基于MNIST数据集OpenMV4手写数字识别方案.pdfVIP

Machine-Learning-mnist数字识别

关于OpenMV4模块的数字识别，3.0.3版本的OpenMVIDE的示例，已经删除里

nn_lenet.py例程，中讲解的数字识别，也已经不能用了。

本例程利用mnist数字数据集，自行训练神经网络，制作了手写数字识别神经网络模型，性能

和准确率很高。在OpenMV4H7Plus上面运行，大概每秒45帧，在OpenMV4H7上面运行，

大概每秒25帧左右。下面是使用步骤。

1，文件夹中的trained.tflite文件，到OpenMV的U盘中。

2，点击“文件菜单”，再点击“打开文件”。

机器学习‑mnist数字识别

关于OpenMV4模块的数字识别，3.0.3版本的OpenMVIDE的示例，已经删除

_

里nnlenet.py示例，中讲解的数字识别，也已经不能用了。

本例程利用mnist数字数据集，自行训练神经网络，制作了手写数字识别神经网络模型，性能和准确率都

很高。在OpenMV4H7Plus上面运行，大约每秒45帧，在OpenMV4H7上面运行，大约每秒25帧

左右。下面是使用步骤。

1、文件夹中的trained.tflite文件，到OpenMV的U盘中。

2、点击“文件菜单”，再点击“打开文件”。

3，找到并打开《数字识别》文件夹内的“MAIN.PY”文件，如下图所示：

4，找一张A4纸，用大头笔写好：1，2，3，4，5，6，7，8，9，0这些数字。然后点击窗口左下角的绿色三角

形按钮运行按钮。

5，点击窗口左下角的”串行终端”，可查看识别结果，识别帧率。

3、找到并打开《数字识别》文件夹内的“MAIN.PY”文件，如下图所示：

4、找一张A4纸，用大头笔写好：1,2,3,4,5,6,7,8,9,0这些数字。然后点击窗口左下角的绿色三角形按钮‑‑‑运

行按钮。

5、点击窗口左下角的“串行终端”，可查看识别结果、识别帧率。

，附件：识别例程代码如下：

#ThiscoderuninOpenMV4H7orOpenMV4H7Plus

importsensor,image,time,os,tf

sensor.reset()#Resetandinitializethesensor.

sensor.set_pixformat(sensor.GRAYSCALE)#SetpixelformattoRGB565(orGRAYSCALE)

sensor.set_framesize(sensor.QVGA)#SetframesizetoQVGA(320x240)

sensor.set_windowing((240,240))#Set240x240window.

sensor.skip_frames(time=2000)#Letthecameraadjust.

clock=time.clock()while(True):

clock.tick()

img=sensor.snapshot().binary([(0,64)])

forobjintf.classify(trained.tflite,img,min_scale=1.0,scale_mul=0.5,x_overlap=0.0,

y_overlap=0.0):

output=obj.output()

number=output.index(max(output))

print(number)

print(clock.fps(),fps)

6、附件：识别例程代码如下：

#此代码在OpenMV4H7或OpenMV4H7Plus中运行

导入传感器、图像、时间、os、tf

sensor.reset()#重置并初始化传感器。

_

sensor.setpixformat(sensor.GRAYSCALE)#将像素格式设置为RGB565（或GRAYSCALE）

_

sensor.setframesize(sensor.QVGA)