maix.KPU
KPU是通用的神经网络处理器，它可以在低功耗的情况下实现卷积神经网络计算，时时获取被检测目标的大小、坐标和种类，对人脸或者物体进行检测和分类。
KPU 具备以下几个特点：
支持主流训练框架按照特定限制规则训练出来的定点化模型
对网络层数无直接限制，支持每层卷积神经网络参数单独配置，包括输入输出通道数目、输入输 出行宽列高
支持两种卷积内核 1x1 和 3x3
支持任意形式的激活函数
实时工作时最大支持神经网络参数大小为 5.5MiB 到 5.9MiB
非实时工作时最大支持网络参数大小为（Flash 容量-软件体积）
类 maix.KPU
构造函数
kpu = KPU()
创建一个KPU类
函数
load_kmodel
kpu.load_kmodel(file_path)
kpu.load_kmodel(flash_offset, size)
从文件系统或者flash中加载模型
参数
文件系统加载 和 flash地址加载 方式只能二选一，不需要关键词，直接传参即可
文件系统加载方式：
file_path: 模型在文件系统中为文件名， 如“/sd/xxx.kmodel”
flash地址加载方式：
flash_offset: 模型在 flash 中的偏移大小，如0xd00000表示模型烧录在13M起始的地方,0x300000表示在Flash3M的地方size: 模型大小
返回值
无
例子
from maix import KPU
kpu = KPU()
## kpu.load_kmodel(0x300000, 1536936)
kpu.load_kmodel("/sd/voc20_detect.kmodel")
init_yolo2
kpu.init_yolo2(anchor, anchor_num=5,
img_w=320, img_h=240,
net_w=320 , net_h=240,
layer_w=10 ,layer_h=8,
threshold=0.7,
nms_value=0.4,
classes=1)
为yolo2网络模型传入初始化参数， 只有使用yolo2时使用
参数
必须参数：
anchor: 锚点参数与模型参数一致，同一个模型这个参数是固定的，和模型绑定的（训练模型时即确定了）， 不能改成其它值。
可选参数：
anchor_num: anchor 的锚点数， 这里固定为len(anchors)//2，默认值为5img_w: 输入图像的宽，决定了画框边界，如果送入kpu的图是由一张小尺寸图扩充而来，该值可以设为原图宽，默认值为320img_h: 输入图像的高，决定了画框边界，如果送入kpu的图是由一张小尺寸图扩充而来，该值可以设为原图高，默认值为240net_w: 模型需要的图的宽，该值由训好的模型所决定，默认值为320net_h: 模型需要的图的高，该值由训好的模型所决定，默认值为240layer_w:模型层宽，该值由训好的模型所决定，默认值为10layer_h:模型层高，该值由训好的模型所决定，默认值为8threshold: 概率阈值， 只有是这个物体的概率大于这个值才会输出结果， 取值范围：[0, 1]，默认值为0.7nms_value: box_iou 门限, 为了防止同一个物体被框出多个框，当在同一个物体上框出了两个框，这两个框的交叉区域占两个框总占用面积的比例 如果小于这个值时， 就取其中概率最大的一个框，默认值为0.4classes: 要分辨的目标类数量，该值由训好的模型所决定，默认值为1
返回值
无
例子
from maix import KPU
kpu = KPU()
kpu.load_kmodel("/sd/voc20_detect.kmodel")
anchor = (1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071)
kpu.init_yolo2(anchor, anchor_num=5, img_w=320,img_h=240, net_w=320,net_h=256, layer_w=10,layer_h=8, threshold=0.5, nms_value=0.2, classes=20)
run_with_output
kpu.run_with_output(img [,getlist=False [, get_feature=False]])
将输入图像送入kpu运算，并获取结果
参数
必须参数：
img: 可以是从 sensor 采集到Image图像类，也可以传入图片文件路径。
可选参数：
getlist: 为True则返回浮点数列表，默认Falseget_feature: 为True则返回L2归一化后的浮点特征值（最大允许256），默认False
注意：getlist与get_feature参数是二选一的关系，决定了最后返回什么样的数据。
返回值
getlist与get_feature为Flase时返回None
例子
from maix import KPU
kpu = KPU()
kpu.load_kmodel("/sd/voc20_detect.kmodel")
anchor = (1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071)
kpu.init_yolo2(anchor, anchor_num=5, img_w=320,img_h=240, net_w=320,net_h=256, layer_w=10,layer_h=8, threshold=0.5, nms_value=0.2, classes=20)
img = sensor.snapshot()
kpu.run_with_output(img)
以上为节选代码，并不是完整部分，详细请看20物体分类具体的代码
regionlayer_yolo2
dect = kpu.regionlayer_yolo2()
yolo2运算，并获取结果
参数
无
返回值
返回一个二维列表，每个子列表代表一个识别到的目标物体，目标物体信息列表包含以下6个数据：
x,y,w,h：代表目标框的左上角x,y坐标，以及框的宽w高hclass: 类别序号prob: 概率值，范围：[0, 1]
例子
from maix import KPU
kpu = KPU()
kpu.load_kmodel("/sd/voc20_detect.kmodel")
anchor = (1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071)
kpu.init_yolo2(anchor, anchor_num=5, img_w=320,img_h=240, net_w=320,net_h=256, layer_w=10,layer_h=8, threshold=0.5, nms_value=0.2, classes=20)
img = sensor.snapshot()
kpu.run_with_output(img)
dect = kpu.regionlayer_yolo2()
print("dect:",dect)
以上为节选代码，并不是完整部分，详细请看20物体分类具体的代码
feature_compare
score = kpu.feature_compare(feature_0, feature_1)
特征比对，比对两个特征数据并给出相似度分数
参数
feature_0: 特征数据0，浮点列表, 最大允许256feature_1: 特征数据1，浮点列表, 最大允许256
返回值
score: 相似度分数
例子
feature = kpu.run_with_output(img, get_feature = True)
score = kpu.feature_compare(record_feature, feature)
print(score)
以上为节选代码，并不是完整部分，详细请看自分类具体的代码
deinit
kpu.deinit()
KPU去初始化函数，释放模型占用的内存， 立即释放， 但是变量还在，可以使用del kpu_object 的方式删除，
另外也可以直接只使用del kpu_object来标记对象已被删除，下一次GC进行内存回收或者手动调用gc.collect()时，会自动释放内存
例子
from maix import KPU
import gc
kpu = KPU()
kpu.load_kmodel("/sd/voc20_detect.kmodel")
kpu.deinit()
del kpu
gc.collect()
sigmoid
KPU.sigmoid(f)
将数据归一化到[0, 1]范围
参数
f: 浮点数
返回值
浮点数