V831提供自学习识别，啥叫自学习识别？就是可以直接使用V831记录物体特征，然后在识别，不用训练大量模型了（我编的）。对于展示功能很友好。先看效果

运行程序后，会提示让你记录物体（3类）

记录完3类物体，（我是1书 2杯子 3耳机，这个是按照记录顺序来的）然后拍15个样本。

好啦，我拍了14个了，拍完15个后程序自动开始识别模式

识别到了我第三个耳机类的物体，并显示相似度

然后识别其他的物体相似度就低了。（毕竟不是大量模型训练出来的，误差肯定大一些，不过对于临时使用的需求是够的。）

---

自学习识别功能

可自学习3类物体的15个样本（说白了拍18次照片），然后进行识别。测试时，根据屏幕提示，右键先添加3个类别，再均匀添加15个样本，样本添加结束后自动进入识别模式。

文件地址 ：https://github.com/sipeed/MaixPy3_scripts/blob/master/scripts/nn_self_learn_classifier.py

参数说明

该脚本使用人脸识别模块 maix.nn.app.classifier。使用方法请参考：模块 maix.nn.app.classifier

实例代码

#!/usr/bin/python3
# MaixPy3自学习脚本一
# 功能说明：通过V831上的按键控制学习物体，并保存特征文件
# 使用说明：开机后，前三次每次按下一次右键拍照保存一张图片到算法中，保存三个类别后，再按右键拍照则进行添加相似图片，
# 相似图片添加15张。添加完成后将会自动进行训练。训练结束后会进入预测阶段。程序会打印出算法结果
# 按下左键将会保存模型到本地文件。
# 时间：2021年9月15日
# 作者：Neutree dianjixz
from maix import nn
from PIL import Image, ImageFont, ImageDraw
from maix import camera, display
import time
from maix.nn.app.classifier import Classifier
from evdev import InputDevice
from select import select
import threading
from evdev import InputDevice
from select import selectclass funation:model = {"param": "./res/resnet.param","bin": "./res/resnet.bin"}options = {"model_type":  "awnn","inputs": {"input0": (224, 224, 3)},"outputs": {"190": (1, 1, 512)},"mean": [127.5, 127.5, 127.5],"norm": [0.0176, 0.0176, 0.0176],}class_num = 3sample_num = 15curr_class = 0curr_sample = 0fun_status = 0def __init__(self,device=None):self.device = deviceself.keys = InputDevice('/dev/input/event0')threading.Thread(target=self.load_mode).start()self.fun = [self.wait_run,self.train,self.predict]self.event = self.fun[self.fun_status]   self.font = ImageFont.truetype("./res/baars.ttf",20, encoding="unic")     def __del__(self):del self.classifierdel self.mprint("-- del model")def get_key(self):r,w,x = select([self.keys], [], [],0)if r:for event in self.keys.read(): if event.value == 1 and event.code == 0x02:     # 右键return 1elif event.value == 1 and event.code == 0x03:   # 左键return 2elif event.value == 2 and event.code == 0x03:   # 左键连按return 3def load_mode(self):print("-- load model:", self.model)self.m = nn.load(self.model, opt=self.options)print("-- load ok")print("-- load classifier")self.classifier = Classifier(self.m, self.class_num, self.sample_num, 512, 224, 224)print("-- load ok")self.fun_status += 1self.event = self.fun[self.fun_status]def wait_run(self):tmp = camera.read(video_num = 1)display.show()def train(self):img = camera.read(video_num = 1)if not img:time.sleep(0.02)returnkey = self.get_key()draw = display.get_draw()if self.curr_class < self.class_num:if key == 1:print("add class")self.classifier.add_class_img(img)self.curr_class += 1draw.text((10, 10), "please add class", (255, 0, 0), self.font) draw.text((10, 30), "{} object".format(self.curr_class+1), (255, 0, 0), self.font) elif self.curr_sample < self.sample_num:if key == 1:print("add sample")self.classifier.add_sample_img(img)self.curr_sample += 1if self.curr_sample == self.sample_num:draw.text((10, 10), "train ...", (255, 0, 0), self.font) print("train ...")self.classifier.train()self.status = 1print("train end ...")self.fun_status += 1self.event = self.fun[self.fun_status]self.classifier.save("./module.bin")print("save success!")draw.text((10, 0), "add Sample:{}".format(self.curr_sample), (255, 0, 0), self.font)display.show()def predict(self):img = camera.read(video_num = 1)idx, distance = self.classifier.predict(img)msg = "predict class: " + str(idx+1) + ", conf: " + str(100-distance)print(msg)draw = display.get_draw()draw.text((10, 10), msg, (255, 0, 0), self.font)  display.show()if __name__ == "__main__":import signaldef handle_signal_z(signum,frame):print("APP OVER")exit(0)signal.signal(signal.SIGINT,handle_signal_z)camera.config(size=(224,224))start = funation()while True:start.event()