大家好，接下來(lái)會(huì)為大家開(kāi)一個(gè)樹(shù)莓派5和YOLO的連載專題。

內(nèi)容包括四個(gè)部分：

在樹(shù)莓派5上使用YOLO進(jìn)行物體和動(dòng)物識(shí)別-入門指南

在樹(shù)莓派5上開(kāi)啟YOLO姿態(tài)估計(jì)識(shí)別之旅！

如何在樹(shù)莓派 AIHAT+上進(jìn)行YOLO目標(biāo)檢測(cè)？

如何在樹(shù)莓派 AI HAT+上進(jìn)行YOLO姿態(tài)估計(jì)？

今天是第三部分：如何在樹(shù)莓派 AI HAT+上進(jìn)行YOLO目標(biāo)檢測(cè)？

如果大家對(duì)這個(gè)專題感興趣，記得關(guān)注樹(shù)莓派開(kāi)發(fā)者，這樣你將會(huì)第一時(shí)間收到我們的內(nèi)容更新通知。

在本指南中，我們將探討如何使用樹(shù)莓派AI HAT設(shè)置YOLO目標(biāo)檢測(cè)，更重要的是，學(xué)習(xí)如何在Python項(xiàng)目中應(yīng)用它。我們將了解如何安裝所需的硬件和固件，以及如何設(shè)置和使用目標(biāo)檢測(cè)Python管道。通過(guò)本指南，您將掌握整個(gè)設(shè)置過(guò)程，并獲得我們編寫的三個(gè)不同示例腳本。一個(gè)腳本在檢測(cè)到特定對(duì)象時(shí)“執(zhí)行某些操作”，另一個(gè)在檢測(cè)到特定數(shù)量的對(duì)象時(shí)執(zhí)行操作，最后一個(gè)在特定位置檢測(cè)到對(duì)象時(shí)執(zhí)行操作。

像我們其他大多數(shù)計(jì)算機(jī)視覺(jué)指南一樣，本指南也很有趣，讓我們開(kāi)始吧！

目錄：

所需材料

硬件組裝

安裝樹(shù)莓派操作系統(tǒng)

安裝AI HAT軟件和Python管道

運(yùn)行目標(biāo)檢測(cè)演示

示例代碼1：目標(biāo)檢測(cè)

示例代碼2：計(jì)數(shù)對(duì)象

示例代碼3：對(duì)象定位

運(yùn)行其他YOLO模型

接下來(lái)做什么？

所需材料

要跟隨本指南操作，您需要：

樹(shù)莓派5 - 2GB或更大內(nèi)存的型號(hào)均可。

AI HAT+板 - 本指南適用于13 TOPS和26 TOPS版本。TOPS是衡量AI加速器速度的指標(biāo)，因此26 TOPS版本的AI HAT+速度大約是13 TOPS版本的兩倍。這意味著它可以以更高的FPS運(yùn)行更復(fù)雜、更強(qiáng)大的模型，比13 TOPS版本更出色。

引腳擴(kuò)展器（可選） - AI HAT+附帶了一個(gè)樹(shù)莓派引腳擴(kuò)展器，但通常它們不夠長(zhǎng)，無(wú)法完全穿過(guò)HAT。如果您打算將硬件插入樹(shù)莓派或以其他方式使用引腳，則需要一個(gè)這樣的擴(kuò)展器來(lái)訪問(wèn)它們。

樹(shù)莓派攝像頭模塊 - 我們使用的是攝像頭模塊V3，但幾乎任何官方攝像頭模塊都可以使用。

攝像頭適配器線 - 樹(shù)莓派5使用的CSI攝像頭線尺寸與之前的型號(hào)不同，您的攝像頭可能附帶的是舊的更寬的線，因此值得仔細(xì)檢查一下。攝像頭模塊V3肯定需要一條適配器線。您還可以選擇更長(zhǎng)的線，如300mm和500mm！

散熱解決方案 - 對(duì)于樹(shù)莓派5本身，我們使用的是主動(dòng)散熱器。雖然AI HAT+可以在沒(méi)有散熱器的情況下運(yùn)行，但如果您長(zhǎng)時(shí)間運(yùn)行它，一個(gè)小型自粘散熱片可能是一項(xiàng)值得的投資。一點(diǎn)散熱措施可能大有裨益。

電源

Micro SD卡 - 至少16GB容量。

顯示器和Micro-HDMI轉(zhuǎn)HDMI線

鼠標(biāo)和鍵盤

*所需物品可以直接聯(lián)系我們進(jìn)行購(gòu)買。

硬件安裝

步驟1：安裝引腳擴(kuò)展器

在樹(shù)莓派上安裝任何硬件之前，請(qǐng)確保已關(guān)閉電源并斷開(kāi)與任何電源的連接。

首先將GPIO引腳擴(kuò)展器安裝在樹(shù)莓派的引腳上。如果您使用的是更長(zhǎng)的引腳擴(kuò)展器，請(qǐng)?jiān)诖颂幨褂?。注意不要彎曲這些引腳，因?yàn)樗鼈兒荛L(zhǎng)，很容易彎曲。

如果您在樹(shù)莓派上使用散熱片或散熱器，現(xiàn)在是安裝的時(shí)候了。

步驟2：安裝支柱

安裝隨AI HAT附帶的4個(gè)支架。支架附帶4個(gè)長(zhǎng)螺絲和4個(gè)短螺絲，使用哪一種都無(wú)妨。

步驟3：連接PCIe線

要將HAT上的PCIe電纜安裝到樹(shù)莓派上，請(qǐng)先抬起樹(shù)莓派PCIe插槽上的棕色卡扣。將電纜插入插槽，確保其牢固且垂直地固定在插槽內(nèi)。然后將卡扣推回原位以固定電纜。

注意：避免過(guò)度彎曲或扭曲此電纜，因?yàn)樗赡茌^為脆弱。

步驟4：放置AI HAT

現(xiàn)在將HAT滑動(dòng)到針腳延長(zhǎng)器上，直到它平放在支架上。在此過(guò)程中請(qǐng)小心不要損壞PCIe電纜。

您的樹(shù)莓派在HAT下方可能會(huì)露出部分GPIO接口——這是正?，F(xiàn)象。

步驟5：安裝攝像頭

相機(jī)使用的連接器與PCIe連接器采用類似的卡扣式連接設(shè)計(jì)。在相機(jī)和樹(shù)莓派的連接器插槽上，先抬起卡扣，將電纜插入并確保其垂直對(duì)齊，然后將連接器按下固定到位。

步驟6：擰緊螺絲

最后，用剩下的4顆螺絲將HAT固定好。如果你選擇使用自粘式散熱片在AI HAT上，將其放置在電路板中央的銀色處理單元上。

就這樣，我們完成了！

安裝樹(shù)莓派操作系統(tǒng)

首先，我們需要將樹(shù)莓派操作系統(tǒng)安裝到Micro SD卡上。使用樹(shù)莓派Imager，選擇樹(shù)莓派5作為設(shè)備，選擇Raspberry Pi OS（64位）作為操作系統(tǒng)，并選擇您的MicroSD卡作為存儲(chǔ)設(shè)備。

注意：將樹(shù)莓派操作系統(tǒng)安裝到MicroSD卡上將擦除卡上的所有數(shù)據(jù)。

下載操作系統(tǒng)并安裝可能需要幾分鐘時(shí)間。安裝完成后，將其插入樹(shù)莓派并啟動(dòng)。您的樹(shù)莓派將進(jìn)行首次安裝，請(qǐng)確保將其連接到互聯(lián)網(wǎng)。

安裝AI HAT軟件和Python管道

讓我們開(kāi)始安裝運(yùn)行AI HAT所需的固件和軟件。打開(kāi)一個(gè)新的終端窗口，首先使用以下命令更新您的樹(shù)莓派：

sudo aptupdate&&sudo aptfull-upgrade

在這些步驟中，系統(tǒng)可能會(huì)詢問(wèn)您是否確認(rèn)安裝某些內(nèi)容，只需輸入“y”并回車即可。

現(xiàn)在使用以下命令安裝HAT固件：

sudoapt install hailo-all

此安裝過(guò)程可能需要5到10分鐘才能完成。安裝完成后，重新啟動(dòng)樹(shù)莓派。如果您想成為高級(jí)用戶，可以通過(guò)在終端中輸入以下命令來(lái)重新啟動(dòng)：

reboot

現(xiàn)在我們將安裝Hailo的Python管道軟件和示例，但什么是管道呢？

與AI HAT硬件本身進(jìn)行通信極其復(fù)雜，所需的代碼也相當(dāng)復(fù)雜。我們將設(shè)置并安裝一個(gè)目標(biāo)檢測(cè)管道，它只是一組代碼和軟件，使我們能夠更輕松地與HAT進(jìn)行交互。它本質(zhì)上會(huì)將我們更簡(jiǎn)單、更易讀的代碼轉(zhuǎn)換為幕后所有的復(fù)雜操作，以使HAT運(yùn)行。

要安裝管道及其所需的庫(kù)，首先通過(guò)在終端中輸入以下命令來(lái)復(fù)制它們的GitHub存儲(chǔ)庫(kù)：

gitclonehttps://github.com/hailo-ai/hailo-rpi5-examples.git

這將在樹(shù)莓派的主文件夾中下載一個(gè)名為“hailo-rpi5-examples”的文件夾，這將是我們將要在其中工作的重要位置。

在安裝管道之前，我們需要告訴終端通過(guò)更改目錄命令從該文件夾中工作：

cdhailo-rpi5-examples

終端中帶有文件位置的藍(lán)色文本表示您已成功運(yùn)行此命令?，F(xiàn)在我們將運(yùn)行shell腳本安裝程序：

./install.sh

此安裝過(guò)程可能需要10到20分鐘，因?yàn)樗€會(huì)安裝我們將要使用的所有YOLO模型。

安裝完成后，再次重新啟動(dòng)樹(shù)莓派。

運(yùn)行目標(biāo)檢測(cè)演示

讓我們運(yùn)行一些示例代碼！在之前的步驟中，我們從Hailo下載了一些示例管道以及使用這些管道的示例Python腳本。在本教程中，我們將使用目標(biāo)檢測(cè)管道 - 它被稱為“detection_pipeline.py”，位于hailo_rpi5-examples/basic_pipelines下。

運(yùn)行這些Python腳本的最簡(jiǎn)單方法是通過(guò)終端。首先使用更改目錄命令更改終端的工作位置，這與我們之前使用的命令相同：

cdhailo-rpi5-examples

安裝步驟還創(chuàng)建了一個(gè)虛擬環(huán)境（也稱為Venv）。這本質(zhì)上是一個(gè)隔離的虛擬工作空間，我們可以在其中安裝軟件包并進(jìn)行實(shí)驗(yàn)，而不會(huì)影響樹(shù)莓派操作系統(tǒng)的其他部分。我們需要使用的所有軟件包都已安裝在此Venv中，我們可以通過(guò)在終端中輸入以下命令來(lái)告訴終端進(jìn)入該環(huán)境：

sourcesetup_env.sh

您可以通過(guò)查看右側(cè)圖像中括號(hào)內(nèi)左側(cè)的名稱來(lái)確認(rèn)您正在Venv中工作。如果您已進(jìn)入Venv并且看到了更改目錄命令的藍(lán)色文本，那么您現(xiàn)在就可以運(yùn)行Python腳本了。如果您關(guān)閉了終端或重新啟動(dòng)了樹(shù)莓派，則需要再次運(yùn)行這些命令以返回到此狀態(tài)。

我們將運(yùn)行名為“detection.py”的演示Python代碼，該代碼位于“basic_pipelines”文件夾中，因此運(yùn)行此代碼的命令將是：

python basic_pipelines/detection.py

您應(yīng)該看到一個(gè)新窗口出現(xiàn)，顯示人們過(guò)馬路的視頻，以及YOLO目標(biāo)檢測(cè)模型在幀中識(shí)別對(duì)象，如右側(cè)圖像所示。恭喜！您已成功在AI HAT上設(shè)置并運(yùn)行了計(jì)算機(jī)視覺(jué)。

我們看到的這個(gè)視覺(jué)輸出很直觀。YOLO會(huì)嘗試在它認(rèn)為對(duì)象所在的位置周圍繪制一個(gè)邊界框，然后標(biāo)記它識(shí)別出的對(duì)象，并用百分比來(lái)評(píng)估識(shí)別的置信度。默認(rèn)的YOLO模型是在COCO數(shù)據(jù)集上訓(xùn)練的，該數(shù)據(jù)集僅包含81個(gè)可檢測(cè)的對(duì)象。

https://gist.github.com/AruniRC/7b3dadd004da04c80198557db5da4bda

這可能看起來(lái)不多，但其中許多是日常生活中常見(jiàn)的廣泛對(duì)象類別，如“運(yùn)動(dòng)球”和“瓶子”。

要以我們的攝像頭作為輸入視頻源來(lái)運(yùn)行Python代碼，我們需要將其指定為一個(gè)參數(shù)或選項(xiàng)。我們可以通過(guò)輸入以下命令來(lái)獲取目標(biāo)檢測(cè)管道的所有可用選項(xiàng)列表：

python basic_pipelines/detection.py --help

這里有一些有用的選項(xiàng)可供探索，您應(yīng)該找個(gè)時(shí)間嘗試一下，但我們感興趣的是使用“--input”選項(xiàng)更改源。在這里我們可以看到，我們可以指定一個(gè)文件或攝像頭作為輸入，并且我們可以使用以下命令運(yùn)行帶有攝像頭模塊的檢測(cè)腳本：

python basic_pipelines/detection.py --input rpi

現(xiàn)在我們的代碼已經(jīng)運(yùn)行并從攝像頭中檢測(cè)對(duì)象了，讓我們快速了解一下幕后發(fā)生了什么，以便我們學(xué)習(xí)如何在自定義項(xiàng)目中應(yīng)用此目標(biāo)檢測(cè)。這里有很多復(fù)雜的過(guò)程，有數(shù)千行代碼在運(yùn)行，但其中大部分都是在管道中幕后運(yùn)行的。這對(duì)我們來(lái)說(shuō)很幸運(yùn)，因?yàn)檫@意味著我們只需要與“detection.py”文件交互，該文件更加簡(jiǎn)潔且易于人類閱讀（我們稱之為高級(jí)代碼）。

讓我們?cè)赥honny中打開(kāi)detection.py并探索其中發(fā)生了什么。代碼首先導(dǎo)入所有所需的軟件包和庫(kù)以運(yùn)行，其中兩個(gè)是同一文件夾中的Python腳本，“detection_pipeline”和“hailo_rpi_common”。如果您希望修改此設(shè)置中不在detection.py中的更深層次的行為，它很可能位于這些文件中。如果您希望為項(xiàng)目導(dǎo)入任何庫(kù)或軟件包，請(qǐng)像往常一樣在此處添加。

importgigi.require_version('Gst','1.0')fromgi.repositoryimportGst,GLibimportosimportnumpyasnpimportcv2importhailofromhailo_apps_infra.hailo_rpi_commonimport( get_caps_from_pad, get_numpy_from_buffer, app_callback_class,)fromhailo_apps_infra.detection_pipelineimportGStreamerDetectionApp

然后，我們?cè)谀_本頂部定義了一個(gè)類，其中嵌套了一個(gè)名為“__init__”的函數(shù)。通常在編寫代碼時(shí)，我們將“初始化”代碼放在頂部，并且只運(yùn)行一次。這個(gè)類就是放置此“初始化”代碼的地方。因此，如果我們想定義一個(gè)常量變量、設(shè)置一個(gè)引腳或聲明一個(gè)函數(shù)，則必須在此部分中完成。Hailo在此部分提供了一個(gè)創(chuàng)建變量和函數(shù)的示例：

classuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() self.new_variable =42 # New variable example defnew_function(self): # New function example return"The meaning of life is: "

然后我們有一個(gè)名為“app_callback”的函數(shù)。每次AI HAT處理一幀時(shí)，此函數(shù)的內(nèi)容都會(huì)運(yùn)行，可以將其視為我們?cè)诖a中通常使用的while true循環(huán)。此循環(huán)中的前十幾行代碼對(duì)我們來(lái)說(shuō)興趣不大。它們主要是在管理管道，并在最后創(chuàng)建了一個(gè)名為“detections”的對(duì)象，該對(duì)象保存了來(lái)自YOLO模型的所有目標(biāo)檢測(cè)信息。

defapp_callback(pad, info, user_data): # Get the GstBuffer from the probe info buffer = info.get_buffer() # Check if the buffer is valid ifbufferisNone: returnGst.PadProbeReturn.OK # Using the user_data to count the number of frames user_data.increment() string_to_print =f"Frame count:{user_data.get_count()}\n" # Get the caps from the pad format, width, height = get_caps_from_pad(pad) # If the user_data.use_frame is set to True, we can get the video frame from the buffer frame =None ifuser_data.use_frameandformatisnotNoneandwidthisnotNoneandheightisnotNone: # Get video frame frame = get_numpy_from_buffer(buffer,format, width, height) # Get the detections from the buffer roi = hailo.get_roi_from_buffer(buffer) detections = roi.get_objects_typed(hailo.HAILO_DETECTION)

現(xiàn)在我們到了這段代碼的核心部分，開(kāi)始處理detections對(duì)象。在這個(gè)for循環(huán)內(nèi)部是一系列步驟。對(duì)于每個(gè)檢測(cè)到的對(duì)象，它首先獲取其標(biāo)簽（名稱）、邊界框的坐標(biāo)（圍繞對(duì)象的框）和檢測(cè)的置信度。這三個(gè)信息片段是您的項(xiàng)目所需的關(guān)鍵拼圖，因?yàn)樗鼈兪菙z像頭所看到內(nèi)容的輸出。在此演示代碼中，它檢查檢測(cè)到的事物是否是人，然后將計(jì)數(shù)器增加1，并統(tǒng)計(jì)圖像中的人數(shù)（盡管它并沒(méi)有對(duì)此進(jìn)行任何操作）。

detection_count=0 fordetection in detections: label= detection.get_label() bbox= detection.get_bbox() confidence= detection.get_confidence() iflabel =="person": string_to_print+= f"Detection: {label} {confidence:.2f}\n" detection_count+=1

這段代碼的其余部分使用openCV顯示相關(guān)信息，然后將檢測(cè)數(shù)據(jù)打印到shell。

ifuser_data.use_frame: #Note:using imshow will not work here, as the callback function is not running in the main thread # Let's print the detection count to the frame cv2.putText(frame, f"Detections: {detection_count}", (10,30), cv2.FONT_HERSHEY_SIMPLEX,1, (0,255,0),2) # Example of how to use the new_variable and new_function from the user_data # Let's print the new_variable and the result of the new_function to the frame cv2.putText(frame, f"{user_data.new_function()} {user_data.new_variable}", (10,60), cv2.FONT_HERSHEY_SIMPLEX,1, (0,255,0),2) # Convert the frame to BGR frame= cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) user_data.set_frame(frame) print(string_to_print) returnGst.PadProbeReturn.OK

有了這個(gè)腳本，您現(xiàn)在就有了開(kāi)始使用AI HAT進(jìn)行自己的目標(biāo)檢測(cè)項(xiàng)目的工具。對(duì)于一些創(chuàng)客來(lái)說(shuō)，這可能已經(jīng)足夠了，但我們還根據(jù)detection.py編寫了三個(gè)更精煉和健壯的示例代碼。這些腳本旨在讓您能夠啟動(dòng)項(xiàng)目，同時(shí)還提供了更多關(guān)于如何根據(jù)需要修改detections.py的示例。

示例代碼1：目標(biāo)檢測(cè)

此腳本的最終目標(biāo)是在檢測(cè)到特定對(duì)象時(shí)“執(zhí)行某些操作”。以下是完整代碼：

importgigi.require_version('Gst','1.0')fromgi.repositoryimportGst, GLibimportosimportnumpyasnpimportcv2importhailofromhailo_apps_infra.hailo_rpi_commonimport( get_caps_from_pad, get_numpy_from_buffer, app_callback_class,)fromhailo_apps_infra.detection_pipelineimportGStreamerDetectionAppfromgpiozeroimportAngularServo# Inheritance from the app_callback_classclassuser_app_callback_class(app_callback_class): def__init__(self): super().__init__()
# Initialize state variables for debouncing self.detection_counter =0 # Count consecutive frames with detections self.no_detection_counter =0 # Count consecutive frames without detections
# State tracking, is it active or not? self.is_it_active =False
self.servo = AngularServo(18, min_pulse_width=0.0006, max_pulse_width=0.0023)
defapp_callback(pad, info, user_data): # Get the GstBuffer from the probe info buffer = info.get_buffer() # Check if the buffer is valid ifbufferisNone: returnGst.PadProbeReturn.OK
# Using the user_data to count the number of frames user_data.increment()
# Get the caps from the pad format, width, height = get_caps_from_pad(pad) # If the user_data.use_frame is set to True, we can get the video frame from the buffer frame =None ifuser_data.use_frameandformatisnotNoneandwidthisnotNoneandheightisnotNone: frame = get_numpy_from_buffer(buffer,format, width, height)
# Get the detections from the buffer roi = hailo.get_roi_from_buffer(buffer) detections = roi.get_objects_typed(hailo.HAILO_DETECTION)
# Track if we've seen objects of interest this frame object_detected =False detection_string =""
# Parse the detections fordetectionindetections: label = detection.get_label() confidence = detection.get_confidence()
# Check for objects of interest with confidence threshold ifconfidence >0.4: # Adjust confidence threshold as needed iflabel =="person": object_detected =True detection_string +=f"Detection:{label}{confidence:.2f}\n" # Debouncing logic ifobject_detected: user_data.detection_counter +=1 user_data.no_detection_counter =0
# Only activate after given amount of consecutive frames with detections ifuser_data.detection_counter >=4andnotuser_data.is_it_active: # Move the Servo or do what ever you want to do user_data.servo.angle =90 # Update the is it active variable so this doesnt keep repeating user_data.is_it_active =True print("OBJECT DETECTED!") else: user_data.no_detection_counter +=1 user_data.detection_counter =0
# Only deactivate after 5 consecutive frames without detections ifuser_data.no_detection_counter >=5anduser_data.is_it_active: # Move the Servo or do what ever you want to do user_data.servo.angle =0 user_data.is_it_active =False print("Object Gone.") # Print detections if any ifdetection_string: print(detection_string, end='')
returnGst.PadProbeReturn.OKif__name__ =="__main__": # Create an instance of the user app callback class user_data = user_app_callback_class() app = GStreamerDetectionApp(app_callback, user_data) app.run()

要運(yùn)行此代碼，請(qǐng)?jiān)谕粋€(gè)basic_pipelines文件夾中創(chuàng)建一個(gè)新的Python文件。對(duì)于此示例，我們將其命名為“watcher.py”。要運(yùn)行代碼，命令與之前相同，但必須使用新名稱：

python basic_pipelines/watcher.py --input rpi

此代碼目前設(shè)置為在檢測(cè)到人時(shí)移動(dòng)伺服。一個(gè)實(shí)際應(yīng)用示例是解決辦公室里的一個(gè)實(shí)際問(wèn)題。在我的辦公桌前，我經(jīng)常戴著耳機(jī)，這使得當(dāng)人們從我身后進(jìn)入辦公室時(shí)很容易嚇到我。當(dāng)這段代碼檢測(cè)到指向我身后門的攝像頭中有人時(shí)，它會(huì)旋轉(zhuǎn)一個(gè)伺服，創(chuàng)建一個(gè)視覺(jué)警報(bào)，表明有人進(jìn)來(lái)了！

讓我們看看代碼的一些關(guān)鍵部分，了解我們添加了什么以及如何根據(jù)您的需求進(jìn)行定制。

我們首先導(dǎo)入完全相同的庫(kù)，但添加了gpiozero庫(kù)，其中包含我們將使用的易于使用的伺服控制。

fromgpiozeroimportAngularServo

然后在只運(yùn)行一次的類中，我們創(chuàng)建了幾個(gè)變量。有兩個(gè)用于去抖動(dòng)的計(jì)數(shù)器變量，以及一個(gè)用于跟蹤伺服當(dāng)前狀態(tài)的“is_it_active”變量。我們還設(shè)置了連接到引腳18的伺服。非常重要的一點(diǎn)是，當(dāng)我們?cè)谶@一部分創(chuàng)建變量時(shí)，必須使用“self.”前綴。如果我們希望一個(gè)變量在app_callback()（“while true循環(huán)”）中可訪問(wèn)，我們需要有這個(gè)前綴。

classuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() # Initialize state variables for debouncing self.detection_counter =0 # Count consecutive frames with detections self.no_detection_counter =0 # Count consecutive frames without detections # State tracking, is it active or not? self.is_it_active =False self.servo = AngularServo(18, min_pulse_width=0.0006, max_pulse_width=0.0023)

app_callback()的前半部分保持不變，因?yàn)樗诠芾砉艿?，我們不想更改它。之后，我們首先?chuàng)建一個(gè)名為“object_detected”和“detection_string”的變量。由于我們是在循環(huán)內(nèi)部創(chuàng)建它們，因此不需要“self.”前綴，但它們將在每個(gè)循環(huán)周期結(jié)束時(shí)被擦除。

# Track if we've seen objects of interest this frame object_detected =False detection_string ="" # Parse the detections fordetectionindetections: label = detection.get_label() confidence = detection.get_confidence() # Check for objects of interest with confidence threshold ifconfidence >0.4: # Adjust confidence threshold as needed iflabel =="person": object_detected =True detection_string +=f"Detection:{label}{confidence:.2f}\n"

然后我們進(jìn)入for detections循環(huán)，遍歷當(dāng)前幀中檢測(cè)到的每個(gè)對(duì)象。在這里，我們像往常一樣獲取標(biāo)簽和置信度。然后，我們將檢查置信度是否大于0.4（40%），以及它是否被識(shí)別為人 - 您可以根據(jù)需要調(diào)整置信度和要檢測(cè)的對(duì)象。如果它是人且置信度足夠，我們將object_detected設(shè)置為true。在這一部分，我們基本上分析了攝像頭看到的每個(gè)對(duì)象，并檢查其中是否至少有一個(gè)人。

# Parse the detections fordetectionindetections: label = detection.get_label() confidence = detection.get_confidence() # Check for objects of interest with confidence threshold ifconfidence >0.4: # Adjust confidence threshold as needed iflabel =="person": object_detected =True detection_string +=f"Detection:{label}{confidence:.2f}\n"

接下來(lái)的這一部分真正使這段代碼變得健壯。如果我們檢測(cè)到了人，我們將detection_counter增加1，并將no_detection_counter重置為0，因?yàn)檫@個(gè)計(jì)數(shù)器是在計(jì)算我們有多少幀沒(méi)有看到人。非常重要的一點(diǎn)是，當(dāng)我們使用在類部分中聲明的detection_counter時(shí)，必須使用“user_data.”前綴。因此，當(dāng)我們?cè)陬惒糠稚戏絼?chuàng)建變量時(shí)使用“self.” - 當(dāng)我們想在app_callback()中使用它時(shí)，必須使用“user_data.”。

在下一行中，我們檢查detection_counter是否大于4，如果是，我們移動(dòng)伺服（再次注意，當(dāng)我們移動(dòng)伺服時(shí)，必須使用“user_data.”）。在這里，您可以放置自定義代碼，以便在檢測(cè)到對(duì)象時(shí)“執(zhí)行某些操作”。您可以發(fā)送電子郵件、打開(kāi)燈、旋轉(zhuǎn)電機(jī)，任何您想要的操作！

但我們?yōu)槭裁匆B續(xù)計(jì)算4幀后再執(zhí)行操作呢？這是因?yàn)槲覀冋跒榘粹o添加類似去抖動(dòng)的功能。假設(shè)這段代碼沒(méi)有去抖動(dòng)，我們用它來(lái)監(jiān)視房子外面，以便在檢測(cè)到狗時(shí)自動(dòng)打開(kāi)狗門。假設(shè)系統(tǒng)工作得很好，但有一天一只貓接近了門。Yolo會(huì)非?？煽康刈R(shí)別出它是一只貓 - 但計(jì)算機(jī)視覺(jué)并不完美。有一幀它可能會(huì)錯(cuò)誤地將貓識(shí)別為狗，這會(huì)在我們不希望的時(shí)候打開(kāi)狗門。大多數(shù)時(shí)候這不是問(wèn)題，但我們?cè)跍y(cè)試中發(fā)現(xiàn)，在某些極端情況下，這可能會(huì)成為一個(gè)相當(dāng)大的問(wèn)題。

這段去抖動(dòng)代碼通過(guò)確保YOLO連續(xù)4次檢測(cè)到目標(biāo)對(duì)象后再“執(zhí)行某些操作”，有助于消除這個(gè)問(wèn)題，您可以根據(jù)項(xiàng)目需求更改這個(gè)數(shù)字。

# Debouncing logic ifobject_detected: user_data.detection_counter +=1 user_data.no_detection_counter =0 # Only activate after given amount of consecutive frames with detections ifuser_data.detection_counter >=4and not user_data.is_it_active: # Move the Servo or do what ever you want to do user_data.servo.angle =90 # Update the is it active variable so this doesnt keep repeating user_data.is_it_active = True print("OBJECT DETECTED!")

我們也有相反的情況。在這個(gè)else分支中（如果我們沒(méi)有檢測(cè)到人），我們將detection_counter設(shè)置為0，并將no_detection_counter增加1。然后我們檢查no_detection_counter是否大于5，如果是，我們將移動(dòng)伺服返回。在這里，您可以放置自定義代碼，以便在未檢測(cè)到目標(biāo)對(duì)象時(shí)“執(zhí)行其他操作”。

這段代碼需要在5幀內(nèi)未檢測(cè)到對(duì)象后才會(huì)“執(zhí)行某些操作”，我們這樣做的原因與之前類似。假設(shè)一只狗正走向狗門，當(dāng)它走過(guò)時(shí)，YOLO在一幀中將其識(shí)別為馬。這會(huì)在可憐的狗經(jīng)過(guò)時(shí)關(guān)上門。因此，我們通過(guò)確保在目標(biāo)對(duì)象消失前有5幀未檢測(cè)到它來(lái)解決這個(gè)問(wèn)題。

值得注意的是，這段去抖動(dòng)代碼會(huì)使代碼響應(yīng)速度降低，因?yàn)楸仨氃诜磻?yīng)前經(jīng)過(guò)4或5幀。代碼很可能以30fps運(yùn)行，因此這大約會(huì)有1/6秒的延遲。如果您想移除這個(gè)功能，可以將這些值設(shè)置為1。

這段代碼中還有一件事值得探索。在這些去抖動(dòng)檢查的末尾，我們還檢查了我們創(chuàng)建的is_it_active變量：

ifuser_data.detection_counter >=4and not user_data.is_it_active:

這本質(zhì)上確保了每次檢測(cè)到對(duì)象時(shí)，我們只“執(zhí)行一次該操作”。如果對(duì)象離開(kāi)并再次返回，它將再次“執(zhí)行該操作”，但只執(zhí)行一次。假設(shè)我們不是移動(dòng)伺服，而是在檢測(cè)到人時(shí)發(fā)送電子郵件。按照當(dāng)前的設(shè)置，如果檢測(cè)到人，它將發(fā)送一封電子郵件，并且只有當(dāng)人離開(kāi)并再次返回時(shí)才會(huì)發(fā)送另一封。但是假設(shè)我們沒(méi)有檢查這個(gè)is_it_active變量。代碼會(huì)檢測(cè)到一個(gè)人，并且每次分析幀時(shí)都會(huì)發(fā)送一封電子郵件（每秒30封）。如果需要，您可以從代碼中移除這部分。

示例代碼2：計(jì)數(shù)對(duì)象

此腳本使用與上一段代碼相同的去抖動(dòng)邏輯，但除了“執(zhí)行某些操作”外，我們?cè)跈z測(cè)到特定數(shù)量的對(duì)象時(shí)“執(zhí)行某些操作”。以下是完整代碼：

importgigi.require_version('Gst','1.0')fromgi.repositoryimportGst, GLibimportosimportnumpyasnpimportcv2importhailofromhailo_apps_infra.hailo_rpi_commonimport( get_caps_from_pad, get_numpy_from_buffer, app_callback_class,)fromhailo_apps_infra.detection_pipelineimportGStreamerDetectionAppfromgpiozeroimportLEDclassuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() # Configuration self.target_object ="cup" # Object type to detect
# Debouncing variables self.detection_counter =0 # Consecutive frames with exact match self.no_detection_counter =0 # Consecutive frames without match
# State tracking, is it active or not? self.is_it_active =False
self.green_led = LED(18) self.red_led = LED(14)
self.red_led.off() self.green_led.on()defapp_callback(pad, info, user_data): # Get the GstBuffer from the probe info buffer = info.get_buffer() # Check if the buffer is valid ifbufferisNone: returnGst.PadProbeReturn.OK
# Using the user_data to count the number of frames user_data.increment()
# Get the caps from the pad format, width, height = get_caps_from_pad(pad) # If the user_data.use_frame is set to True, we can get the video frame from the buffer frame =None ifuser_data.use_frameandformatisnotNoneandwidthisnotNoneandheightisnotNone: frame = get_numpy_from_buffer(buffer,format, width, height)
# Get the detections from the buffer roi = hailo.get_roi_from_buffer(buffer) detections = roi.get_objects_typed(hailo.HAILO_DETECTION)
# Count objects in this frame object_count =0 detection_string =""
# Parse the detections fordetectionindetections: label = detection.get_label() confidence = detection.get_confidence()
# Check for target objects with confidence threshold ifconfidence >0.4: iflabel == user_data.target_object: object_count +=1 detection_string +=f"{label.capitalize()}detected! Confidence:{confidence:.2f}\n"
# Debouncing logic for number of items ifobject_count >=3: user_data.detection_counter +=1 user_data.no_detection_counter =0
# Only activate after sufficient consistent frames ifuser_data.detection_counter >=4andnotuser_data.is_it_active: # Turn on red led, or do what ever else you want to do user_data.red_led.on() user_data.green_led.off()
user_data.is_it_active =True print(f"NUMBER OF OBJECTS DETECTED!") else: user_data.no_detection_counter +=1 user_data.detection_counter =0
# Only deactivate after sufficient non-matching frames ifuser_data.no_detection_counter >=5anduser_data.is_it_active: # Turn on green LED or what ever else you wish to do user_data.red_led.off() user_data.green_led.on()
user_data.is_it_active =False print(f"No longer detecting number of objects.") # Print detections if any ifdetection_string: print(f"Current{user_data.target_object}count:{object_count}") print(detection_string, end='')
returnGst.PadProbeReturn.OKif__name__ =="__main__": # Create an instance of the user app callback class user_data = user_app_callback_class() app = GStreamerDetectionApp(app_callback, user_data) app.run()

此代碼目前設(shè)置為控制這個(gè)塔燈中的一對(duì)LED - 與前一個(gè)示例完全相同。此示例應(yīng)用的一個(gè)實(shí)際應(yīng)用是，我們將其設(shè)置為智能監(jiān)控系統(tǒng)。樹(shù)脂3D打印部件在最后固化步驟之前是有毒的，我們希望在打印時(shí)讓人們遠(yuǎn)離它。因此，此設(shè)置將尋找人，如果檢測(cè)到人并且他們位于打印機(jī)附近，它將打開(kāi)警告燈。

這段代碼在很大程度上與之前的示例代碼相似，但有一些添加。首先，我們從gpiozero庫(kù)中導(dǎo)入LED，這是向GPIO引腳發(fā)送數(shù)字信號(hào)的最簡(jiǎn)單方法。

fromgpiozeroimportLED

然后在類部分中，我們創(chuàng)建了一個(gè)要計(jì)數(shù)的目標(biāo)對(duì)象的變量，在此示例中我們將其設(shè)置為杯子 - 再次根據(jù)您的需要進(jìn)行更改。然后我們有與上次相同的計(jì)數(shù)變量。但在此部分中，我們?cè)O(shè)置了LED并初始化紅色為關(guān)閉狀態(tài)，綠色為開(kāi)啟狀態(tài)。注意我們?nèi)匀槐仨毷褂谩皊elf.”前綴。

classuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() # Configuration self.target_object ="cup" # Object type to detect # Debouncing variables self.detection_counter =0 # Consecutive frames with exact match self.no_detection_counter =0 # Consecutive frames without match # State tracking, is it active or not? self.is_it_active =False self.green_led = LED(18) self.red_led = LED(14) self.red_led.off() self.green_led.on()

我們的代碼在很大程度上是相同的，直到我們到達(dá)檢測(cè)循環(huán)。在這里，對(duì)于每個(gè)置信度高于0.4且標(biāo)記為我們目標(biāo)對(duì)象的對(duì)象，我們將計(jì)數(shù)器增加1。

# Check for target objects with confidence threshold ifconfidence >0.4: iflabel == user_data.target_object: object_count+=1 detection_string+= f"{label.capitalize()} detected! Confidence: {confidence:.2f}\n"

然后，如果有等于或多于3個(gè)這樣的對(duì)象，我們?cè)黾訖z測(cè)計(jì)數(shù)器并運(yùn)行與之前相同的去抖動(dòng)代碼，并將根據(jù)相同的邏輯控制LED。

# Debouncing logic for number of items ifobject_count >=3: user_data.detection_counter +=1 user_data.no_detection_counter =0 # Only activate after sufficient consistent frames ifuser_data.detection_counter >=4and not user_data.is_it_active: # Turn on red led, or do what ever else you want to do user_data.red_led.on() user_data.green_led.off() user_data.is_it_active = True print(f"NUMBER OF OBJECTS DETECTED!") else: user_data.no_detection_counter +=1 user_data.detection_counter =0 # Only deactivate after sufficient non-matching frames ifuser_data.no_detection_counter >=5and user_data.is_it_active: # Turn on green LED or what ever else you wish to do user_data.red_led.off() user_data.green_led.on() user_data.is_it_active = False print(f"No longer detecting number of objects.")

示例代碼3：對(duì)象定位

此腳本使用與前一段代碼相同的去抖動(dòng)邏輯，但在這里我們跟蹤被檢測(cè)對(duì)象的中心，如果它移動(dòng)到指定位置，我們“執(zhí)行某些操作”。以下是完整代碼：

importgigi.require_version('Gst','1.0')fromgi.repositoryimportGst, GLibimportosimportnumpyasnpimportcv2importhailofromhailo_apps_infra.hailo_rpi_commonimport( get_caps_from_pad, get_numpy_from_buffer, app_callback_class,)fromhailo_apps_infra.detection_pipelineimportGStreamerDetectionAppfromgpiozeroimportLEDclassuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() # Configuration self.target_object ="person" # Object type to detect
# Target zone configuration (normalized coordinates 0-1) self.zone_x_min =0.4 # Left boundary of target zone self.zone_x_max =0.6 # Right boundary of target zone self.zone_y_min =0.3 # Top boundary of target zone self.zone_y_max =0.7 # Bottom boundary of target zone
# Debouncing variables self.in_zone_frames =0 # Consecutive frames with object in zone self.out_zone_frames =0 # Consecutive frames without object in zone
# State tracking self.is_it_active =False self.green_led = LED(18) self.red_led = LED(14)
self.red_led.off() self.green_led.on()
defapp_callback(pad, info, user_data): # Get the GstBuffer from the probe info buffer = info.get_buffer() ifbufferisNone: returnGst.PadProbeReturn.OK
user_data.increment()
# Get the caps from the pad format, width, height = get_caps_from_pad(pad) frame =None ifuser_data.use_frameandformatisnotNoneandwidthisnotNoneandheightisnotNone: frame = get_numpy_from_buffer(buffer,format, width, height)
# Get the detections from the buffer roi = hailo.get_roi_from_buffer(buffer) detections = roi.get_objects_typed(hailo.HAILO_DETECTION)
object_in_zone =False detection_string =""
# Parse the detections fordetectionindetections: label = detection.get_label() confidence = detection.get_confidence()
ifconfidence >0.4andlabel == user_data.target_object: # Get bounding box coordinates bbox = detection.get_bbox()
# Call the coordinate methods x_min = bbox.xmin() y_min = bbox.ymin() box_width = bbox.width() box_height = bbox.height()
# Calculate max coordinates x_max = x_min + box_width y_max = y_min + box_height
# Calculate center point (these are normalized 0-1) center_x = x_min + (box_width /2) center_y = (y_min + (box_height /2) -0.22) *1.83 # Debug print for coordinates detection_string += (f"{label.capitalize()}detected!\n" f"Position: center=({center_x:.2f},{center_y:.2f})\n" f"Bounds: xmin={x_min:.2f}, ymin={y_min:.2f}, xmax={x_max:.2f}, ymax={y_max:.2f}\n" f"Confidence:{confidence:.2f}\n")
# Check if object's center is in the target zone if(user_data.zone_x_min <= center_x <= user_data.zone_x_max?and?? ? ? ? ? ? ? ? (user_data.zone_y_min -?0.22) *?1.83?<= center_y <= (user_data.zone_y_max -?0.22) *?1.83):? ? ? ? ? ? ? ? object_in_zone =?True? ? ? ? ? ? ? ? detection_string +=?f"Object is in target zone!\n"
# Debouncing logic for zone detection ifobject_in_zone: user_data.in_zone_frames +=1 user_data.out_zone_frames =0
ifuser_data.in_zone_frames >=4andnotuser_data.is_it_active: # Turn on red led, or do what ever else you want to do user_data.red_led.on() user_data.green_led.off()
user_data.is_it_active =True print(f"{user_data.target_object.capitalize()}detected in target zone - Servo activated!") else: user_data.out_zone_frames +=1 user_data.in_zone_frames =0
ifuser_data.out_zone_frames >=5anduser_data.is_it_active: user_data.red_led.off() user_data.green_led.on()
user_data.is_it_active =False print(f"No{user_data.target_object}in target zone - Servo deactivated!") # Print detections if any ifdetection_string: print(detection_string, end='')
returnGst.PadProbeReturn.OKif__name__ =="__main__": user_data = user_app_callback_class() app = GStreamerDetectionApp(app_callback, user_data) app.run()

此代碼目前設(shè)置為控制這個(gè)塔燈中的一對(duì)LED。另一個(gè)實(shí)際問(wèn)題的解決方案 - 每次我起身拿飲料時(shí)，經(jīng)常會(huì)帶回一個(gè)新杯子，它們開(kāi)始擠滿我的桌子。這段代碼將檢測(cè)我的桌子上是否有3個(gè)或更多杯子，如果有，將打開(kāi)紅燈。如果杯子少于3個(gè)，它將打開(kāi)綠燈。

我們從與之前相同的類設(shè)置部分開(kāi)始，但添加了一些額外的變量以在圖像上繪制一個(gè)框，該框具有最小和最大的x和y值。如果對(duì)象位于此框內(nèi)，我們將“執(zhí)行某些操作”。該框由小數(shù)定義，x軸上0為圖像左側(cè)，1.0為右側(cè)，0.5為中間。y軸從0（頂部）到1.0（底部）。以下是可以繪制的兩個(gè)框的示例，您可以更改這些x和y最小和最大變量以設(shè)置自定義檢測(cè)框。

detection_counter變量也已更改為in_zone_frames和out_zone_frames。這只是名稱更改，使用方式完全相同。

classuser_app_callback_class(app_callback_class): def__init__(self): super().__init__() # Configuration self.target_object ="person" # Object type to detect # Target zone configuration (normalized coordinates 0-1) self.zone_x_min =0.4 # Left boundary of target zone self.zone_x_max =0.6 # Right boundary of target zone self.zone_y_min =0.3 # Top boundary of target zone self.zone_y_max =0.7 # Bottom boundary of target zone # Debouncing variables self.in_zone_frames =0 # Consecutive frames with object in zone self.out_zone_frames =0 # Consecutive frames without object in zone # State tracking self.is_it_active =False self.green_led = LED(18) self.red_led = LED(14) self.red_led.off() self.green_led.on()

其余代碼幾乎相同，但在我們的檢測(cè)循環(huán)中，如果標(biāo)簽是target_object且置信度高于0.4，我們從YOLO獲取邊界框，找到其中心，然后檢查其是否在我們的最小和最大x和y值內(nèi)。如果是，則我們將object_in_zone設(shè)置為true，并運(yùn)行與前兩個(gè)代碼片段完全相同的去抖動(dòng)邏輯。

ifconfidence >0.4andlabel == user_data.target_object: # Get bounding box coordinates bbox = detection.get_bbox() # Call the coordinate methods x_min = bbox.xmin() y_min = bbox.ymin() box_width = bbox.width() box_height = bbox.height() # Calculate max coordinates x_max = x_min + box_width y_max = y_min + box_height # Calculate center point (these are normalized 0-1) center_x = x_min + (box_width /2) center_y = (y_min + (box_height /2) -0.22) *1.83 # Debug print for coordinates detection_string += (f"{label.capitalize()}detected!\n" f"Position: center=({center_x:.2f},{center_y:.2f})\n" f"Bounds: xmin={x_min:.2f}, ymin={y_min:.2f}, xmax={x_max:.2f}, ymax={y_max:.2f}\n" f"Confidence:{confidence:.2f}\n") # Check if object's center is in the target zone if(user_data.zone_x_min <= center_x <= user_data.zone_x_max?and?? ? ? ? ? ? ? ? (user_data.zone_y_min -?0.22) *?1.83?<= center_y <= (user_data.zone_y_max -?0.22) *?1.83):? ? ? ? ? ? ? ? object_in_zone =?True? ? ? ? ? ? ? ? detection_string +=?f"Object is in target zone!\n"

運(yùn)行其他YOLO模型

我們?yōu)楹我x擇其他模型呢？實(shí)際上，YOLO在不同版本和模型尺寸上有許多變體。較新的YOLO模型通常功能更強(qiáng)大，且處理需求更低。未來(lái)，你或許能在這里找到Y(jié)OLO11以及其他新模型，但選擇其他模型的主要原因在于更改模型尺寸。YOLO有5種尺寸——納米級(jí)、小型、中型、大型和超大型。模型越大，其處理能力越強(qiáng)、精度越高、檢測(cè)距離越遠(yuǎn)，但會(huì)犧牲幀率（FPS）。默認(rèn)情況下，13 TOPS的設(shè)備將運(yùn)行小型模型，26 TOPS的設(shè)備將運(yùn)行中型模型，這兩種情況下都能實(shí)現(xiàn)流暢的30 FPS。

AI HAT+可以運(yùn)行多種神經(jīng)網(wǎng)絡(luò)模型，但有一個(gè)前提條件——必須先將模型轉(zhuǎn)換為HEF格式，并且需要針對(duì)特定型號(hào)的擴(kuò)展板進(jìn)行轉(zhuǎn)換（為13 TOPS擴(kuò)展板轉(zhuǎn)換的模型可能在26 TOPS擴(kuò)展板上表現(xiàn)不佳）。將模型轉(zhuǎn)換為HEF格式需要遵循一定流程，Hailo公司提供了相關(guān)指南，但請(qǐng)注意，這是一個(gè)相當(dāng)復(fù)雜的過(guò)程。

https://github.com/hailo-ai/hailo-rpi5-examples/blob/main/doc/retraining-example.md

而且，這可能是一個(gè)極其漫長(zhǎng)的過(guò)程，即使配備了最高端的GPU，也可能需要數(shù)小時(shí)，而使用低端GPU甚至CPU進(jìn)行轉(zhuǎn)換，則可能需要數(shù)天或數(shù)周時(shí)間。

不過(guò)，幸運(yùn)的是，我們可以從互聯(lián)網(wǎng)上獲取預(yù)轉(zhuǎn)換的模型，其中最好的來(lái)源之一就是Hailo的模型庫(kù)。該庫(kù)提供了適用于13 TOPS（Hailo-8）和26 TOPS（Hailo-8L）擴(kuò)展板的模型集合。雖然可以使用多種模型，但我們將重點(diǎn)關(guān)注YOLO系列，因?yàn)槲覀儼l(fā)現(xiàn)該流程更有可能與它們兼容。

要運(yùn)行模型，只需下載其編譯版本，該版本應(yīng)位于表格的最右側(cè)（你可能需要向右滾動(dòng)才能看到）。請(qǐng)仔細(xì)檢查下載的是“.hef”格式的文件。下載完成后，將其拖放到“hailo-rpi5-examples”文件夾中的“resources”文件夾內(nèi)，與其他YOLO模型放在一起。在我們的示例中，我們下載了名為“yolov8l.hef”的大型模型。

如果模型已放入文件夾中，你可以通過(guò)在運(yùn)行命令中添加該模型作為選項(xiàng)來(lái)運(yùn)行它，此時(shí)需要使用模型名稱。例如，我們的命令如下：

python basic_pipelines/detection.py --input rpi --hef resources/yolov8l.hef

如果你獲得了其他已轉(zhuǎn)換為HEF格式的YOLO模型，操作流程也是一樣的。

接下來(lái)該做什么？

現(xiàn)在，我們已經(jīng)設(shè)置好了樹(shù)莓派和AI HAT，并使用了一些示例代碼運(yùn)行了目標(biāo)檢測(cè)功能，這些代碼可以用于你的項(xiàng)目中?，F(xiàn)在，唯一剩下的就是弄清楚如何實(shí)現(xiàn)你項(xiàng)目中想要完成的“某件事”。我們提供了一些關(guān)于樹(shù)莓派的一般指南，幫助你入門，例如，如何使用繼電器控制直流電機(jī)和步進(jìn)電機(jī)、伺服電機(jī)，甚至電磁閥（你可以使用繼電器控制幾乎任何東西）。

使用樹(shù)莓派和繼電器控制電磁閥：

https://core-electronics.com.au/guides/raspberry-pi/control-servo-raspberry-pi/

原文地址：

https://core-electronics.com.au/guides/raspberry-pi/yolo-object-detection-on-the-raspberry-pi-ai-hat-writing-custom-python/#KBNAKNI