在 CanMV K210 入门和综合项目中，YOLO 模型物体识别实验是一个很适合拆解的 AI 视觉案例。它不是只验证某一个模块能否工作，而是把摄像头采集、模型加载、图像预处理、KPU 推理、YOLO 后处理、检测框绘制和 LCD 显示串成一条完整流程。通过这个实验，可以理解 K210 如何在边缘端完成基础目标检测任务。本实验使用 CanMV K210 运行 YOLO 目标检测程序。代码加载/sd/voc20_detect.kmodel模型文件，使用 KPU 执行神经网络推理，并在摄像头画面中标出目标类别、位置和运行帧率。实验重点是理解类别标签、模型文件路径、anchor 参数、置信度阈值、NMS 后处理和检测框绘制之间的关系。可以在这里放置实验运行效果截图。重点观察 LCD 画面中是否出现摄像头实时画面、绿色目标框、类别名称和左上角 FPS 信息。学习目标说明理解目标检测流程掌握摄像头采集、模型推理、后处理和显示标注之间的关系掌握 KPU 模型加载使用 KPU 加载 kmodel 文件，并执行 YOLO 目标检测理解 YOLO 参数认识类别标签、anchor、阈值、NMS 和检测框的作用完成多类别标注在图像中绘制检测框和类别文字，显示识别结果建立 AI 视觉调试思路能从模型路径、输入尺寸、光照、目标大小和阈值等方向排查问题文章目录理论基础硬件设施软件代码扩展应用总结理论基础YOLO 目标检测和普通图像分类不同。图像分类只需要回答“这张图里主要是什么”，而目标检测需要进一步回答“图中有哪些目标、每个目标在哪里、属于哪个类别、置信度大约是多少”。因此，YOLO 识别结果通常包含检测框坐标、宽高、类别编号和置信度等信息。在 K210 上运行 YOLO 模型时，摄像头负责采集图像，KPU 负责执行神经网络推理，YOLO 后处理负责从模型输出中筛选目标框，LCD 负责把结果显示出来。程序中的obj_name保存 20 个类别名称，anchor保存目标框先验参数，threshold=0.5用于过滤低置信度结果，nms_value=0.2用于去掉重叠度较高的重复检测框。本实验使用的模型输入尺寸为320x256，摄像头采集尺寸为QVGA，也就是320x240。代码中创建了一个od_img = image.Image(size=(320,256))，再把摄像头图像绘制到od_img中，之后调用pix_to_ai()转换为 KPU 适合处理的数据格式。这个步骤可以理解为把普通摄像头图像转换成模型推理需要的输入图像。