yolo_v5_detector.py

# Questo lavoro è concesso in licenza MIT.
# Copyright (c) 2013-2025 OpenMV LLC. Tutti i diritti riservati.
# https://github.com/openmv/openmv/blob/master/LICENSE
#
# Esempio TensorFlow Lite YOLO V5
#
# Questo esempio esegue un modello di rilevamento oggetti YOLO V5.
# Vedi lo model zoo dell'IDE OpenMV per esempi di modelli yolo v5.
#
# Puoi addestrare i tuoi modelli YOLOV5 personalizzati usando Edge Impulse:
# https://github.com/edgeimpulse/ml-block-yolov5
#
# NOTA: questo esempio richiede una OpenMV Cam con NPU come la AE3 o la N6 per funzionare in tempo reale.

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

# Inizializza il sensore.
csi0 = csi.CSI()
csi0.reset()
csi0.pixformat(csi.RGB565)
csi0.framesize(csi.VGA)

# Carica il modello YOLO V5 dal ROM FS.
model = ml.Model("/rom/<model_file_name>", postprocess=YoloV5(threshold=0.4))
print(model)

# Parametri di visualizzazione.
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 è una lista di liste per classe di tuple ((x, y, w, h), score)
    boxes = model.predict([img])

    # Disegna i riquadri di delimitazione attorno agli oggetti rilevati
    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")