今日開始學習K210視覺識別模塊:固件的下載升級_官方數字識別例程導入方法

主要學習如何升級固件庫，在哪下載固件庫，以及如何在TF卡正確導入官方例程：

亞博智能的K210視覺識別模塊......??

固件庫版本:? canmv_yahboom_v2.1.1.bin

本次最終目的是正確導入官方的數字識別例程，并運行測試：?

目錄

固件的下載升級：

固件下載網址：

k_falsh下載網址：

k_flash 操作下載固件：

官方數字識別例程導入：

例程導入步驟：

例程測試效果：

例程代碼解釋：

網上學習網址貼出：

---

固件的下載升級：

K210下載更新固件主要是為了修復錯誤、提高性能、添加新功能、增強兼容性、保障安全性以及解決用戶在使用中遇到的問題，從而提供更好的用戶體驗?

固件下載網址：

下載站 - Sipeed

k_falsh下載網址：

https://github.com/sipeed/kflash_gui/releases

注意選擇適合自己電腦系統的包，（我的是windows），解壓后找到.exe 就能使用：
?

k_flash 操作下載固件：

1、首先USB連接K210到電腦

2、打開kflash的可執行文件

3、最后一步就是先選擇之前下好的固件文件，然后別忘了選定正確的串口號與波特率

(波特率一般是115200)

官方數字識別例程導入：

例程導入步驟：

1、拔出K210的TF卡，將其放入讀卡器插入電腦：

2、找到官方例程的KPU文件夾，直接復制到TF卡：

這里面一般都是官方訓練好的模型文件，該文件夾會在例程中被調用，因此千萬不可自行更改名稱！

3、復制手寫數字識別的py文件到TF卡，并更名為 main.py：

例程測試效果：

例程代碼解釋：

import sensor, image, time, lcd # 導入必要的庫，包括攝像頭傳感器、圖像處理、時間處理和液晶顯示屏控制庫  
from maix import KPU # 導入KPU庫，用于在K210芯片上運行神經網絡 
import gc # 導入垃圾收集庫，用于釋放不再使用的內存  lcd.init() # 初始化LCD顯示屏  
sensor.reset()  # 重置攝像頭傳感器  
sensor.set_pixformat(sensor.RGB565) # 設置攝像頭的像素格式為RGB565，這是一種顏色深度較低的格式，可以節省內存和處理時間  
sensor.set_framesize(sensor.QVGA) # 設置攝像頭捕獲的圖像大小為QVGA（320x240像素） 
sensor.set_windowing((224, 224)) # 設置攝像頭捕獲的感興趣區域（ROI）為224x224像素，這通常是為了匹配神經網絡模型的輸入大小  
sensor.skip_frames(time = 100) # 跳過攝像頭的前100幀，以便讓攝像頭穩定下來，避免初始化時的噪點  
clock = time.clock() # 初始化一個時間計數器，代碼中沒有它的進一步使用 kpu = KPU() # 創建一個KPU對象，用于加載和運行神經網絡模型
# 加載預訓練的神經網絡模型，該模型位于SD卡的指定路徑下，并用于識別MNIST手寫數字數據集
kpu.load_kmodel("/sd/KPU/mnist/uint8_mnist_cnn_model.kmodel")while True:  # 無限循環，持續捕獲圖像并進行識別  gc.collect()  # 調用垃圾收集器，釋放不再使用的內存 img = sensor.snapshot() # 從攝像頭捕獲一幀圖像  img_mnist1=img.to_grayscale(1) # 將捕獲的圖像轉換為灰度圖像，這有助于減少計算量，因為MNIST數據集是灰度圖像 img_mnist2=img_mnist1.resize(112,112) # 將灰度圖像縮放到112x112像素 img_mnist2.invert()  # 對圖像進行反色處理，可能是為了增強圖像的對比度或其他預處理目的 img_mnist2.strech_char(1) # 這可能是一個自定義函數，用于對圖像進行某種形式的拉伸或字符增強處理img_mnist2.pix_to_ai() # 這可能是一個自定義函數，用于將圖像數據轉換為神經網絡可以處理的格式  # 使用KPU運行神經網絡模型，并獲取模型的輸出，這里`getlist=True`表示返回一個列表，包含了所有類別的得分  out = kpu.run_with_output(img_mnist2, getlist=True)max_mnist = max(out) # 找到輸出列表中得分最高的項  index_mnist = out.index(max_mnist)  # 找到得分最高項在列表中的索引，這代表了預測的類別score = KPU.sigmoid(max_mnist)  # 對最高得分應用sigmoid函數，將其轉換為0到1之間的概率值# 如果預測的數字是1，并且概率非常高（大于0.999）# 在圖像上繪制識別的數字，并在控制臺上打印結果  if index_mnist == 1:if score > 0.999:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)# 同上，但針對數字5          elif index_mnist == 5:if score > 0.999:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)# 對于其他數字 ，無論得分如何，都進行顯示和       else:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)lcd.display(img)kpu.deinit()

網上學習網址貼出：

?更新 MaixPy 固件 - Sipeed Wiki