第四十章 YOLO2人手检测实验
在上一章节中，介绍了利用maix.KPU模块实现YOLO2的人脸检测，本章将继续介绍利用maix.KPU模块实现YOLO2的人手检测。通过本章的学习，读者将学习到YOLO2网络的人手检测应用在CanMV上的实现。
本章分为如下几个小节：
40.1 maix.KPU模块介绍
40.2 硬件设计
40.3 程序设计
40.4 运行验证
40.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第39.1小节《maix.KPU模块介绍》。
40.2 硬件设计
40.2.1 例程功能
1. 获取摄像头输出的图像，并送入KPU进行YOLO2的人手检测模型运算，后将运算结果和摄像头输出的图像一起显示在LCD上。
40.2.2 硬件资源
本章实验内容，主要讲解maix.KPU模块的使用，无需关注硬件资源。
40.2.3 原理图
本章实验内容，主要讲解maix.KPU模块的使用，无需关注原理图。
40.3 程序设计
40.3.1 maix.KPU模块介绍
有关maix.KPU模块的介绍，请见第40.1小节《maix.KPU模块介绍》。
40.3.2 程序流程图
40.3.3 main.py代码
main.py中的脚本代码如下所示：
import lcd
import sensor
import image
import gc
from maix import KPU
lcd.init()
sensor.reset()
sensor.set_framesize(sensor.QVGA)
sensor.set_pixformat(sensor.RGB565)
sensor.set_hmirror(False)
resize_img = image.Image(size=(320, 256))
anchor = (0.8125, 0.4556, 1.1328, 1.2667, 1.8594, 1.4889, 1.4844, 2.2000, 2.6484, 2.9333)
names = ['hand']
# 构造KPU对象
hand_detecter = KPU()
# 加载模型文件
hand_detecter.load_kmodel('/sd/KPU/hand_detect.kmodel')
# 初始化YOLO2网络
hand_detecter.init_yolo2(anchor, anchor_num=len(anchor) // 2, img_w=320, img_h=240, net_w=320, net_h=256, layer_w=10, layer_h=8, threshold=0.7, nms_value=0.3, classes=len(names))
while True:
img= sensor.snapshot()
resize_img.draw_image(img, 0, 0).pix_to_ai()
# 进行KPU运算
hand_detecter.run_with_output(resize_img)
# 进行YOLO2运算
hands = hand_detecter.regionlayer_yolo2()
for hand in hands:
img.draw_rectangle(hand[0], hand[1], hand[2], hand[3], color=(0, 255, 0))
img.draw_string(hand[0] + 2, hand[1] + 2, "%.2f" % (hand[5]), color=(0, 255, 0))
img.draw_string(hand[0] + 2, hand[1] + 10, names[hand[4]], color=(0, 255, 0))
lcd.display(img)
gc.collect()
可以看到一开始是先初始化了LCD和摄像头。
接着是构造一个KPU对象，并从文件系统中加载YOLO2人手检测网络需要用到的网络模型，并初始化YOLO2网络。
然后便是在一个循环中不断地获取摄像头输出的图像，由于网络需要的图像尺寸与摄像头直接输出的图像尺寸不一致，因此将其复制到网络需要的图像尺寸的图像上，再并将其送入KPU中进行运算，然后再进行YOLO2网络运算，最后便得到网络识别出人手在输入图像上的一些信息，将这些信息绘制到图像上后，在LCD上显示图像。
40.4 运行验证
将DNK210开发板连接CanMV IDE，点击CanMV IDE上的“开始(运行脚本)”按钮后，将摄像头对准人手，让其采集到人手图像，随后便能在LCD上看到摄像头输出的图像，同时图像中的人手均被绿色的矩形框框出，并在矩形框内的左上角标出了人手的置信度，如下图所示：
