yolo_v5_detector.py

# Dieses Werk ist unter der MIT-Lizenz lizenziert.
# Copyright (c) 2013-2025 OpenMV LLC. Alle Rechte vorbehalten.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Beispiel für TensorFlow Lite YOLO V5
#
# Dieses Beispiel führt ein YOLO-V5-Objekterkennungsmodell aus.
# Beispielmodelle für YOLO V5 finden Sie im Model Zoo der OpenMV-IDE.
#
# Sie können eigene benutzerdefinierte YOLOV5-Modelle mit Edge Impulse trainieren:
# https://github.com/edgeimpulse/ml-block-yolov5
#
# HINWEIS: Für dieses Beispiel wird eine OpenMV Cam mit NPU wie die AE3 oder N6 benötigt, um in Echtzeit zu laufen.

import csi
import time
import ml
from ml.postprocessing.ultralytics import YoloV5

# Sensor initialisieren.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# YOLO-V5-Modell aus dem ROM-Dateisystem laden.
model = ml.Model("/rom/<model_file_name>", postprocess=YoloV5(threshold=0.4))
print(model)

# Visualisierungsparameter.
n = len(model.labels)
model_class_colors = [(int(255 * i // n), int(255 * (n - i - 1) // n), 255) for i in range(n)]

clock = time.clock()
while True:
    clock.tick()
    img = csi0.snapshot()

    # boxes ist eine Liste je Klasse von ((x, y, w, h), score)-Tupeln
    boxes = model.predict([img])

    # Begrenzungsrahmen um die erkannten Objekte zeichnen
    for i, class_detections in enumerate(boxes):
        rects = [r for r, score in class_detections]
        labels = [model.labels[i] for j in range(len(rects))]
        colors = [model_class_colors[i] for j in range(len(rects))]
        ml.utils.draw_predictions(img, rects, labels, colors, format=None)

    print(clock.fps(), "fps")