能了，但是配合小米红外做到更快的自动关灯还是非常方便的，例如原先我们都是设定人体传感器检测到几分钟后无人关灯，现在就可以配合这个变量，在人体传感器检测到无人时去查看摄像头检测到的结果，如果是0就直接关灯，不用再等待几分钟。
当然，本篇的YOLO只是利用其现成的库做的简单应用，并没有完全展示出YOLO的威力。深入应用的话可以自行训练得到模型，来判断更多的内容，例如你是在看电视，玩手机，还是睡觉等等。或者垃圾倒没倒，碗有没有洗啥的。
