AI 识别

概述

AI 识别是无人机智能化的前沿技术。在本项目中，你将学习如何在 ESP32-S3 上部署 TinyYOLOv3 模型，实现目标检测。

你将学到什么

• 深度学习模型部署
• 模型量化
• 推理优化
• 目标检测算法

所需材料

步骤 1：准备模型

1. 下载预训练的 TinyYOLOv3 模型（COCO 数据集）
2. 使用 tensorflow lite converter 将模型转换为 INT8 量化的 .tflite 格式
3. 将模型和标签文件 coco_labels.txt 复制到 MicroSD 卡

步骤 2：硬件接线

MicroSD 卡模块 → ESP32-S3 SPI 接口

步骤 3：打开项目

解压 ai_detection.zip，用 VS Code 打开。

步骤 4：实现模型推理函数

打开 yolo_detect.c，实现目标检测：

void yolo_detect(uint8_t* frame, int width, int height, 
                 Detection* detections, int* detection_count) {
    // 1. 预处理图像：resize 到 416x416，归一化
    preprocess_image(frame, width, height);
    
    // 2. 加载模型并执行推理
    load_model("/sdcard/tiny_yolo_v3.tflite");
    run_inference(preprocessed_frame);
    
    // 3. 后处理：解码输出，过滤低置信度检测结果
    decode_output(output, detections, detection_count);
    filter_detections(detections, detection_count, 0.5); // 置信度阈值 0.5
}

步骤 5：测试

1. 在无人机前方放置不同目标（如人、椅子）
2. 观察检测结果
3. 挑战：添加”目标优先级”，让无人机优先追踪人而不是其他物体

故障排除

推理速度慢

• 优化模型大小
• 使用 INT8 量化

检测准确率低

• 调整置信度阈值
• 改善输入图像质量

成就感

恭喜你！你已经实现了 AI 目标检测，这是无人机智能化的前沿技术！

下一步

在下一个项目中，你将学习如何实现多无人机 MESH 网络。

继续项目 08：多机通信网络 →