nn_class 类 – 神经网络检测结果¶
nn_class对象由 net.search() 返回。
构造函数¶
-
class
nn.nn_class¶ 请调用
net.search()来创建这个对象。
方法¶
-
nn_class.rect()¶ 返回一个nn_class的边界框的矩形元组（x，y，w，h），用于像
image.draw_rectangle（）等image方法。
-
nn_class.x()¶ 返回nn_class的边界框的x坐标(int)。
您也可以通过索引
[0]取得这个值。
-
nn_class.y()¶ 返回nn_class的边界框的y坐标(int)。
您也可以通过索引
[1]取得这个值。
-
nn_class.w()¶ 返回nn_class的边界框的w坐标(int)。
您也可以通过索引
[2]取得这个值。
-
nn_class.h()¶ 返回nn_class的边界框的h坐标(int)。
您也可以通过索引
[3]取得这个值。
-
nn_class.index()¶ 返回nn类检测的索引（int）。
您也可以通过索引
[4]取得这个值。
-
nn_class.value()¶ 返回nn类检测的值（float）。
您也可以通过索引
[5]取得这个值。
Net 类 – 神经网络¶
构造函数¶
-
class
nn.load(path)¶ 将神经网络从
.network二进制文件加载到内存中。 神经网络的层/权值/偏置/等。存储在MicroPython堆上。 返回一个可以在图像上进行操作的Net对象。
方法¶
-
net.forward(image[, roi[, softmax=False[, dry_run=False]]])¶ 在图像roi上运行网络（必要时自动缩放）并返回神经网络分类结果的浮点值列表。
roi是感兴趣区域的矩形元组（x，y，w，h）。如果未指定，则它等于图像矩形。仅运算roi中的像素。如果
softmax为True，则列表中所有的输出总和为1。否则，列表中的任何输出都可以在0和1之间。将
dry_run设置为True以打印出正在执行的网络层而不是实际执行它们。这是为了调试debug。
-
net.search(image[, roi[, threshold=0.6[, min_scale=1.0[, scale_mul=0.5[, x_overlap=0[, y_overlap=0[, contrast_threshold=1[, softmax=False]]]]]]]])¶ 以滑动窗口方式在图像roi上运行网络。 网络检测器窗口以多种比例滑过图像。
返回神经网络检测结果的
nn_class对象列表。roi是感兴趣区域的矩形元组（x，y，w，h）。如果未指定，则它等于图像矩形。仅运算roi中的像素。在图像中的区域上运行之后，将最大检测值超过
threshold的对象添加到输出列表中。min_scale控制网络模型的缩放比例。在默认值下，网络不会缩放。但是，值为0.5将允许用于检测图像大小为50％的对象…scale_mul控制测试多少个不同的比例。滑动窗口方法的工作原理是将默认比例1乘以scale_mul，- 并且结果需要大于
min_scale。scale_mul的默认值0.5，测试每个比例变化减少50％。 但是，0.95的值仅为5％的缩小量。
x_overlap控制与滑动窗口的下一个检测区域重叠的百分比。值为零表示没有重叠。值为0.95意味着95％重叠。y_overlap控制与滑动窗口的下一个检测区域重叠的百分比。值为零表示没有重叠。值为0.95意味着95％重叠。contrast_threshold控制跳过图像低对比度区域的阈值。在图像中的某个区域上运行nn之前，将在该区域上计算标准偏差，如果标准偏差低于contrast_threshold，则跳过该区域。如果
softmax为True，则列表中所有的输出总和为1。否则，列表中的任何输出都可以在0和1之间。