【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。