K210视觉识别模块学习笔记2：固件的下载升级

K210视觉识别模块学习笔记2：固件的下载升级_官方数字识别例程导入方法

今日开始学习K210视觉识别模块:固件的下载升级_官方数字识别例程导入方法

主要学习如何升级固件库，在哪下载固件库，以及如何在TF卡正确导入官方例程：

亚博智能的K210视觉识别模块......

固件库版本: canmv_yahboom_v2.1.1.bin

本次最终目的是正确导入官方的数字识别例程，并运行测试：

目录

固件的下载升级：

固件下载网址：

k_falsh下载网址：

k_flash 操作下载固件：

官方数字识别例程导入：

例程导入步骤：

例程测试效果：

例程代码解释：

网上学习网址贴出：

固件的下载升级：

K210下载更新固件主要是为了修复错误、提高性能、添加新功能、增强兼容性、保障安全性以及解决用户在使用中遇到的问题，从而提供更好的用户体验

固件下载网址：

下载站 - Sipeed

k_falsh下载网址：

https://github.com/sipeed/kflash_gui/releases

注意选择适合自己电脑系统的包，（我的是windows），解压后找到.exe 就能使用：

k_flash 操作下载固件：

1、首先USB连接K210到电脑

2、打开kflash的可执行文件

3、最后一步就是先选择之前下好的固件文件，然后别忘了选定正确的串口号与波特率

(波特率一般是115200)

官方数字识别例程导入：

例程导入步骤：

1、拔出K210的TF卡，将其放入读卡器插入电脑：

2、找到官方例程的KPU文件夹，直接复制到TF卡：

这里面一般都是官方训练好的模型文件，该文件夹会在例程中被调用，因此千万不可自行更改名称！

3、复制手写数字识别的py文件到TF卡，并更名为 main.py：

例程测试效果：

例程代码解释：

import sensor, image, time, lcd # 导入必要的库，包括摄像头传感器、图像处理、时间处理和液晶显示屏控制库  
from maix import KPU # 导入KPU库，用于在K210芯片上运行神经网络 
import gc # 导入垃圾收集库，用于释放不再使用的内存  lcd.init() # 初始化LCD显示屏  
sensor.reset()  # 重置摄像头传感器  
sensor.set_pixformat(sensor.RGB565) # 设置摄像头的像素格式为RGB565，这是一种颜色深度较低的格式，可以节省内存和处理时间  
sensor.set_framesize(sensor.QVGA) # 设置摄像头捕获的图像大小为QVGA（320x240像素） 
sensor.set_windowing((224, 224)) # 设置摄像头捕获的感兴趣区域（ROI）为224x224像素，这通常是为了匹配神经网络模型的输入大小  
sensor.skip_frames(time = 100) # 跳过摄像头的前100帧，以便让摄像头稳定下来，避免初始化时的噪点  
clock = time.clock() # 初始化一个时间计数器，代码中没有它的进一步使用 kpu = KPU() # 创建一个KPU对象，用于加载和运行神经网络模型
# 加载预训练的神经网络模型，该模型位于SD卡的指定路径下，并用于识别MNIST手写数字数据集
kpu.load_kmodel("/sd/KPU/mnist/uint8_mnist_cnn_model.kmodel")while True:  # 无限循环，持续捕获图像并进行识别  gc.collect()  # 调用垃圾收集器，释放不再使用的内存 img = sensor.snapshot() # 从摄像头捕获一帧图像  img_mnist1=img.to_grayscale(1) # 将捕获的图像转换为灰度图像，这有助于减少计算量，因为MNIST数据集是灰度图像 img_mnist2=img_mnist1.resize(112,112) # 将灰度图像缩放到112x112像素 img_mnist2.invert()  # 对图像进行反色处理，可能是为了增强图像的对比度或其他预处理目的 img_mnist2.strech_char(1) # 这可能是一个自定义函数，用于对图像进行某种形式的拉伸或字符增强处理img_mnist2.pix_to_ai() # 这可能是一个自定义函数，用于将图像数据转换为神经网络可以处理的格式  # 使用KPU运行神经网络模型，并获取模型的输出，这里`getlist=True`表示返回一个列表，包含了所有类别的得分  out = kpu.run_with_output(img_mnist2, getlist=True)max_mnist = max(out) # 找到输出列表中得分最高的项  index_mnist = out.index(max_mnist)  # 找到得分最高项在列表中的索引，这代表了预测的类别score = KPU.sigmoid(max_mnist)  # 对最高得分应用sigmoid函数，将其转换为0到1之间的概率值# 如果预测的数字是1，并且概率非常高（大于0.999）# 在图像上绘制识别的数字，并在控制台上打印结果  if index_mnist == 1:if score > 0.999:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)# 同上，但针对数字5          elif index_mnist == 5:if score > 0.999:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)# 对于其他数字 ，无论得分如何，都进行显示和       else:display_str = "num: %d" % index_mnistprint(display_str, score)img.draw_string(4,3,display_str,color=(0,0,0),scale=2)lcd.display(img)kpu.deinit()