yolo_v5_detector.py

# Esta obra está licenciada bajo la licencia MIT.
# Copyright (c) 2013-2025 OpenMV LLC. Todos los derechos reservados.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Ejemplo de TensorFlow Lite YOLO V5
#
# Este ejemplo ejecuta un modelo de detección de objetos YOLO V5.
# Consulta el model zoo de OpenMV IDE para ver ejemplos de modelos yolo v5.
#
# Puedes entrenar tus propios modelos YOLOV5 personalizados usando Edge Impulse:
# https://github.com/edgeimpulse/ml-block-yolov5
#
# NOTA: Este ejemplo requiere una OpenMV Cam con NPU, como la AE3 o la N6, para ejecutarse en tiempo real.

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

# Inicializar el sensor.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# Cargar el modelo YOLO V5 desde el ROM FS.
model = ml.Model("/rom/<model_file_name>", postprocess=YoloV5(threshold=0.4))
print(model)

# Parámetros de visualización.
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 es una lista por clase de listas de tuplas ((x, y, w, h), score)
    boxes = model.predict([img])

    # Dibujar cuadros delimitadores alrededor de los objetos detectados
    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")