yolo_v2_detector.py

# Ce travail est publié sous licence MIT.
# Copyright (c) 2013-2025 OpenMV LLC. Tous droits réservés.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Exemple TensorFlow Lite YOLO V2
#
# Cet exemple exécute un modèle de détection d'objets YOLO V2.
# Veuillez consulter le model zoo d'OpenMV IDE pour des exemples de modèles yolo v2.
#
# Pour plus d'informations sur YOLO V2, veuillez consulter :
# https://github.com/STMicroelectronics/stm32ai-modelzoo/tree/main/object_detection/tiny_yolo_v2
#
# 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.darknet import YoloV2

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

# Charger le modèle YOLO V2 depuis le système de fichiers ROM.
model = ml.Model("/rom/<model_file_name>", postprocess=YoloV2(threshold=0.4))
print(model)

# Paramètres de visualisation.
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 est une liste de listes par classe de tuples ((x, y, w, h), score)
    boxes = model.predict([img])

    # Dessiner des boîtes englobantes autour des objets détectés
    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")