OpenMV3 M7在Linux下的使用(二)
4 脚本结构
请注意，这个 tutorial 假设你知道 python 语言是如何工作的。如果你不知道 python 是如何工作的，请研究它。有很多关于如何编写 python 代码的网络 tutorials（最后，如果你知道任何其他 C 类编程语言，你可以很容易地选择 python，因为它非常相似）。无论如何，你编写的任何脚本都有三个不同的部分：
import ...
... one time setup ...
while(True): # Loop
...
OpenMV Cam 代码的第一部分应该包括一些标题注释，import 模块将模块放入范围，最后是代码中的常量和全局变量。接下来，您将要执行一次性设置代码。这包括创建 I/O 引脚对象，设置相机，定义辅助函数等。
最后，您将创建一个 while(True): 循环，在该循环下，您将重复循环调用所有被调用的代码，直到关闭电源。
这是一个例子：
### 标题注释，导入语句等
# 你好世界的例子
#
# 欢迎来到OpenMV IDE！单击下面的绿色运行箭头按钮运行脚本！
import sensor, image, time
### 一次性设置
sensor.reset() # 重置并初始化传感器。
sensor.set_pixformat(sensor.RGB565) # 将像素格式设置为RGB565（或GRAYSCALE）
sensor.set_framesize(sensor.QVGA) # 将帧大小设置为QVGA（320x240）
sensor.skip_frames(time = 2000) # 等待设置生效。
clock = time.clock() # 创建时钟对象以跟踪FPS。
### 无限循环
while(True):
clock.tick() # 更新FPS时钟。
img = sensor.snapshot() # 拍照并返回图像。
print(clock.fps()) # 注意：openmv运行速度一半到IDE。一旦断开连接，FPS应该增加。
请注意，如果您的代码中没有无限循环，那么一旦您的 OpenMV Cam 完成运行脚本，它就会坐在那里什么都不做。
5 I/O 教程
在进入机器视觉主题之前，我们将讨论 OpenMV Cam 上的 I/O 引脚控制。重要的是你知道如何切换 I/O 引脚，发送和接收串行数据，以及让你的 OpenMV Cam 处于睡眠状态，这样你就可以创建一个能够在一个包中”感知”、”计划”和”行动”的系统。首先，让我们来看看下面的 OpenMV Cam 的引脚：
根据 OpenMV Cam 的型号，您可以使用 9-10 个通用 I/O 引脚，可用于低速数字输入和输出。请注意，我们使用具有 5V 容限 I/O 引脚的 STM32 处理器，因此您可以将 OpenMV Cam 直接连接到 Arduino 或其他 5V 器件而无需担心。I/O 引脚也非常强大，每个引脚或吸收电流高达 25 mA。
无论如何，不同的 I/O 引脚具有不同的特殊功能。例如，P0-P3 是您的 OpenMV Cam 的 SPI 总线引脚，可用于控制 SPI 器件。P4-P5 是您的 OpenMV Cam 的异步串行或 I2C 总线引脚，用于串行或 I2C 通话。P6 是您的 OpenMV Cam 的 ADC/DAC 引脚，用于 0V 至 3.3V 输入和输出。P7-P8（或 P7-P9）是您的 OpenMV Cam 的辅助 I/O 引脚。
5.1 PYB 模块
所有微控制器 I/O 功能都可以从 pyb（Python Board）模块获得。您只需在脚本中 import pyb 即可访问它。导入后，您可以访问 ADC，CAN，DAC，I2C，Pin，Servo，SPI 和 UART 类，同时还可以控制电路板的功耗。
6 系统架构
首先，OpenMV Cam 基于 STM32 微控制器架构，因为 MicroPython pyboard 基于 STM32 微控制器架构。如果项目是使用其他系统启动的，那么事情可能会完全不同。
接下来，我们选择不将 DRAM 与原始的 OpenMV Cam 一起使用，因为它使得系统太低而无法以低产量生产。
SDR DRAM（这是 STM32 支持的）在低制造量时并不是最便宜的，并且大大增加了电路板设计的复杂性（例如，您需要使用 8 层电路板来路由所有信号）。
随着我们用更快更快的主处理器加速 OpenMV Cam，SDR DRAM 速度也跟不上内部 RAM 速度。例如，在 STM32H7 上，内部 RAM 带宽为 3.2GB/s，最大 SDR RAM 带宽为 666MB/s，即使我们使用需要 50+ I/O 引脚的 32 位 DRAM 总线构建 8 层电路板系统对于 DRAM。
因此，由于我们建立在 STM32 架构上并且现在仅限于使用昂贵且速度慢的 SDR DRAM，我们还没有添加它，因为我们的内部 SRAM 速度更快。
随着产量的增加和技术的提高，我们可以在保持 OpenMV Cam 简单易用的同时获得更多内存。
6.1 存储器架构
鉴于上述存储器架构限制，我们构建了所有代码以在 STM32 微控制器存储器内部运行。但是，STM32 没有一个大的连续存储器映射。它针对不同情况提供不同的 RAM 段。
首先，有一段 RAM 包含全局变量，堆和堆栈。堆和全局变量的大小是固定的，因此只有堆栈增大和缩小。出于性能原因，不会不断检查堆/堆栈冲突，因此不要在 OpenMV Cam 上使用递归函数。
至于堆，它的大小是固定的，而不是向堆栈增长，并由 MicroPython 的垃圾收集器管理。MicroPython 自动释放堆内部未使用的块。但是，MicroPython 堆的设计不允许它像 PC 上的堆那样任意大（例如在兆字节范围内）。
因此，即使我们有 DRAM，也很难利用 MicroPython 的堆。接下来，帧缓冲区有一个更大的内存段来存储图像。在帧缓冲区的底部，当调用 sensor.snapshot() 之类的函数时，会存储新图像。然后，帧缓冲区中任何未使用的空间可用作”帧缓冲区堆栈”，从帧缓冲区的顶部向下构建。这种内存架构设计允许我们的许多计算机视觉方法执行而无需在 MicroPython 堆内部分配大型数据结构。
也就是说，帧缓冲堆栈仍然是堆栈，不支持随机分配和解除分配。幸运的是，大多数计算机视觉算法都具有非常可预测的内存分配。对于那些没有的人（如 AprilTags），我们在需要时在帧缓冲区堆栈内部分配一个临时堆（再次避免碎片化 MicroPython 堆）。
最后，视觉算法通过在 MicroPython 堆中分配对象来返回结果（通常很小）。然后，可以通过 MicroPython 轻松地收集结果，同时在任何计算机视觉算法完成执行后完全清除帧缓冲区堆栈。
现在虽然这很好用，但这意味着你只能在 RAM 中的帧缓冲区中拥有一个大图像。由于 MicroPython 堆针对存储大型 100KB 图像的小对象进行了优化，因此没有意义。为了使更多图像适合 RAM，我们允许使用 sensor.alloc_extra_fb() 将帧缓冲堆栈用于二次图像存储。通过在帧缓冲堆栈上分配辅助帧缓冲区，您现在可以在 RAM 中拥有两个或更多映像，但代价是减少更复杂算法的内存空间（如 AprilTags）。那就是内存架构。并且…我们允许将图像存储在帧缓冲区，堆和帧缓冲区堆栈中。