【LattePanda Mu 开发套件】AI 视觉应用开发——物体识别 简单

【LattePanda Mu 开发套件】AI 视觉应用开发——物体识别

本文介绍了 LattePanda Mu 开发套件实现 AI 视觉识别类相关应用——物体识别，包括模型训练、板端推理、摄像头实时检测和推理识别等。

项目介绍

基于 YOLO 模型实现常见的 80 种物体识别，包括

物体识别的板端推理：包括流程图、代码、效果演示；

物体识别的动态显示：包括流程图、代码、效果演示；

YOLO 模型

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发。YOLO 于 2015 年推出，因其高速和高精度而广受欢迎。

Ultralytics YOLO 是 YOLO 系列中最新的技术，用于实时目标检测和图像分割。它在前几个版本的基础上，引入了新的功能和改进，以增强性能、灵活性和效率。YOLO支持各种视觉AI任务，如检测、分割、姿势估计、跟踪和分类。其最先进的架构确保了卓越的速度和准确性，使其适用于各种应用，包括边缘设备和云API。

详见：Ultralytics YOLO 文档 . GitHub - Ultralytics YOLO 🚀 .

板端推理

实现本地物体图片的识别和推理，并弹窗显示识别结果。

流程图

代码

新建 objective_recognition.py 并添加如下代码

import cv2
from ultralytics import YOLO
import os
​
def detect_objects_in_image(image_path, model_path="model/yolov8n.pt"):
    """
    对本地图片进行物体识别并显示结果
    
    Args:
        image_path (str): 图片文件路径
        model_path (str): YOLO模型路径，默认为yolov8n.pt
    """
    # 1. 检查图片文件是否存在
    if not os.path.exists(image_path):
        print(f"错误: 图片文件 '{image_path}' 不存在")
        return
    
    # 2. 加载模型（如果不存在则自动下载）
    try:
        model = YOLO(model_path)
    except Exception as e:
        print(f"加载模型时出错: {e}")
        return
    
    # 3. 读取图片
    image = cv2.imread(image_path)
    if image is None:
        print(f"错误: 无法读取图片 '{image_path}'")
        return
    
    # 4. 推理
    results = model(image)
    
    # 5. 绘制检测结果
    annotated_image = results[0].plot()  # 绘制边界框和标签
    
    # 6. 显示结果
    window_name = f"YOLOv8 检测结果: {os.path.basename(image_path)}"
    cv2.imshow(window_name, annotated_image)
    
    # 调整窗口大小以适应屏幕（可选）
    height, width = annotated_image.shape[:2]
    max_height = 800  # 最大窗口高度
    if height > max_height:
        scale = max_height / height
        new_width = int(width * scale)
        resized_image = cv2.resize(annotated_image, (new_width, max_height))
        cv2.imshow(window_name, resized_image)
    
    print("按任意键关闭窗口...")
    cv2.waitKey(0)  # 等待按键
    cv2.destroyAllWindows()
​
if __name__ == "__main__":
    # 设置图片路径（修改为您的图片路径）
    image_path = "object_img/desktop.jpg"  # 请替换为实际图片路径
    
    # 执行物体识别
    detect_objects_in_image(image_path)
​

右键该文件，选择使用 IDLE 编辑；

菜单栏选择 Run - Run Module 选项，运行程序；

或双击 *.py 文件运行。

效果

运行程序后弹出物体识别结果图片窗口；

标注物体识别选框、文字和置信度；

同时终端打印识别结果，包括物体类别、位置、置信度等信息；

更多场景举例

路口

运动

动物

水果

自行车

动态检测

使用 USB 摄像头实现动态实时物体识别，并标注和打印识别结果。

流程图

代码

新建 objective_recognition_CamUSB.py 并添加如下代码

# cam_yolo.py
import cv2
from ultralytics import YOLO
​
# 1. 加载模型（6 MB，COCO 80 类）
model = YOLO("model/yolov8n.pt")          # 不存在则自动下载
​
# 2. 打开摄像头
cap = cv2.VideoCapture(0)
if not cap.isOpened():
    raise RuntimeError("打不开摄像头")
​
print("按 q 退出")
while True:
    ret, frame = cap.read()
    if not ret:
        break
​
    # 3. 推理
    results = model(frame, stream=True)  # 返回生成器，逐帧推理
​
    # 4. 画框+置信度（Ultralytics 自带 API）
    annotated = results.__next__().plot()  # BGR 数组
​
    # 5. 显示
    cv2.imshow("YOLOv8 USB Camera", annotated)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
​
cap.release()
cv2.destroyAllWindows()
​

右键该文件，选择使用 IDLE 编辑；

菜单栏选择 Run - Run Module 选项，运行程序；

或双击 *.py 文件运行。

效果

运行程序后弹出摄像头实时采集画面，自动标注物体识别选框、文字和置信度

总结

本文介绍了 LattePanda Mu 开发套件实现 AI 视觉识别类相关应用——物体识别，包括模型训练、板端推理、摄像头实时检测和推理识别等，为该产品在 AI 视觉领域的快速开发和应用提供了参考。