movenet_singlepose_detection.py

# Ce travail est publié sous licence MIT.
# Copyright (c) 2013-2026 OpenMV LLC. Tous droits réservés.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Cet exemple présente le modèle MoveNet Pose Estimation de Google.
#
# REMARQUE : cet exemple nécessite une caméra OpenMV dotée d'un NPU, comme l'AE3 ou le N6, pour fonctionner en temps réel.

import csi
import time
import ml
from ml.postprocessing.mediapipe import MoveNet

# Initialiser le capteur.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# Charger le modèle intégré de détection de pose
model = ml.Model("/rom/movenet_singlepose_192.tflite", postprocess=MoveNet(threshold=0.4))
print(model)

# Connexions linéaires entre les articulations du corps pour dessiner le squelette du corps.
body_lines = ((0, 1), (0, 2), (1, 3), (2, 4), (0, 5), (0, 6), (5, 6), (5, 7),
              (7, 9), (6, 8), (8, 10), (5, 11), (6, 12), (11, 12), (11, 13), (13, 15),
              (12, 14), (14, 16))


# Supprimer les points clés à faible confiance ainsi que les lignes du squelette qui s'y rattachent.
def filter_keypoints(keypoints, threshold=0.4):
    valid = {i for i, kp in enumerate(keypoints) if kp[2] > threshold}
    remap = {old: new for new, old in enumerate(sorted(valid))}
    f_keypoints = [kp for i, kp in enumerate(keypoints) if i in valid]
    f_body_lines = [(remap[a], remap[b]) for a, b in body_lines if a in valid and b in valid]
    return f_keypoints, f_body_lines


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

    # joints est une liste de tuples ((x, y, w, h), score, keypoints)
    joints = model.predict([img])

    # Dessiner des boîtes englobantes autour des personnes détectées et des points clés.
    for r, score, keypoints in joints:
        ml.utils.draw_predictions(img, [r], ("person",), ((0, 0, 255),), format=None)

        # keypoints : ndarray (17, 3) des articulations du corps (x, y, score)
        # Les indices suivent la convention COCO :
        # 0 : nez
        # 1 : left_eye, 2 : right_eye
        # 3 : left_ear, 4 : right_ear
        # 5 : left_shoulder, 6 : right_shoulder
        # 7 : left_elbow, 8 : right_elbow
        # 9 : left_wrist, 10 : right_wrist
        # 11 : left_hip, 12 : right_hip
        # 13 : left_knee, 14 : right_knee
        # 15 : left_ankle, 16 : right_ankle
        f_keypoints, f_body_lines = filter_keypoints(keypoints)
        ml.utils.draw_skeleton(img, f_keypoints, f_body_lines,
                               kp_color=(255, 0, 0), line_color=(0, 255, 0))

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