前言
Hello，大家好，这里是OAK中国，我是助手君。
我们知道OAK的开源生态非常好，经常有用户在github等网站分享自己的项目，同时官方的demo示例也在不断增加。根据助手君目测，示例应该已经超过50个了！（准确数据，大家可查看💁此处，自己数啦）
所以本期内容，我们就来看看用OAK可以做哪些上手即用的示例。内容会不定期更新，请点赞提醒我更新内容哦！💖
- 前言
- 1.卡通化图片
- 2.年龄性别识别
- 3.实时模糊人脸
- 4.计算主机上的空间坐标
- 5.点云
- 6.分类存储JPEG图片
- 7.训练数据收集脚本
- 8.口罩检测
- 9. 在DepthAI上用密度图进行人群计数
- 10.累积行人计数
- 11.Deeplabv3深度图
- 12.深度驱动聚焦
- 13.depth-mbnv2
- 14.在更高的分辨率框架上显示检测结果
- 15.人脸识别
- 16.人脸网格
- 17.FastDepth
- 18.疲劳检测
- 19.烟火检测
- 20.full-fov-nn
- 21.情绪识别
- 22.注视估计
- 23.头部姿态检测
- 24.人机安全
- 25.人体姿态估计
- 26.社交距离
- 27. 车辆车牌识别
- 28. 简单的人员/人脸检测
- 29.立体神经推理结果可视化
- 30.人物跟踪
- 31.手掌检测
- 32.OCR
- 33.行人重识别
- 34.无损缩放
- 36.道路分割
- 37.yolox安全帽检测
- 38.边缘检测
- 39.文字模糊处理
- 40.彩色点云
- 参考资料
1.卡通化图片
将输入的图片卡通化。
代码
2.年龄性别识别
代码
3.实时模糊人脸
代码
4.计算主机上的空间坐标
这个例子显示了如何在主机上计算一个ROI的空间坐标，并从设备上获得深度帧。其他选择是使用SpatialLocationCalculator来计算设备上的空间坐标。
如果你在主机上已经有了深度帧和ROI（感兴趣的区域，如物体的边界框）/POI（感兴趣的点，如特征/关键点），那么在主机上计算该区域/点的空间坐标可能更容易，而不是将深度/ROI送回设备。
注意应避免使用单点/微小的ROI（如3x3），因为深度帧可能有噪音，所以你应该使用至少10x10深度像素的ROI。还要注意，为了最大限度地提高空间坐标的准确性，你应该准确地定义最小和最大阈值。
代码
5.点云
代码
6.分类存储JPEG图片
这个例子演示了如何运行MobilenetSSD并收集检测到的物体的图像，按检测标签分组。运行这个脚本后，DepthAI将启动MobilenetSSD，每当它检测到物体时，它就会添加一个数据集条目。
数据集存储在data目录下，主数据集文件位于data.dataset.csv下。对于每一个检测到的物体，都会创建一个新的数据集条目，每个条目都有具有确切用途的文件。
代码
7.训练数据收集脚本
这个脚本允许使用DepthAI创建一个训练数据集，其中的每个条目都将包含左、右、RGB和视差帧的存储。
代码
8.口罩检测
此示例展示了用于构建模型管道的基本架构，该模型管道支持在不同设备上放置模型以及使用python中的DepthAI库同时并行或顺序串行。此示例使用2个模型构建了一个管道，该管道能够检测图像上的人脸及面部是否佩戴口罩。
代码
9. 在DepthAI上用密度图进行人群计数
本例展示了Gen2 API系统中DepthAI上的人群计数与密度图的实现。我们使用DM-Count（LICENSE）模型，它有一个VGG-19骨架，并在Shanghai B数据集上训练。
该模型产生密度图，从中可以计算出预测的计数。
输入视频被调整为426 x 240（宽x高）。由于模型相对较重，推理速度约为1 FPS。
代码
10.累积行人计数
代码
11.Deeplabv3深度图
代码
12.深度驱动聚焦
这个示例将持续聚焦在第一个检测到的人脸上。它将获得与该人脸的距离，并相应地设置镜头位置以对其进行聚焦。这个演示只适用于有自动对焦彩色摄像头和立体摄像头的设备。
代码
13.depth-mbnv2
本示例展示了在Gen2 API系统中使用转移学习预训练的MobileNetV2在DepthAI上实现单眼深度估计的情况。Blob是由PINTO的模型ZOO用ONNX创建的，然后用所需的标志转换为OpenVINO IR并转换为blob。
代码
14.在更高的分辨率框架上显示检测结果
如果你正在运行物体检测模型，例如。MobileNet或Yolo，它们通常需要较小的帧来进行推理（例如，300x300或416x416）。与其在这样的小帧上显示边界框，你还可以流式传输更高分辨率的帧（例如ColorCamera的视频输出），并在这些帧上显示边界框。有几种方法可以实现这一点，在这个演示中，我们将对它们进行介绍。
代码
15.人脸识别
这个示例展示了第二代模型管道构建器的基本架构，将多个神经网络模型并行或串联组合在一起，ROI从一个网络传递到一个或多个后续的网络中。此示例使用3个模型构建了一个管道，该管道能够检测视频上的面部，及其面部特征点，并使用提供的面部数据库识别人员。
代码
视频教程
16.人脸网格
代码
请添加图片描述
17.FastDepth
代码
18.疲劳检测
利用DepthAI我们实现了人在疲劳状态下的检测，这是驾驶员的福音。
文档链接
19.烟火检测
代码
20.full-fov-nn
这个示例展示了如何在全FOV帧上运行NN推理。
代码
21.情绪识别
DepthAI通过运行模型实现情绪识别。
代码
我们测试的效果请看这个视频：情绪识别-OAK中国
22.注视估计
DepthAI运行模型可以实现估计眼睛的凝视方向。代码
23.头部姿态检测
利用DepthAI我们可以检测头部姿态。代码
24.人机安全
代码
25.人体姿态估计
代码
26.社交距离
DepthAI监视图像中检测到的人的3D位置，防止两人之间距离过近。
代码
我们测试的效果请看这个视频：社交距离-OAK中国
在下图的场景中有3个人，DepthAI会监控他们的3D位置，当他们之间的距离低于1米时（这个值可调）就会显示too close，同时也会一直叠加人与人之间的距离，以及每个人距离摄像头的3D位置（以米为单位）。
27. 车辆车牌识别
本演示展示了车辆和车牌检测网络，以及在检测结果之上应用的车辆属性识别和车牌识别网络。代码
28. 简单的人员/人脸检测
DepthAI通过运行模型可以实现对人脸，人体的检测。
文档链接
我们测试的效果请看这个视频：简单的人员/人脸检测-OAK中国
29.立体神经推理结果可视化
此示例展示了DepthAI立体神经推断。代码
关于立体神经推断，更多信息请参考：立体神经推理
你可以看到五个窗口：
- previewout-left将显示左单声道摄像机的输出
- previewout-right将显示右侧单声道摄像机的输出
- left窗口将显示基于左单帧的神经网络结果
- right窗口将显示基于右边单帧的神经网络结果
- pygame窗口将显示三角测量的结果
30.人物跟踪
DepthAI能够统计有多少人从镜头前走过，让你收集到有多少人进入一个房间或穿过一条走廊的信息。GitHub链接
31.手掌检测
利用的DepthAI我们实现了对手掌的检测。代码
32.OCR
代码
33.行人重识别
代码
视频
34.无损缩放
代码
36.道路分割
代码
37.yolox安全帽检测
代码
38.边缘检测
代码
39.文字模糊处理
代码
40.彩色点云
代码
参考资料
https://www.oakchina.cn/intro/
https://gitee.com/oakchina/depthai-experiments
https://www.oakchina.cn/oak-opensource-projects/
https://www.oakchina.cn/selection-guide/
OAK中国
| OpenCV AI Kit在中国区的官方代理商和技术服务商
| 追踪AI技术和产品新动态
戳「+关注」获取最新资讯↗↗
