OpenMV内置了好几个有关神经网络的模型，我们可以利用它们来进行基本物体的识别以及笑脸检测，数字识别等，这一节主要讲解下利用cifar_10进行识别
cifar_10是一个用于普适物体识别的数据集，"10"的意思是它可以分辨十种不同的物体，比如飞机、船、汽车、鸟、猫、狗、青蛙、路、卡车等等…
cifar_10由6万张32*32的RGB彩图构成，共有10个分类，一共有5万张的训练以及1万张的测试用于交叉验证
这个数据集最大的特点在于将数据集迁移到了普适的物体上，而且应用于多分类，他的一个子类数据集cifar_100可以达到100类，同已经成熟的人脸识别相比，普适物体的识别挑战很大，数据中含有大量的噪声、特征以及识别的物体大小不一、角度不一、比例不一等，
因此cifar_10相对于传统的图像识别数据集来说，它的挑战是巨大的，但其应用的效果是非常不错的
在OpenMV的IDE中内置了已经训练好的适用于OpenMV上面的模型网络，我们可以直接在OpenMV IDE工具——机器视觉——CNN网络库里面打开
在我们的OpenMV上推荐用cifar10_fast.network这一个神经网络，这个神经网络的模型稍微小一点，相对于cifar10.network来说，cifar10_fast.network运算速度更快，并且耗费的内存更小，如果我们直接使用cifar10.network，在我们的OpenMV上很可能会超出内存
在这个例程中我们首先获取OpenMV摄像头中的图像，然后对我们的图像进行特征识别，再将其与我们的神经网络模型进行对比，来得到一个相似度，通过这个相似度来判断是否其属于数据集中的某个物体，进而达到物体识别的应用
运行此例程前，请先在
OpenMV IDE->工具->机器视觉->CNN网络库中，将相应的神经网络文件保存到OpenMV的SD内存卡中哦。
注意！在对OpenMV进行文件操作后(如保存神经网络文件到OpenMV的U盘中)，需要重置OpenMV!OpenMV IDE->工具->重置OpenMV Cam
当前nn模块被删除了！所以没用…当了解吧🥀
# cifar10在图像区域中心识别例程
#
# CIFAR是一个卷积网络，旨在将其视野分类为几种不同的对象类型，并处理RGB视频数据。
#
# 在此示例中，我们将LeNet检测器窗口滑动到图像上，并获取可能存在对象的激活列表。 请注意，使用带有滑动窗口的CNN非常昂贵，因此对于穷举搜索而言，不要期望CNN是实时的。
import sensor, image, time, os, nn # 导入模块 "os系统" 和 "神经网络neural network"
sensor.reset() # 复位并初始化传感器。
sensor.set_pixformat(sensor.RGB565) #设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种
sensor.set_framesize(sensor.QVGA) # 将图像大小设置为QVGA (320x240)
sensor.set_windowing((128, 128)) # 设置窗口大小为128 x128窗口。
sensor.skip_frames(time=750) # 不要让自动增益运行太长时间。
sensor.set_auto_gain(False) # 关掉自动增益。
sensor.set_auto_exposure(False) # 关掉自动曝光。
# 在我们OpenMV的IDE中内置了2个cifar_10的神经网络 ——> 稍微大一点的"cifar10.network" + 小一点的"cifar10_fast.network"
# 加载cifar10网络。OpenMV3 M7上使用此网络可能会超出内存。
#net = nn.load('/cifar10.network')
# 更快，更小，更准确。建议OpenMV3 M7上使用此网络。
net = nn.load('/cifar10_fast.network') # nn.load()函数：将神经网络从 .network 二进制文件加载到内存中。
#神经网络的层/权值/偏置/等，存储在MicroPython堆上。 返回一个可以在图像上进行操作的 "Net对象"
# 设置我们检测的标签
labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
clock = time.clock()
while(True):
clock.tick()
img = sensor.snapshot() # 先截取一张图片
# net.search(image, roi, threshold=0.6, min_scale=1.0, scale_mul=0.5, x_overlap=0, y_overlap=0, contrast_threshold=1, softmax=False)
# 以“滑动窗口”方式在图像roi上运行网络。 网络检测器窗口以多种比例滑过图像
# 将在图像中搜索网络中的roi（如果未指定roi，则搜索整个图像）。
# 如果其中一个分类器（汽车类、船类、狗类、猫类......）输出大于阈值，说明检测到有相似物体，则在每个位置查看图像，并把符合要求的对象位置和标签将存储在对象列表中并返回。
# “threshold”-->用于判断当前我们检测的图像块与神经网络模型的匹配相似程度
# 如果相似程度大于threshold的话，就认为这一幅图像的这一块和我们神经网络中的分类器是相匹配的
# “min_scale”-->设置网络模型(是我们要对照的模板！)的缩放比例，在默认值"1"下，网络不会缩放。但是，值为0.5将允许用于检测图像大小为50％的对象…
# 在每个 "min_scale" 比例下，使用 "x_overlap(0-1)" 和 "y_overlap(0-1)" 作为指导，在ROI中移动检测窗口。
# “scale_mul”-->控制滑动窗口的大小比例！
# “x_overlap与y_overlap”-->如果将overlap设置为0.5，则每个检测窗口将与前一个检测窗口重叠50％。
# 请注意，计算工作重叠越多，负载越多，但同样也越准确。
# 最后，对于在x/y维度上滑动网络之后的多尺度匹配，检测窗口将通过 "scale_mul(0-1)" 缩小到 "min_scale*(0-1)"。
# 例如，如果scale_mul为0.5，则检测窗口将缩小50％。
# 请注意，在较低比例下，如果x_overlap和y_overlap较小，则搜索区域会更多...
# “contrast_threshold”-->会跳过平坦区域。即OpenMV会自动筛选没有图像的区域
# 设置x_overlap = -1会强制窗口始终保持在x方向的ROI中心。
# 如果y_overlap不为-1，则该方法将搜索所有垂直位置。
# 设置y_overlap = -1会强制窗口始终在y方向的ROI中居中。
# 如果x_overlap不是-1，则该方法将在所有水平位置搜索。
# 返回神经网络检测结果的 nn_class 对象列表。
# net.search()在图像中进行神经网络的匹配查找
for obj in net.search(img, threshold=0.6, min_scale=0.4, scale_mul=0.8, \
x_overlap=-1, y_overlap=-1, contrast_threshold=0.5):
print("Detected %s - Confidence %f%%" % (labels[obj.index()], obj.value()))
img.draw_rectangle(obj.rect(), color=(255, 0, 0))
print(clock.fps())
对于net.search()方法
以“滑动窗口”方式在图像roi上运行神经网络进行匹配
“x_overlap与y_overlap”–>如果将overlap设置为0.5，则每个检测窗口将与前一个检测窗口重叠50％。
x_overlap = 0.5,y_overlap = 0.5
设置x_overlap = -1会强制窗口始终保持在x方向的ROI中心。
如果y_overlap不为-1，则该方法将搜索所有垂直位置。
模块nn已经被OpenMV停用了，换成了tf
所用到的函数
tf.classify()
tf.segment(path, img[, roi])
tf.load()
tf.free_from_fb()
tf.classify()返回值 如 for obj in tf.classify(mobilenet, img, min_scale=1.0, scale_mul=0.5, x_overlap=0.0, y_overlap=0.0):
tf.load()返回值 如net = tf.load('person_detection')
利用了内置的人检测神经网络模型person_detection(该网络位于OpenMV Cam的固件中)
例程tf_person_detection_search_just_center TensorFlow图像中央人检测
# TensorFlow Lite 人检测例程
#
# Google的“人检测模型”会检测到是否有人。
#
# 在此示例中，我们将探测器窗口滑到图像上方，并获取激活列表。
# 请注意，使用带有滑动窗口的CNN计算极为复杂，因此对于详尽搜索，不要期望CNN是实时的。
import sensor, image, time, os, tf
sensor.reset() # 复位并初始化传感器。
sensor.set_pixformat(sensor.GRAYSCALE) # Set pixel format to RGB565 (or GRAYSCALE)
#设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种
sensor.set_framesize(sensor.QVGA) # 将图像大小设置为QVGA (320x240)
sensor.set_windowing((240, 240)) # 设置240x240窗口。
sensor.skip_frames(time=2000) # 等待一段时间，让相机设置生效。
# 加载内置的人检测神经网络模型(该网络位于OpenMV Cam的固件中)。
net = tf.load('person_detection')
labels = ['unsure', 'person', 'no_person']
clock = time.clock()
while(True):
clock.tick()
img = sensor.snapshot()
# net.classify()将在图像的roi上运行网络(如果没有指定roi，则在整个图像上运行)
# 将为每个位置生成一个分类得分输出向量。
# 在每个比例下，检测窗口都以x_overlap（0-1）和y_overlap（0-1）为指导在ROI中移动。
# 如果将重叠设置为0.5，那么每个检测窗口将与前一个窗口重叠50%。
# 请注意，重叠越多，计算工作量就越大。
# 最后，对于在网络沿x/y方向滑动后的多尺度匹配，检测窗口将由scale_mul（0-1）缩小到min_scale（0-1）。
# 下降到min_scale(0-1)。例如，如果scale_mul为0.5，则检测窗口将缩小50%。
# 请注意，如果x_overlap和y_overlap较小，则在较小的比例下可以搜索更多区域...
# 设置x_overlap=-1可以使窗口始终保持在ROI的中心位置。
# 如果y_overlap不是-1，该方法将在所有垂直位置进行搜索。
# 设置y_overlap=-1可以使窗口始终保持在ROI的中心位置。
# 如果x_overlap不是-1，该方法将在所有水平位置进行搜索。
# 默认设置只是进行一次检测...更改它们以搜索图像...
for obj in net.classify(img, min_scale=0.5, scale_mul=0.5, x_overlap=-1, y_overlap=-1):
print("**********\nDetections at [x=%d,y=%d,w=%d,h=%d]" % obj.rect())
for i in range(len(obj.output())):
print("%s = %f" % (labels[i], obj.output()[i]))
img.draw_rectangle(obj.rect())
img.draw_string(obj.x()+3, obj.y()-1, labels[obj.output().index(max(obj.output()))], mono_space = False)
print(clock.fps(), "fps")
利用了内置的人检测神经网络模型person_detection(该网络位于OpenMV Cam的固件中)
例程tf_person_detection_search_whole_window TensorFlow整幅图像人检测
# TensorFlow Lite 人检测例程
#
# Google的“人检测模型”会检测到是否有人。
#
# 在此示例中，我们将探测器窗口滑到图像上方，并获取激活列表。
# 请注意，使用带有滑动窗口的CNN计算极为复杂，因此对于详尽搜索，不要期望CNN是实时的。
import sensor, image, time, os, tf
sensor.reset() # 复位并初始化传感器。
sensor.set_pixformat(sensor.GRAYSCALE) # Set pixel format to RGB565 (or GRAYSCALE)
#设置图像色彩格式，有RGB565色彩图和GRAYSCALE灰度图两种
sensor.set_framesize(sensor.QVGA) # 将图像大小设置为QVGA (320x240)
sensor.set_windowing((240, 240)) # 设置240x240窗口。
sensor.skip_frames(time=2000) # 等待一段时间，让相机设置生效。
# 加载内置的人检测神经网络模型(该网络位于OpenMV Cam的固件中)。
net = tf.load('person_detection')
labels = ['unsure', 'person', 'no_person']
clock = time.clock()
while(True):
clock.tick()
img = sensor.snapshot()
# net.classify()将在图像的roi上运行网络(如果没有指定roi，则在整个图像上运行)
# 将为每个位置生成一个分类得分输出向量。
# 在每个比例下，检测窗口都以x_overlap（0-1）和y_overlap（0-1）为指导在ROI中移动。
# 如果将重叠设置为0.5，那么每个检测窗口将与前一个窗口重叠50%。
# 请注意，重叠越多，计算工作量就越大。
# 最后，对于在网络沿x/y方向滑动后的多尺度匹配，检测窗口将由scale_mul（0-1）缩小到min_scale（0-1）。
# 下降到min_scale(0-1)。例如，如果scale_mul为0.5，则检测窗口将缩小50%。
# 请注意，如果x_overlap和y_overlap较小，则在较小的比例下可以搜索更多区域...
# 默认设置只是进行一次检测...更改它们以搜索图像...
for obj in net.classify(img, min_scale=1.0, scale_mul=0.5, x_overlap=0.0, y_overlap=0.0):
print("**********\nDetections at [x=%d,y=%d,w=%d,h=%d]" % obj.rect())
for i in range(len(obj.output())):
print("%s = %f" % (labels[i], obj.output()[i]))
img.draw_rectangle(obj.rect())
img.draw_string(obj.x()+3, obj.y()-1, labels[obj.output().index(max(obj.output()))], mono_space = False)
print(clock.fps(), "fps")