Как добавить в дрон функция распознавания лиц: подробное руководство

Дроны в настоящее время помогают людям с решением большого числа практических задач в различных сферах жизнедеятельности. В ряде случае от дрона требуется распознавание лиц людей, находящихся на ограниченном участке местности. Предлагаемая в данной статье система распознавания лиц предлагает потенциальное решение этой насущной проблемы. Система построена на основе распространеных компонентов и может быть повторена любым радиолюбителем.

Необходимые компоненты

Комплект контроллера Pixhawk.
Электронные регуляторы скорости (ESC).
Бесщеточные двигатели.
Литий-ионный аккумулятор емкостью 5200 мАч.
Комплект SIPEED MAIXDUINO (для распознавания лиц).
Сервомотор.
Передатчик и приемник FlySky (6 каналов).
Рама квадрокоптера S500.
Электрическая зажигалка.
Нитрат калия / ракетное топливо.

Внешний вид собранной конструкции проекта показан на следующем рисунке.

Схема проекта

Схема дрона с функцией распознавания лиц показана на следующем рисунке.

Реализация на программном уровне и обучение модели с помощью MaixHub

MaixHub — это интуитивно понятная облачная платформа, упрощающая обучение и развертывание моделей машинного обучения, специально разработанных для встраиваемых систем, таких как Maixduino. Она позволяет управлять наборами данных, обучать модели и экспортировать их всего несколькими щелчками мыши, обеспечивая бесшовную интеграцию с оборудованием для таких задач, как распознавание лиц.

Более подробно про работу с платой Maixduino вы можете прочитать в следующих статьях на нашем сайте:

Шаг 1: Сбор и подготовка данных

Перед обучением модели нам сначала нужно было собрать данные для классов "shivansh" и "Ashish". Этот процесс включал в себя получение изображений лиц с разных ракурсов, при разных условиях освещения и с разной мимикой. Цель состояла в том, чтобы создать надежный набор данных, способный обрабатывать вариативность в реальных условиях.

Размер набора данных: примерно 50-150 изображений на класс.
Качество изображений: все изображения были уменьшены до размера 224x224 пикселей (требуемый размер входных данных MaixHub) и сохранены в формате JPEG.
Расширение данных: хотя MaixHub имеет автоматический процесс расширения данных, дополнительное ручное расширение (например, вращение, отражение и регулировка контраста) помогло повысить вариативность набора данных. Это важно для улучшения производительности модели на ранее не встречавшихся данных.

Шаг 2: Загрузка набора данных в MaixHub

После подготовки набора данных он был загружен на MaixHub для обучения. Платформа предоставляет простой интерфейс, где пользователь может создать новый проект и загрузить изображения.

1. Создание нового проекта: после входа в MaixHub был создан новый проект в категории «Обнаружение объектов» .

2. Загрузка классов: на платформе были определены два класса (Shivansh, Ashish), и загружены соответствующие им изображения. Это позволило MaixHub связать каждое изображение с правильной меткой во время обучения.

3. Расширение данных: MaixHub применяет методы автоматического расширения данных, в том числе:

вращение: небольшие углы вращения (±15°);
горизонтальное отражение: случайным образом переворачивает изображения;
регулировка яркости и контрастности: случайные изменения для имитации различных условий освещения.

Шаг 3: Настройка параметров обучения

MaixHub предоставляет гибкие возможности в определении параметров обучения, что помогает оптимизировать производительность модели. Для данного проекта использовались следующие конфигурации:

Размер входных данных: размер входных данных модели был установлен на 224x224 пикселей. Это разрешение идеально подходит для работы на маломощных периферийных устройствах, таких как Maixduino, обеспечивая баланс между скоростью и точностью.
Якоря: для облегчения обнаружения объектов использовались заранее определенные якорные рамки. Эти якоря служат ориентирами для ограничивающих рамок, обеспечивая точную локализацию лица

anchors = [4.62, 3.28, 4.75, 5.0, 4.31, 4.38, 4.88, 3.77, 5.53, 4.08]

Скорость обучения: устанавливается на оптимальное значение для распознавания лиц, обеспечивающее сходимость модели с хорошей скоростью без переобучения.
Эпохи: модель обучалась в течение 50 эпох. Каждая эпоха представляет собой полный цикл обработки обучающего набора данных, что позволяет модели корректировать веса для повышения точности.
Размер пакета: установлен на 8, что хорошо подошло для размера набора данных и вычислительных ресурсов.

Шаг 4: Обучение модели

После настройки параметров обучения начался процесс обучения. MaixHub обеспечивает мониторинг хода обучения в режиме реального времени, включая:

Функция потерь: функция потерь вычисляет разницу между прогнозируемыми и фактическими результатами. Цель состоит в минимизации этой потери с течением времени.
Точность: этот параметр показывает, насколько хорошо модель классифицирует изображения. MaixHub отслеживает точность и уведомляет пользователя о каждой эпохе обучения

В процессе обучения MaixHub визуализировал кривые точности и потерь. Если потери не уменьшались должным образом, вносились корректировки (например, изменялась скорость обучения или набор данных). Примерно через 30 минут обучение завершилось с потерями ниже 0,2 и точностью выше 95%, что достаточно для приложений обнаружения лиц в реальном времени.

Шаг 5: Тестирование модели на MaixHub

Перед загрузкой обученной модели MaixHub позволяет протестировать ее с помощью загруженных изображений для валидации (изображений, которые модель не видела во время обучения). Этот шаг гарантирует, что модель хорошо обобщает данные на новые изображения и предотвращает переобучение.

Результаты проверки: модель успешно обнаружила лица обоих классов с высокими значениями достоверности, что показывает, что она может различать классы «shivansh» и «Ashish».

Шаг 6: Экспорт модели

Убедившись в удовлетворительных результатах обучения, модель была экспортирована в формат .kmodel, который представляет собой облегченный, оптимизированный формат файлов, поддерживаемый процессором KPU (Kendryte Processing Unit) на Maixduino.

Адрес модели: файл .kmodel был сохранен на SD-карте для удобного доступа платы Maixduino.

model_addr = "/sd/model-153144.kmodel"

Шаг 7: Развертывание модели в Maixduino

После переноса файла .kmodel на SD-карту программа Maixduino загружает и использует модель для распознавания лиц в реальном времени.

1. Загрузка модели: модель загружается с помощью библиотеки KPU в MaixPy, а обнаружение лиц инициируется методом обнаружения объектов YOLOv2.

task = kpu.load(model_addr)
kpu.init_yolo2(task, 0.7, 0.5, 5, anchors)

Инструменты, используемые для реализации кода

Среда программирования: MaixPy IDE (IDE на основе Python для Maixduino).

MaixPy IDE — это интегрированная среда разработки, предназначенная для упрощения процесса программирования и отладки плат Maix, таких как Maixduino, использующих процессоры Kendryte K210 AI. Она специально создана для работы с MicroPython, облегченной версией Python, оптимизированной для микроконтроллеров, что упрощает разработку приложений ИИ и IoT на встроенных системах.

Использованные библиотеки:

sensor: используется для инициализации камеры и захвата изображений.
image: для обработки изображений и рисования на ЖК-дисплее.
lcd: для управления отображением.
kpu: Для вывода модели с использованием нейронного сетевого процессора KPU.
ШИМ и таймер: для управления сервомотором.
UART: для связи по последовательному интерфейсу.

Аппаратное обеспечение:

Плата Maixduino: основной процессор.
Камера GC0328: делает снимки для распознавания лиц.
Сервомотор: управление осуществляется на основе результатов распознавания лиц.
ЖК-дисплей: отображает видеопоток с камеры в режиме реального времени и результаты обнаружения.
Источник питания: USB или батарея для портативного использования.

Структура и пояснения кода

Код можно разделить на несколько функциональных блоков: инициализация компонентов, захват изображения, вывод модели, управление сервоприводом и связь по UART. Каждый из этих элементов работает совместно, создавая систему, в которой камера захватывает кадры, обнаруживает лица и соответствующим образом перемещает сервомотор.

1. Инициализация компонентов

ШИМ-таймер для управления сервомотором:

Для управления сервоприводом, подключенным к выводу IO21 на плате Maixduino, инициализируются таймер (Timer.TIMER0) и ШИМ-контроллер.
Частота ШИМ установлена на 50 Гц, что типично для управления сервомоторами. Изначально сервомотор установлен на 0 градусов.

tim = Timer(Timer.TIMER0, Timer.CHANNEL0, mode=Timer.MODE_PWM)

S1 = PWM(tim, freq=50, duty=0, pin=board_info.PIN13)

def Servo(servo, angle):

S1.duty(((angle * 9.45) / 180) + 2.95)

tim = Timer(Timer.TIMER0, Timer.CHANNEL0, mode=Timer.MODE_PWM)

S1 = PWM(tim, freq=50, duty=0, pin=board_info.PIN13)

def Servo(servo, angle):

S1.duty(((angle * 9.45) / 180) + 2.95)

Настройка UART:

Интерфейс UART инициализируется для отправки результатов (данных об обнаруженном объекте) на другое устройство (например, ПК или другую плату).

def init_uart():

fm.register(10, fm.fpioa.UART1_TX, force=True)

fm.register(11, fm.fpioa.UART1_RX, force=True)

uart = UART(UART.UART1, 115200, 8, 0, 0, timeout=1000, read_buf_len=256)

return uart

def init_uart():

fm.register(10, fm.fpioa.UART1_TX, force=True)

fm.register(11, fm.fpioa.UART1_RX, force=True)

uart = UART(UART.UART1, 115200, 8, 0, 0, timeout=1000, read_buf_len=256)

return uart

2. Захват и обработка изображений

Инициализация камеры:

Библиотека датчиков инициализирует камеру в формате RGB565 с разрешением QVGA. Камера захватывает изображения для распознавания лиц.

sensor.reset()

sensor.set_pixformat(sensor.RGB565)

sensor.set_framesize(sensor.QVGA)

sensor.set_windowing(input_size)

sensor.set_hmirror(sensor_hmirror)

sensor.set_vflip(sensor_vflip)

sensor.run(1)

sensor.reset()

sensor.set_pixformat(sensor.RGB565)

sensor.set_framesize(sensor.QVGA)

sensor.set_windowing(input_size)

sensor.set_hmirror(sensor_hmirror)

sensor.set_vflip(sensor_vflip)

sensor.run(1)

Инициализация ЖК-дисплея:

Библиотека lcd используется для инициализации и управления дисплеем. Здесь же настраиваются поворот ЖК-экрана и очистка фона.

lcd.init(type=1)

lcd.rotation(lcd_rotation)

lcd.clear(lcd.WHITE)

lcd.init(type=1)

lcd.rotation(lcd_rotation)

lcd.clear(lcd.WHITE)

3. Вывод модели

Загрузка модели KPU:

Предварительно обученная модель распознавания лиц, экспортированная из формата .kmodel MaixHubin, загружается в KPU (процессор нейронной сети) Maixduino.
Сеть YOLOv2 процессора KPU обнаруживает объекты с порогом достоверности 0,7 и порогом подавления немаксимальных значений 0,5.

task = kpu.load(model_addr)

kpu.init_yolo2(task, 0.7, 0.5, 5, anchors)

Распознавание лиц:

Захваченное изображение обрабатывается моделью KPU для обнаружения лиц. Если лица обнаружены, вокруг них на ЖК-дисплее рисуются ограничивающие рамки.

objects = kpu.run_yolo2(task, img)

if objects:

for obj in objects:

pos = obj.rect()

img.draw_rectangle(pos)

img.draw_string(pos[0], pos[1], "%s : %.2f" %(labels[obj.classid()], obj.value()), scale=3, color=(0, 255, 0))

objects = kpu.run_yolo2(task, img)

if objects:

for obj in objects:

pos = obj.rect()

img.draw_rectangle(pos)

img.draw_string(pos[0], pos[1], "%s : %.2f" %(labels[obj.classid()], obj.value()), scale=3, color=(0, 255, 0))

Зажигание.

При обнаружении поверхности сервомотор поворачивается на 180° и остается в этом положении в течение 3 секунд. После этого он возвращается в исходное положение 0° для запуска воспламенителя.

Servo(S1, 180) # Rotate servo to 180°

time.sleep(3)

Servo(S1, 0) # Return to 0° after 3 seconds

Servo(S1, 180) # Rotate servo to 180°

time.sleep(3)

Servo(S1, 0) # Return to 0° after 3 seconds

Передача данных обнаружения через UART

Положения ограничивающих рамок, класс объекта и степень достоверности обнаружения передаются через UART. Это позволяет передавать результаты в другую систему для дальнейшей обработки.

comm.send_detect_result(objects, labels)

1	comm.send_detect_result(objects, labels)

Обработка и отображение ошибок

Эта lcd_show_except() функция отображает все ошибки, обнаруженные во время выполнения, непосредственно на ЖК-экране.

def lcd_show_except(e):

import uio

err_str = uio.StringIO()

sys.print_exception(e, err_str)

err_str = err_str.getvalue()

img = image.Image(size=input_size)

img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))

lcd.display(img)

def lcd_show_except(e):

import uio

err_str = uio.StringIO()

sys.print_exception(e, err_str)

err_str = err_str.getvalue()

img = image.Image(size=input_size)

img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))

lcd.display(img)

4. Выводы

Модель получает данные с камеры в реальном времени, обрабатывает каждый кадр и выдает результаты распознавания лиц. Результаты включают ограничивающие рамки вокруг обнаруженных лиц и оценку достоверности каждого обнаружения. Система также перемещает сервомотор в зависимости от результатов распознавания лиц.

Полный код проекта

Весь код доступен по ссылке на GitHub ниже:

Код HTML интерфейса

<!doctype html>
<html>
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>Face Recognition Access Control</title>
<style>
@media only screen and (min-width: 850px) {
    body {
         display: flex;
    }
     #content-right {
         margin-left: 10px;
    }  
}
body {
    font-family: Arial, Helvetica, sans-serif;
    background: #181818;
    color: #EFEFEF;
    font-size: 16px;
}
#content-left {
    max-width: 400px;
     flex: 1;
}
#content-right {
    max-width: 400px;
     flex: 1;
}
#stream {
    width: 100%;
}
#status-display {
    height: 25px;
    border: none;
    padding: 10px;
    font: 18px/22px sans-serif;
    margin-bottom: 10px;
    border-radius: 5px;
    background: green;
    text-align: center;
}
#person {
    width:100%;
    height: 25px;
    border: none;
    padding: 20px 10px;
    font: 18px/22px sans-serif;
    margin-bottom: 10px;
    border-radius: 5px;
    resize: none;
    box-sizing: border-box;
}
button {
    display: block;
    margin: 5px 0;
    padding: 0 12px;
    border: 0;
    width: 48%;
    line-height: 28px;
    cursor: pointer;
    color: #fff;
    background: #ff3034;
    border-radius: 5px;
    font-size: 16px;
    outline: 0;
}
.buttons {
    height:40px;
}
button:hover {
    background: #ff494d;
}
button:active {
    background: #f21c21;
}
button:disabled {
    cursor: default;
    background: #a0a0a0;
}
.left {
    float: left;
}
.right {
    float: right;
}
.image-container {
    position: relative;
}
.stream {
    max-width: 400px;
}
ul {
    list-style: none;
    padding: 5px;
    margin:0;
}
li {
    padding: 5px 0;
}
.delete {
    background: #ff3034;
    border-radius: 100px;
    color: #fff;
    text-align: center;
    line-height: 18px;
    cursor: pointer;
}
h3 {
    margin-bottom: 3px;
}
</style>
</head>
<body>
<div id="content-left">
 <div id="stream-container" class="image-container"> <img id="stream" src=""> </div>
</div>
<div id="content-right">
 <div id="status-display"> <span id="current-status"></span> </div>
 <div id="person-name">
   <input id="person" type="text" value="" placeholder="Type the person's name here">
 </div>
 <div class="buttons">
   <button id="button-stream" class="left">STREAM CAMERA</button>
   <button id="button-detect" class="right">DETECT FACES</button>
 </div>
 <div class="buttons">
   <button id="button-capture" class="left" title="Enter a name above before capturing a face">ADD USER</button>
   <button id="button-recognise" class="right">ACCESS CONTROL</button>
 </div>
 <div class="people">
   <h3>Captured Faces</h3>
   <ul>
   </ul>
 </div>
 <div class="buttons">
   <button id="delete_all">DELETE ALL</button>
 </div>
</div>
<script>
document.addEventListener("DOMContentLoaded", function(event) {
 var baseHost = document.location.origin;
 var streamUrl = baseHost + ":81";
 const WS_URL = "ws://" + window.location.host + ":82";
 const ws = new WebSocket(WS_URL);
 const view = document.getElementById("stream");
 const personFormField = document.getElementById("person");
 const streamButton = document.getElementById("button-stream");
 const detectButton = document.getElementById("button-detect");
 const captureButton = document.getElementById("button-capture");
 const recogniseButton = document.getElementById("button-recognise");
 const deleteAllButton = document.getElementById("delete_all");
 // gain, frequency, duration
 a=new AudioContext();
 function alertSound(w,x,y){
   v=a.createOscillator();
   u=a.createGain();
   v.connect(u);
   v.frequency.value=x;
   v.type="square";
   u.connect(a.destination);
   u.gain.value=w*0.01;
   v.start(a.currentTime);
   v.stop(a.currentTime+y*0.001);
 }
 ws.onopen = () => {
   console.log(`Connected to ${WS_URL}`);
 };
 ws.onmessage = message => {
   if (typeof message.data === "string") {
     if (message.data.substr(0, 8) == "listface") {
       addFaceToScreen(message.data.substr(9));
     } else if (message.data == "delete_faces") {
       deleteAllFacesFromScreen();
     } else if (message.data == "door_open") {
         alertSound(10,233,100); alertSound(3,603,200);
     } else {
         document.getElementById("current-status").innerHTML = message.data;
         document.getElementById("status-display").style.background = "green";
     }
   }
   if (message.data instanceof Blob) {
     var urlObject = URL.createObjectURL(message.data);
     view.src = urlObject;
   }
 }
 streamButton.onclick = () => {
   ws.send("stream");
 };
 detectButton.onclick = () => {
   ws.send("detect");
 };
 captureButton.onclick = () => {
   person_name = document.getElementById("person").value;
   ws.send("capture:" + person_name);
 };
 recogniseButton.onclick = () => {
   ws.send("recognise");
 };
 deleteAllButton.onclick = () => {
   ws.send("delete_all");
 };
 personFormField.onkeyup = () => {
   captureButton.disabled = false;
 };
 function deleteAllFacesFromScreen() {
   // deletes face list in browser only
   const faceList = document.querySelector("ul");
   while (faceList.firstChild) {
     faceList.firstChild.remove();
   }
   personFormField.value = "";
   captureButton.disabled = true;
 }
 function addFaceToScreen(person_name) {
   const faceList = document.querySelector("ul");
   let listItem = document.createElement("li");
   let closeItem = document.createElement("span");
   closeItem.classList.add("delete");
   closeItem.id = person_name;
   closeItem.addEventListener("click", function() {
     ws.send("remove:" + person_name);
   });
   listItem.appendChild(
     document.createElement("strong")
   ).textContent = person_name;
   listItem.appendChild(closeItem).textContent = "X";
   faceList.appendChild(listItem);
 }
 captureButton.disabled = true;
});
</script>
</body>
</html>

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

<!doctype html>

<html>

<head>

<title>Face Recognition Access Control</title>

<style>

@media only screen and (min-width: 850px) {

body {

display: flex;

}

#content-right {

margin-left: 10px;

}

body {

font-family: Arial, Helvetica, sans-serif;

background: #181818;

color: #EFEFEF;

font-size: 16px;

}

#content-left {

max-width: 400px;

flex: 1;

}

#content-right {

max-width: 400px;

flex: 1;

}

#stream {

width: 100%;

}

#status-display {

height: 25px;

border: none;

padding: 10px;

font: 18px/22px sans-serif;

margin-bottom: 10px;

border-radius: 5px;

background: green;

text-align: center;

}

#person {

width:100%;

height: 25px;

border: none;

padding: 20px 10px;

font: 18px/22px sans-serif;

margin-bottom: 10px;

border-radius: 5px;

resize: none;

box-sizing: border-box;

}

button {

display: block;

margin: 5px 0;

padding: 0 12px;

border: 0;

width: 48%;

line-height: 28px;

cursor: pointer;

color: #fff;

background: #ff3034;

border-radius: 5px;

font-size: 16px;

outline: 0;

}

.buttons {

height:40px;

}

button:hover {

background: #ff494d;

}

button:active {

background: #f21c21;

}

button:disabled {

cursor: default;

background: #a0a0a0;

}

.left {

float: left;

}

.right {

float: right;

}

.image-container {

position: relative;

}

.stream {

max-width: 400px;

}

ul {

list-style: none;

padding: 5px;

margin:0;

}

li {

padding: 5px 0;

}

.delete {

background: #ff3034;

border-radius: 100px;

color: #fff;

text-align: center;

line-height: 18px;

cursor: pointer;

}

h3 {

margin-bottom: 3px;

}

</style>

</head>

<body>

</div>

</div>

<button id="button-stream" class="left">STREAM CAMERA</button>

<button id="button-detect" class="right">DETECT FACES</button>

</div>

<button id="button-recognise" class="right">ACCESS CONTROL</button>

</div>

<h3>Captured Faces</h3>

<ul>

</ul>

</div>

<button id="delete_all">DELETE ALL</button>

</div>

document.addEventListener("DOMContentLoaded", function(event) {

var baseHost = document.location.origin;

var streamUrl = baseHost + ":81";

const WS_URL = "ws://" + window.location.host + ":82";

const ws = new WebSocket(WS_URL);

const view = document.getElementById("stream");

const personFormField = document.getElementById("person");

const streamButton = document.getElementById("button-stream");

const detectButton = document.getElementById("button-detect");

const captureButton = document.getElementById("button-capture");

const recogniseButton = document.getElementById("button-recognise");

const deleteAllButton = document.getElementById("delete_all");

// gain, frequency, duration

a=new AudioContext();

function alertSound(w,x,y){

v=a.createOscillator();

u=a.createGain();

v.connect(u);

v.frequency.value=x;

v.type="square";

u.connect(a.destination);

u.gain.value=w*0.01;

v.start(a.currentTime);

v.stop(a.currentTime+y*0.001);

}

ws.onopen = () => {

console.log(`Connected to ${WS_URL}`);

};

ws.onmessage = message => {

if (typeof message.data === "string") {

if (message.data.substr(0, 8) == "listface") {

addFaceToScreen(message.data.substr(9));

} else if (message.data == "delete_faces") {

deleteAllFacesFromScreen();

} else if (message.data == "door_open") {

alertSound(10,233,100); alertSound(3,603,200);

} else {

document.getElementById("current-status").innerHTML = message.data;

document.getElementById("status-display").style.background = "green";

}

if (message.data instanceof Blob) {

var urlObject = URL.createObjectURL(message.data);

view.src = urlObject;

}

streamButton.onclick = () => {

ws.send("stream");

};

detectButton.onclick = () => {

ws.send("detect");

};

captureButton.onclick = () => {

person_name = document.getElementById("person").value;

ws.send("capture:" + person_name);

};

recogniseButton.onclick = () => {

ws.send("recognise");

};

deleteAllButton.onclick = () => {

ws.send("delete_all");

};

personFormField.onkeyup = () => {

captureButton.disabled = false;

};

function deleteAllFacesFromScreen() {

// deletes face list in browser only

const faceList = document.querySelector("ul");

while (faceList.firstChild) {

faceList.firstChild.remove();

}

personFormField.value = "";

captureButton.disabled = true;

}

function addFaceToScreen(person_name) {

const faceList = document.querySelector("ul");

let listItem = document.createElement("li");

let closeItem = document.createElement("span");

closeItem.classList.add("delete");

closeItem.id = person_name;

closeItem.addEventListener("click", function() {

ws.send("remove:" + person_name);

});

listItem.appendChild(

document.createElement("strong")

).textContent = person_name;

listItem.appendChild(closeItem).textContent = "X";

faceList.appendChild(listItem);

}

captureButton.disabled = true;

});

</script>

</body>

</html>

Видео, демонстрирующее работу проекта

(Проголосуй первым!)

Загрузка...

4 просмотров

Как добавить в дрон функцию распознавания лиц

Необходимые компоненты

Схема проекта

Реализация на программном уровне и обучение модели с помощью MaixHub

Инструменты, используемые для реализации кода

Структура и пояснения кода

1. Инициализация компонентов

2. Захват и обработка изображений

3. Вывод модели

4. Выводы

Полный код проекта

Видео, демонстрирующее работу проекта

Добавить комментарий Отменить ответ

Необходимые компоненты

Схема проекта

Реализация на программном уровне и обучение модели с помощью MaixHub

Инструменты, используемые для реализации кода

Структура и пояснения кода

1. Инициализация компонентов

2. Захват и обработка изображений

3. Вывод модели

4. Выводы

Полный код проекта

Видео, демонстрирующее работу проекта

Похожие статьи

Добавить комментарий Отменить ответ