¶ 物体分类
¶ 算法简介
CSK6 大模型开发套件可通过摄像头抓拍画面并对该画面进行物体分类识别，支持包括苹果、床、键盘等100+种物体的识别。通过触摸屏可进行取景与抓拍控制，完成拍照后将自动识别并在屏幕上显示识别结果。
本示例演示在开发套件上运行基于pytorch-cifar100训练的resnet18物体分类模型，支持通过摄像头拍照并完成对指定物品的分类识别。
本模型支持以下物体的分类识别：
"apple", "aquarium_fish", "baby", "bear", "beaver", "bed",
"bee", "beetle", "bicycle", "bottle", "bowl", "boy",
"bridge", "bus", "butterfly", "camel", "can", "castle",
"caterpillar", "cattle", "chair", "chimpanzee", "clock", "cloud",
"cockroach", "couch", "crab", "crocodile", "cup", "dinosaur",
"dolphin", "elephant", "flatfish", "forest", "fox", "girl",
"hamster", "house", "kangaroo", "keyboard", "lamp", "lawn_mower",
"leopard", "lion", "lizard", "lobster", "man", "maple_tree",
"motorcycle", "mountain", "mouse", "mushroom", "oak_tree", "orange",
"orchid", "otter", "palm_tree", "pear", "pickup_truck", "pine_tree",
"plain", "plate", "poppy", "porcupine", "possum", "rabbit",
"raccoon", "ray", "road", "rocket", "rose", "sea",
"seal", "shark", "shrew", "skunk", "skyscraper", "snail",
"snake", "spider", "squirrel", "streetcar", "sunflower", "sweet_pepper",
"table", "tank", "telephone", "television", "tiger", "tractor",
"train", "trout", "tulip", "turtle", "wardrobe", "whale",
"willow_tree", "wolf", "woman", "worm"
本示例基于开源项目进行移植适配，仅用于 CV 能力的验证与评估，不代表适用于商用项目。
¶ 示例简介
聆思 CSK6 大模型开发套件提供了一个物体分类算法的示例，本文将讲述本应用的使用。
应用图标：
联网要求： 不需要
示例功能：
- 通过摄像头抓拍画面并对该画面进行物体分类识别
开发套件默认出厂 TF 卡中已包含本应用，可直接进行功能体验。
若您需要下载单独的应用示例固件，请参照本示例的《固件下载与烧录》进行操作。
¶ 硬件准备
为了方便点击屏幕拍照按钮对物体进行拍照识别，您可以将摄像头安装至开发板背面：
¶ 功能展示
- 点击屏幕
翻转按钮，可实现对摄像头的影像预览翻转，可根据摄像头是否安装在开发板背面进行切换 - 点击屏幕
TAKE按钮，可对当面画面进行拍照并识别
¶ 相关内容与链接
| 项目 | 链接 |
|---|---|
| 获取固件 | 可参照《固件下载与烧录》单独下载本应用的固件。 |
| 编译源码 | 可参照《物体分类开发指南》了解如何拉取代码并完成代码的编译与烧录。 |