【搬运】使用图像库训练M5StickV识别面部表情

vany5921

   译文：该项目以实用的方式展示了如何使用设备M5StickV作为开发系统执行情感分类。为了进行这种分类，必须有一个数据库，其中将情感按代表不同情感的类进行划分。使用KDEF数据库（http://kdef.se/）进行了训练，该数据库共有4,900张人类面部表情图像。这组图像包含70个个体，分别显示7种不同的情感表达。在开始训练阶段之前，有必要进行预处理阶段，在此阶段中将图像调整大小。这是必需的，因为在使用Mobilenet网络体系结构时，必须将每个图像的大小调整为224x224。
Windows 10被用作执行培训阶段的操作系统，该阶段可能要延迟3到4个小时（具体取决于计算机的特性）。在训练中完成后，系统会控制模型* .h5，一旦拥有此模型，就必须将其转换为tensorflow lite * .tflite的格式。这是使用命令完成的：
[mw_shl_code=c,true]tflite_convert --keras_model_file " + keras_model_path + " --output_file " + tflite_path[/mw_shl_code]
已经有了我们的* .tflite模型，下面将其转换为* .kmodel。这是必要的，因为M5StickV的KPIU仅接受具有此扩展名的模型。这是使用ncc（https://github.com/kendryte/nncase/releases/tag/v0.2.0-alpha2）完成的。
[mw_shl_code=c,true]ncc.exe -i tflite -o k210model --dataset " + path_all_dataset + " " + tflite_path + " " + kmodel_path
[/mw_shl_code]
在此步骤中，将数据集的所有图像都放在一个称为数据集的文件夹中非常重要。在这一点上，我们必须有这样的东西：模型结构



一旦拥有* .kmodel格式的模型，就可以通过两种方式访问​​模型。在我的情况下，第一个使用SD内存的我的M5StatickV不再读取它，这可以通过以下方式完成：
[mw_shl_code=c,true]task = kpu.load("/sd/model.kmodel")[/mw_shl_code]
或者，我们可以使用应用程序Kflash_gui并将模型下载到地址0x300000，如下图所示。


现在我们只需要Micropython程序，这是使用开发环境maixpyide_2.3完成的。以下是将我们的情感分类代码转换为boot.py的代码

laai

文件在哪？