在本教程系列的第一部分中，您將學習如何使用樹莓派AI攝像頭來檢測不同的樹莓派型號。本系列由David Plowman創建，他是樹莓派工程師，專注于圖像處理硬件、攝像頭軟件和算法研究。

您可以將AI攝像頭對準樹莓派4，屏幕上會顯示“Raspberry Pi 4”；對準樹莓派Zero時顯示“Raspberry Pi Zero”，依此類推。

組裝在樹莓派5上的樹莓派AI攝像頭

這是一個強大的示例，展示如何訓練樹莓派進行實時目標檢測推理。這也是探索樹莓派AI攝像頭API（應用程序接口）以及模型與推理之間關系的好方法。

設置AI攝像頭

將您的樹莓派 AI 相機連接到兼容的樹莓派電腦。我們用的是樹莓派5，但是AI相機兼容所有樹莓派型號。更多信息可以閱讀AI相機數據表。

樹莓派AI相機采用索尼IMX500圖像傳感器，為相機應用提供低延遲、高性能的AI能力，而無需AI HAT+(或AI Kit)。它在IMX500傳感器上運行定制的神經網絡模型。

樹莓派AI智能相機包含一個具有AI推理能力的索尼IMX500傳感器

確保系統已更新，然后安裝IMX500固件：

$sudo apt install imx500-all

此命令會：

安裝操作IMX500傳感器所需的固件文件imx500_loader.fpk和imx500_firmware.fpk

將多個神經網絡模型文件放入/usr/share/imx500-models/

安裝IMX500后處理軟件到rpicam-apps

安裝索尼網絡模型打包工具

現在重啟樹莓派：

$sudo reboot

讓我們來測試一下是否一切正常。以下命令運行帶有對象檢測后處理的rpicam-hello:

$rpicam-hello -t 0s --post-process-file/usr/share/rpi-camera-assets/imx500_mobilenet_ssd.json --viewfinder-width 1920 --viewfinder-height 1080 --framerate 30

以下命令運行rpicam-hello并進行姿態估計后處理:

$rpicam-hello -t 0s --post-process-file/usr/share/rpi-camera-assets/imx500_posenet.json --viewfinder-width 1920 --view

獲取代碼

現在你的AI相機設置好了，你需要代碼。對于本教程，最好從從GitHub復制文件開始。在終端中，輸入:

$gitclonehttps://github.com/davidplowman/pi_classifier.git

進入pi_classifier目錄，查看一下里面的內容:

$cdpi_classifier$ls

進入pi_classifier目錄，您將看到三個文件：

demo.py：Python主程序

labels.txt：包含不同樹莓派型號的標簽

network.rpk：預訓練的神經網絡模型文件（針對IMX500傳感器優化）

運行代碼：

$python demo.py

屏幕會顯示攝像頭預覽窗口。將樹莓派對準攝像頭，預覽窗口會根據labels.txt中的選項顯示對應型號。

它是如何工作的

讓我們在Thonny(或您選擇的代碼編輯器)中打開demo.py代碼并查看一下:

$thonny demo.py

parse_and_draw_classification_result

這個函數是作為回調函數提供給相機系統的，這意味著每當一個新的幀從相機到達時，它就會被自動調用，而不需要我們(應用程序)做任何額外的事情。因為我們使用的是索尼IMX500傳感器，所以我們不僅獲得了通常的相機圖像，還獲得了一個輸出張量，列出了對圖像運行神經網絡的結果。

我們需要使用 parse_classification_result 解析神經網絡結果，然后使用 draw_classification_result 將它們繪制到相機圖像上。

parse_classification_result

這將分析IMX500傳感器產生的輸出張量，并確定圖像是否屬于網絡訓練的類別之一。有幾件事需要注意。

檢測樹莓派3

首先，并不總是有輸出張量。如果神經網絡加速器沒有及時完成對幀的處理，就會發生這種情況。當這種情況發生時，我們應該重用前一幀的結果；另一個框架，張量再次可用，將很快出現！

接下來，我們返回具有最高置信度值的類別。一些網絡可能會告訴我們，我們應該對輸出值使用softmax運算，以獲得每個類的更真實的概率。

draw_classification_result

這里，我們在攝像機圖像上繪制一個標簽，指示設備類別和置信度值，但前提是置信度值足夠高。

我們使用Picamera2的MappedArray以通常的方式訪問實際的相機圖像像素(而不是它的副本)。我們測量類別標簽和置信度值將占據的框的大小，然后將圖像的這一部分變暗，以便當我們隨后將文本寫在頂部時，它會更突出。

檢測樹莓派Zero

if __name__ == “__main__”

這部分代碼只涉及配置IMX500、上傳神經網絡固件文件(network.rpk)以及讓攝像機運行。有幾件事需要指出:

1.我們首先創建IMX500相機輔助對象。這將為我們上傳網絡，并告訴我們IMX500是哪個攝像頭。

2.NetworkIntrinsics對象是網絡的助手，它會推薦我們可以使用的合適的幀速率，該幀速率應該與IMX500上的網絡推斷速率相匹配。

3.在啟動相機之前，我們應該告訴IMX500助手，我們希望看到網絡上傳的進度條——否則很容易認為它可能卡住了！回想一下，網絡固件在后續情況下上傳更快，因為更多的固件塊已經緩存在設備中。

4.最后，我們讓腳本永遠運行，所有的相機處理都在后臺線程中進行。

下載樹莓派分類器的完整demo.py代碼。

https://github.com/themagpimag/rpimag-issue154/blob/master/pi_classifier/demo.py

原文地址：

https://www.raspberrypi.com/news/build-a-raspberry-pi-classifier-detect-different-raspberry-pi-models/