KNEO-Academy/README.md

Kneron Academy v2.0

這個應用程式是一個基於 Python、PyQt5、OpenCV 以及 Kneron SDK（kp）開發的 AI 應用 APP，使用者可以透過鏡頭、麥克風或上傳的方式經由 Kneron NPU 裝置進行實時運算。

目錄

• 安裝設定
• 專案架構
• 功能概述

安裝設定

• Install python 3.12 and kneron plus

# This shell script only install Kneron plus
cd ./external/kneron_plus_{version}/package/{platform}/
pip install KneronPLUS-{version}-py3-none-any.whl

# if the above command doesn't work
pip install --force-reinstall KneronPLUS-{version}-py3-none-any.whl

• PyQT5 and other packages

pip install PyQt5 opencv-python pyinstaller pyarmor

• test APP in local

python main.py

專案架構

project/
|- main.py
|- src/
   |- config.py
   |- controllers/
      |- device_controllers.py
      |- model_controllers.py
   |- views/
      |- mainwindow.py  # 主視窗邏輯
   |- utils/
      |- file_utils.py  # 文件工具
      |- image_utils.py # 圖像工具
   |- services/
      |- device_service.py # 設備服務
      |- model_service.py  # 模型服務
|- models/
|- uxui/
|- tests/
   |- unit/
   |- integration/

upload/
    └── photos, videos, or mp3 files
utils/
    ├── config.json
    ├── REAMDE.md
    │── mode1/
    │   ├── model1/
    │   │   ├── script.py
    │   │   ├── model_file(s)
    │   │   └── config.json
    │   └── model2/
    │       ├── script.py
    │       ├── model_file(s)
    │       └── config.json
    └── mode2/
        ├── model1/
        │   ├── script.py
        │   ├── model_file(s)
        │   └── config.json
        └── model2/
            ├── script.py
            ├── model_file(s)
            └── config.json
firmware\
    ├── KLXXX/
    │   ├── fw_scpu.bin
    │   ├── fw_ncpu.bin
    │   ├── VERSION
    │   └── other files
    └── KLXXX/
        ├── fw_scpu.bin
        ├── fw_ncpu.bin
        ├── VERSION
        └── other files

功能概述

• Video 模式：啟動相機持續捕捉影像，並將每一幀以 NumPy 陣列格式傳入推論模組進行即時推論。
• Image 模式：使用者上傳圖片後，讀取圖片並將其以 NumPy 陣列格式放入推論佇列，僅進行一次推論。

---

輸入資料格式

相機影像

• 捕捉方式：使用 OpenCV 從相機捕捉影像。
• 轉換流程：
  1. 影像先以 QImage 格式傳回。
  2. 透過 qimage_to_numpy(qimage) 函式轉換為 NumPy 陣列。
• 格式：NumPy 陣列，形狀為 (height, width, 3)，通道順序為 RGB888。

上傳圖片

• 讀取方式：使用 OpenCV 的 cv2.imread() 讀取上傳的圖片。
• 格式：產生的圖片也是一個 NumPy 陣列（通常是 BGR 格式），後續推論模組可進一步進行預處理轉換。

---

參數傳遞與設定

input_params 的組成

主應用程式會組合一個 input_params 字典，並將該字典傳遞給推論模組。此字典中可能包含以下鍵值：

• usb_port_id：選取的 dongle 的 USB port ID。
• fw_folder：全域 Firmware 資料夾路徑（FW_DIR）。
• scpu_path 與 ncpu_path：根據選取的 dongle 型號，組合出的 firmware 檔案路徑。
• file_path：上傳圖片的完整路徑（image/voice 模式下使用）。
• model：從工具配置中讀取的模型檔案名稱，經由路徑組合後形成完整的模型路徑。

範例：

{
    "usb_port_id": 32,
    "scpu_path": "C:\\...\\firmware\\KL520\\fw_scpu.bin",
    "ncpu_path": "C:\\...\\firmware\\KL520\\fw_ncpu.bin",
    "fw_folder": "C:\\...\\firmware",
    "file_path": "C:\\...\\uploads\\fire5.jpeg",
    "model": "src\\utils\\models\\fire_detection_520.nef"
}

APP 打包

目前是使用 Pyinstaller 來進行打包的動作 可以根據以下的指令進行打包

下方的add-data需要根據你要包入的資料設定，最後一個則是需要把 kp 包進 exe 檔中，需要去 conda 的 env 資料夾中找對應的 kp\lib 資料夾

pyinstaller --onefile --windowed main.py --additional-hooks-dir=hooks --add-data "uxui;uxui" --add-data "src;src" --add-data "C:\Users\mason\miniconda3\envs\resnet\Lib\site-packages\kp\lib;kp\lib"

APP資料加密

目前預計使用 pyarmor 進行加密

Script & Model 的設定

整個 utils folder 會分成兩層: global config 和 model config

model config 範例如下

{
  "display_name": "人臉偵測 (ResNet-18)",
  "description": "使用ResNet-18架構的高精度人臉偵測模型，可即時標記影像中的人臉位置",
  "model_file": "face_detection.nef",
  "input_info": {
    "type": "video",
    "supported_formats": ["mp4", "avi", "webm"]
  },
  "input_parameters": {
    "threshold": 0.75,
    "max_faces": 10,
    "tracking": true
  },
  "compatible_devices": ["KL520", "KL720"]
}

global config 範例如下

{
  "plugins": [
    {
      "mode": "face_recognition",
      "display_name": "人臉辨識",
      "models": [
        {
          "name": "face_detection",
          "display_name": "人臉偵測 (ResNet-18)",
          "description": "基於ResNet-18的高精度人臉偵測",
          "compatible_devices": ["KL520", "KL720"]
        },
        {
          "name": "age_gender",
          "display_name": "年齡性別辨識 (VGG-Face)",
          "description": "使用VGG-Face架構辨識人臉年齡與性別",
          "compatible_devices": ["KL520", "KL720"]
        }
      ]
    },
    {
      "mode": "object_detection",
      "display_name": "物體偵測",
      "models": [
        {
          "name": "yolo_v5",
          "display_name": "物體偵測 (YOLOv5)",
          "description": "使用YOLOv5進行實時物體偵測與分類",
          "compatible_devices": ["KL720"]
        },
        {
          "name": "rcnn",
          "display_name": "精確物體識別 (Faster R-CNN)",
          "description": "以Faster R-CNN為基礎的高精度物體識別",
          "compatible_devices": ["KL720"]
        }
      ]
    }
  ]
}

bounding boxes 格式

  {
    "num_boxes": 2,
    "bounding boxes": [[x1, y1, x2, y2], [x3, y3, x4, y4]],
    "results": ["label1", "label2"]
  }