1. Yolov5簡介

YOLOv5 模型是 Ultralytics 公司于 2020 年 6 月 9 日公開發布的。YOLOv5 模型是基于 YOLOv3 模型基礎上改進而來的，有 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四個模型。YOLOv5 相比YOLOv4 而言，在檢測平均精度降低不多的基礎上，具有均值權重文件更小，訓練時間和推理速度更短的特點。YOLOv5 的網絡結構分為輸入端BackboneNeck、Head 四個部分。本教程針對目標檢測算法yolov5的訓練和部署到EASY-EAI-Nano(RV1126)進行說明，而數據標注方法可以參考我們往期的文章《Labelimg的安裝與使用》。以下為YOLOv5訓練部署的大致流程：

2. 準備數據集

2.1 數據集下載

本教程以口罩檢測為例，數據集的百度網盤下載鏈接為:

https://pan.baidu.com/s/1vtxWurn1Mqu-wJ017eaQrw 提取碼：6666

解壓完成后得到以下三個文件：

2.2 生成路徑列表

在數據集目錄下執行腳本list_dataset_file.py:

python list_dataset_file.py

執行現象如下圖所示:

得到訓練樣本列表文件train.txt和驗證樣本列表文件valid.txt,如下圖所示：

3. 下載yolov5訓練源碼

通過git工具，在PC端克隆遠程倉庫（注：此處可能會因網絡原因造成卡頓，請耐心等待）：

git clone https://github.com/EASY-EAI/yolov5.git

得到下圖所示目錄：

4. 訓練算法模型

切換到yolov5的工作目錄，接下來以訓練一個口罩檢測模型為例進行說明。需要修改data/mask.yaml里面的train.txt和valid.txt的路徑。

執行下列腳本訓練算法模型：

python train.py --data mask.yaml --cfg yolov5s.yaml --weights "" --batch-size 64

開始訓練模型，如下圖所示：

關于算法精度結果可以查看./runs/train/results.csv獲得。

5. 在PC端進行模型預測

訓練完畢后，在./runs/train/exp/weights/best.pt生成通過驗證集測試的最好結果的模型。同時可以執行模型預測，初步評估模型的效果：

python detect.py --source data/images --weights ./runs/train/exp/weights/best.pt --conf 0.5

6. pt模型轉換為onnx模型

算法部署到EASY-EAI-Nano需要轉換為RKNN模型,而轉換RKNN之前可以把模型先轉換為ONNX模型，同時會生成best.anchors.txt：

python export.py --include onnx --rknpu RV1126 --weights ./runs/train/exp/weights/best.pt

生成如下圖所示：

7. 轉換為rknn模型環境搭建

onnx模型需要轉換為rknn模型才能在EASY-EAI-Nano運行，所以需要先搭建rknn-toolkit模型轉換工具的環境。當然tensorflow、tensroflow lite、caffe、darknet等也是通過類似的方法進行模型轉換，只是本教程onnx為例。

7.1 概述

模型轉換環境搭建流程如下所示：

7.2 下載模型轉換工具

為了保證模型轉換工具順利運行，請下載網盤里”AI算法開發/RKNN-Toolkit模型轉換工具/rknn-toolkit-v1.7.1/docker/rknn-toolkit-1.7.1-docker.tar.gz”。網盤下載鏈接：https://pan.baidu.com/s/1LUtU_-on7UB3kvloJlAMkA 提取碼：teuc

7.3 把工具移到ubuntu18.04

把下載完成的docker鏡像移到我司的虛擬機ubuntu18.04的rknn-toolkit目錄,如下圖所示：

7.4 運行模型轉換工具環境

7.4.1 打開終端

在該目錄打開終端：

7.4.2 加載docker鏡像

執行以下指令加載模型轉換工具docker鏡像:

docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.1-docker.tar.gz

7.4.3 進入鏡像bash環境

執行以下指令進入鏡像bash環境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.1 /bin/bash

現象如下圖所示:

7.4.4 測試環境

輸入“python”加載python相關庫，嘗試加載rknn庫，如下圖環境測試成功:

至此，模型轉換工具環境搭建完成。

8. rknn模型轉換流程介紹

EASY EAI Nano支持.rknn后綴的模型的評估及運行，對于常見的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通過我們提供的 toolkit 工具將其轉換至 rknn 模型，而對于其他框架訓練出來的模型，也可以先將其轉至 onnx 模型再轉換為 rknn 模型。模型轉換操作流程如下圖所示：

8.1 模型轉換Demo下載

下載百度網盤鏈接：https://pan.baidu.com/s/1uAiQ6edeGIDvQ7HAm7p0jg

提取碼：6666把model_convert.tar.bz2解壓到虛擬機，如下圖所示:

8.2 進入模型轉換工具docker環境

執行以下指令把工作區域映射進docker鏡像，其中/home/developer/rknn-toolkit/model_convert為工作區域，/test為映射到docker鏡像，/dev/bus/usb:/dev/bus/usb為映射usb到docker鏡像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert:/test rknn-toolkit:1.7.1 /bin/bash

執行成功如下圖所示:

8.3 模型轉換操作說明

8.3.1 模型轉換Demo目錄結構

模型轉換測試Demo由mask_object_detect和quant_dataset組成。coco_object_detect存放軟件腳本，quant_dataset存放量化模型所需的數據。如下圖所示:

mask_object_detect文件夾存放以下內容，如下圖所示:

8.3.2 生成量化圖片列表

在docker環境切換到模型轉換工作目錄:

cd /test/mask_object_detect/

如下圖所示:

執行gen_list.py生成量化圖片列表:

python gen_list.py

命令行現象如下圖所示:

生成“量化圖片列表”如下文件夾所示:

8.3.3 onnx模型轉換為rknn模型

rknn_convert.py腳本默認進行int8量化操作，腳本代碼清單如下所示：

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN


ONNX_MODEL = 'best.onnx'
RKNN_MODEL = './yolov5_mask_rv1126.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True

if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=True)

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[0, 0, 0]],
			    std_values=[[255, 255, 255]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	print('done')

	# Load ONNX model
	print('--> Loading model')
	ret = rknn.load_onnx(model=ONNX_MODEL)
	if ret != 0:
		print('Load yolov5 failed!')
		exit(ret)
	print('done')

	# Build model
	print('--> Building model')
	ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
	if ret != 0:
		print('Build yolov5 failed!')
		exit(ret)
	print('done')

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export yolov5rknn failed!')
		exit(ret)
	print('done')

把onnx模型best.onnx放到mask_object_detect目錄，并執行rknn_convert.py腳本進行模型轉換：

python rknn_convert.py

生成模型如下圖所示，此模型可以在rknn環境和EASY EAI Nano環境運行：

8.3.4 運行rknn模型

用yolov5_mask_test.py腳本在PC端的環境下可以運行rknn的模型，如下圖所示:

yolov5_mask_test.py腳本程序清單如下所示:

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
import random
from rknn.api import RKNN


RKNN_MODEL = 'yolov5_mask_rv1126.rknn'
IMG_PATH = './test.jpg'
DATASET = './dataset.txt'


BOX_THRESH = 0.25
NMS_THRESH = 0.6
IMG_SIZE = 640


CLASSES = ("head", "mask")



def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def xywh2xyxy(x):
    # Convert [x, y, w, h] to [x1, y1, x2, y2]
    y = np.copy(x)
    y[:, 0] = x[:, 0] - x[:, 2] / 2  # top left x
    y[:, 1] = x[:, 1] - x[:, 3] / 2  # top left y
    y[:, 2] = x[:, 0] + x[:, 2] / 2  # bottom right x
    y[:, 3] = x[:, 1] + x[:, 3] / 2  # bottom right y
    return y

def process(input, mask, anchors):

    anchors = [anchors[i] for i in mask]
    grid_h, grid_w = map(int, input.shape[0:2])

    box_confidence = sigmoid(input[..., 4])
    box_confidence = np.expand_dims(box_confidence, axis=-1)

    box_class_probs = sigmoid(input[..., 5:])

    box_xy = sigmoid(input[..., :2])*2 - 0.5

    col = np.tile(np.arange(0, grid_w), grid_w).reshape(-1, grid_w)
    row = np.tile(np.arange(0, grid_h).reshape(-1, 1), grid_h)
    col = col.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2)
    row = row.reshape(grid_h, grid_w, 1, 1).repeat(3, axis=-2)
    grid = np.concatenate((col, row), axis=-1)
    box_xy += grid
    box_xy *= int(IMG_SIZE/grid_h)

    box_wh = pow(sigmoid(input[..., 2:4])*2, 2)
    box_wh = box_wh * anchors

    box = np.concatenate((box_xy, box_wh), axis=-1)

    return box, box_confidence, box_class_probs

def filter_boxes(boxes, box_confidences, box_class_probs):
	"""Filter boxes with box threshold. It's a bit different with origin yolov5 post process!

	# Arguments
		boxes: ndarray, boxes of objects.
		box_confidences: ndarray, confidences of objects.
		box_class_probs: ndarray, class_probs of objects.

	# Returns
		boxes: ndarray, filtered boxes.
		classes: ndarray, classes for boxes.
		scores: ndarray, scores for boxes.
	"""
	box_scores = box_confidences * box_class_probs
	box_classes = np.argmax(box_class_probs, axis=-1)
	box_class_scores = np.max(box_scores, axis=-1)
	pos = np.where(box_confidences[...,0] >= BOX_THRESH)


	boxes = boxes[pos]
	classes = box_classes[pos]
	scores = box_class_scores[pos]

	return boxes, classes, scores

def nms_boxes(boxes, scores):
    """Suppress non-maximal boxes.

    # Arguments
        boxes: ndarray, boxes of objects.
        scores: ndarray, scores of objects.

    # Returns
        keep: ndarray, index of effective boxes.
    """
    x = boxes[:, 0]
    y = boxes[:, 1]
    w = boxes[:, 2] - boxes[:, 0]
    h = boxes[:, 3] - boxes[:, 1]

    areas = w * h
    order = scores.argsort()[::-1]

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)

        xx1 = np.maximum(x[i], x[order[1:]])
        yy1 = np.maximum(y[i], y[order[1:]])
        xx2 = np.minimum(x[i] + w[i], x[order[1:]] + w[order[1:]])
        yy2 = np.minimum(y[i] + h[i], y[order[1:]] + h[order[1:]])

        w1 = np.maximum(0.0, xx2 - xx1 + 0.00001)
        h1 = np.maximum(0.0, yy2 - yy1 + 0.00001)
        inter = w1 * h1

        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        inds = np.where(ovr <= NMS_THRESH)[0]
        order = order[inds + 1]
    keep = np.array(keep)
    return keep


def yolov5_post_process(input_data):
    masks = [[0, 1, 2], [3, 4, 5], [6, 7, 8]]
    anchors = [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45],
              [59, 119], [116, 90], [156, 198], [373, 326]]

    boxes, classes, scores = [], [], []
    for input,mask in zip(input_data, masks):
        b, c, s = process(input, mask, anchors)
        b, c, s = filter_boxes(b, c, s)
        boxes.append(b)
        classes.append(c)
        scores.append(s)

    boxes = np.concatenate(boxes)
    boxes = xywh2xyxy(boxes)
    classes = np.concatenate(classes)
    scores = np.concatenate(scores)

    nboxes, nclasses, nscores = [], [], []
    for c in set(classes):
        inds = np.where(classes == c)
        b = boxes[inds]
        c = classes[inds]
        s = scores[inds]

        keep = nms_boxes(b, s)

        nboxes.append(b[keep])
        nclasses.append(c[keep])
        nscores.append(s[keep])

    if not nclasses and not nscores:
        return None, None, None

    boxes = np.concatenate(nboxes)
    classes = np.concatenate(nclasses)
    scores = np.concatenate(nscores)

    return boxes, classes, scores

def scale_coords(x1, y1, x2, y2, dst_width, dst_height):
	
	dst_top, dst_left, dst_right, dst_bottom = 0, 0, 0, 0
	gain = 0

	if dst_width > dst_height:
		image_max_len = dst_width
		gain = IMG_SIZE / image_max_len
		resized_height = dst_height * gain
		height_pading = (IMG_SIZE - resized_height)/2
		print("height_pading:", height_pading)
		y1 = (y1 - height_pading)
		y2 = (y2 - height_pading)
	
	print("gain:", gain)
	dst_x1 = int(x1 / gain)
	dst_y1 = int(y1 / gain)
	dst_x2 = int(x2 / gain)
	dst_y2 = int(y2 / gain)

	return dst_x1, dst_y1, dst_x2, dst_y2

def plot_one_box(x, img, color=None, label=None, line_thickness=None):
    tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1  # line/font thickness
    color = color or [random.randint(0, 255) for _ in range(3)]
    c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
    cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
    if label:
        tf = max(tl - 1, 1)  # font thickness
        t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
        c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
        cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled
        cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)

def draw(image, boxes, scores, classes):
	"""Draw the boxes on the image.

	# Argument:
		image: original image.
		boxes: ndarray, boxes of objects.
		classes: ndarray, classes of objects.
		scores: ndarray, scores of objects.
		all_classes: all classes name.
	"""
	for box, score, cl in zip(boxes, scores, classes):

		x1, y1, x2, y2 = box
		print('class: {}, score: {}'.format(CLASSES[cl], score))
		print('box coordinate x1,y1,x2,y2: [{}, {}, {}, {}]'.format(x1, y1, x2, y2))
		x1 = int(x1)
		y1 = int(y1)
		x2 = int(x2)
		y2 = int(y2)

		dst_x1, dst_y1, dst_x2, dst_y2 = scale_coords(x1, y1, x2, y2, image.shape[1], image.shape[0])
		#print("img.cols:", image.cols)

		plot_one_box((dst_x1, dst_y1, dst_x2, dst_y2), image, label='{0} {1:.2f}'.format(CLASSES[cl], score))
			

		'''
		cv2.rectangle(image, (dst_x1, dst_y1), (dst_x2, dst_y2), (255, 0, 0), 2)
		cv2.putText(image, '{0} {1:.2f}'.format(CLASSES[cl], score),
					(dst_x1, dst_y1 - 6),
					cv2.FONT_HERSHEY_SIMPLEX,
					0.6, (0, 0, 255), 2)
		'''


def letterbox(im, new_shape=(640, 640), color=(0, 0, 0)):
    # Resize and pad image while meeting stride-multiple constraints
    shape = im.shape[:2]  # current shape [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # Scale ratio (new / old)
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])

    # Compute padding
    ratio = r, r  # width, height ratios
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding

    dw /= 2  # divide padding into 2 sides
    dh /= 2

    if shape[::-1] != new_unpad:  # resize
        im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
    return im, ratio, (dw, dh)


if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=True)

	print('--> Loading model')
	ret = rknn.load_rknn(RKNN_MODEL)
	if ret != 0:
		print('load rknn model failed')
		exit(ret)
	print('done')

	# init runtime environment
	print('--> Init runtime environment')
	ret = rknn.init_runtime()
	# ret = rknn.init_runtime('rv1126', device_id='1126')
	if ret != 0:
		print('Init runtime environment failed')
		exit(ret)
	print('done')

	# Set inputs
	img = cv2.imread(IMG_PATH)
	letter_img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
	letter_img = cv2.cvtColor(letter_img, cv2.COLOR_BGR2RGB)


	# Inference
	print('--> Running model')
	outputs = rknn.inference(inputs=[letter_img])

	print('--> inference done')

	# post process
	input0_data = outputs[0]
	input1_data = outputs[1]
	input2_data = outputs[2]

	input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:]))
	input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:]))
	input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:]))

	input_data = list()
	input_data.append(np.transpose(input0_data, (2, 3, 0, 1)))
	input_data.append(np.transpose(input1_data, (2, 3, 0, 1)))
	input_data.append(np.transpose(input2_data, (2, 3, 0, 1)))

	print('--> transpose done')

	boxes, classes, scores = yolov5_post_process(input_data)

	print('--> get result done')

	#img_1 = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
	if boxes is not None:
		draw(img, boxes, scores, classes)

	cv2.imwrite('./result.jpg', img)
	#cv2.imshow("post process result", img_1)
	#cv2.waitKeyEx(0)

	rknn.release()

執行后得到result.jpg如下圖所示:

8.3.5 模型預編譯

由于rknn模型用NPU API在EASY EAI Nano加載的時候啟動速度會好慢，在評估完模型精度沒問題的情況下，建議進行模型預編譯。預編譯的時候需要通過EASY EAI Nano主板的環境，所以請務必接上adb口與ubuntu保證穩定連接。板子端接線如下圖所示，撥碼開關需要是adb：

虛擬機要保證接上adb設備：

由于在虛擬機里ubuntu環境與docker環境對adb設備資源是競爭關系，所以需要關掉ubuntu環境下的adb服務，且在docker里面通過apt-get安裝adb軟件包。以下指令在ubuntu環境與docker環境里各自執行：

在docker環境里執行adb devices,現象如下圖所示則設備連接成功：

運行precompile_rknn.py腳本把模型執行預編譯：

python precompile_rknn.py

執行效果如下圖所示，生成預編譯模型yolov5_mask_rv1126_pre.rknn：

至此預編譯部署完成，模型轉換步驟已全部完成。生成如下預編譯后的int8量化模型：

9. 模型部署示例

9.1 模型部署示例介紹

本小節展示yolov5模型的在EASY EAI Nano的部署過程，該模型僅經過簡單訓練供示例使用，不保證模型精度。

9.2 準備工作

9.2.1 硬件準備

EASY EAI Nano開發板，microUSB數據線，帶linux操作系統的電腦。需保證EASY EAI Nano與linux系統保持adb連接。

9.2.2 交叉編譯環境準備

本示例需要交叉編譯環境的支持，可以參考在線文檔“入門指南/開發環境準備/安裝交叉編譯工具鏈”。鏈接為:https://www.easy-eai.com/document_details/3/135。

9.2.3 文件下載

下載yolov5 C Demo示例文件。百度網盤鏈接:https://pan.baidu.com/s/1XmxU9Putp_qSYTSQPqxMDQ提取碼：6666下載解壓后如下圖所示:

9.3 在EASY EAI Nano運行yolov5 demo

9.3.1 解壓yolov5 demo

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf yolov5_detect_C_demo.tar.bz2

9.3.2 編譯yolov5 demo

執行以下腳本編譯demo：

./build.sh

編譯成功后如下圖所示:

9.3.3 執行yolov5 demo

執行以下指令把可執行程序推送到開發板端：

adb push yolov5_detect_demo_release/ /userdata

登錄到開發板執行程序:

adb shell

執行結果如下圖所示，算法執行時間為50ms:

取回測試圖片:

adb pull /userdata/yolov5_detect_demo_release/result.jpg .

測試結果如下圖所示:

10. 基于攝像頭的AI Demo

10.1 攝像頭Demo介紹

本小節展示yolov5模型的在EASY EAI Nano執行攝像頭Demo的過程，該模型僅經過簡單訓練供示例使用，不保證模型精度。

10.2 準備工作

10.2.1 硬件準備

EASY-EAI-Nano人工智能開發套件(包括:EASY EAI Nano開發板，雙目攝像頭，5寸高清屏幕，microUSB數據線），帶linux操作系統的電腦,。需保證EASY EAI Nano與linux系統保持adb連接。

10.2.2 交叉編譯環境準備

本示例需要交叉編譯環境的支持，可以參考在線文檔“入門指南/開發環境準備/安裝交叉編譯工具鏈”。鏈接為:https://www.easy-eai.com/document_details/3/135。

10.2.3 文件下載

攝像頭識別Demo的程序源碼可以通過百度網盤下載：

https://pan.baidu.com/s/18cAp4yT_LhDZ5XAHG-L1lw（提取碼：6666 ）。下載解壓后如下圖所示:

10.3 在EASY EAI Nano運行yolov5 demo

10.3.1 解壓yolov5 camera demo

下載程序包移至ubuntu環境后，執行以下指令解壓：

tar -xvf yolov5_detect_camera_demo.tar.tar.bz2

10.3.2 編譯yolov5 camera demo

執行以下腳本編譯demo：

./build.sh

編譯成功后如下圖所示:

10.3.3 執行yolov5 camera demo

執行以下指令把可執行程序推送到開發板端：

adb push yolov5_detect_camera_demo_release/ /userdata

登錄到開發板執行程序:

adb shell

測試結果如下圖所示:

11. 資料下載

資料名稱	鏈接
訓練代碼github	https://github.com/EASY-EAI/yolov5
算法教程完整源碼包	https://pan.baidu.com/s/1-78z8joPYOaGEVFg0I_WZA 提取碼：6666
硬件外設庫源碼github	https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-SDK

12. 硬件使用

本教程使用的是EASY EAI nano（RV1126）開發板EASY EAI Nano是基于瑞芯微RV1126 處理器設計，具有四核CPU@1.5GHz與NPU@2Tops AI邊緣計算能力。實現AI運算的功耗不及所需GPU的10%。配套AI算法工具完善，支持Tensorflow、Pytorch、Caffe、MxNet、DarkNet、ONNX等主流AI框架直接轉換和部署。有豐富的軟硬件開發資料，而且外設資源豐富，接口齊全，還有豐富的功能配件可供選擇。集成有以太網、Wi-Fi 等通信外設。攝像頭、顯示屏（帶電容觸摸）、喇叭、麥克風等交互外設。2 路 USB Host 接口、1 路 USB Device 調試接口。集成協議串口、TF 卡、IO 拓展接口（兼容樹莓派/Jetson nano拓展接口）等通用外設。內置人臉識別、安全帽監測、人體骨骼點識別、火焰檢測、車輛檢測等各類 AI 算法，并提供完整的 Linux 開發包供客戶二次開發。

EASY-EAI-Nano產品在線文檔：

https://www.easy-eai.com/document_details/3/143

本篇文章到這里就結束啦，關于我們更多請前往官網了解

https://www.easy-eai.com

后續更多教程關注我們，不定時更新各種新品及活動