1GHz MCU+NPU，Titan Mini OpenMV 视觉示例用 Python 开玩

让摄像头认出“剪刀石头布”，框出画面中的猫狗，再跟着手掌画出关键点。这些 AI 视觉玩法，现在可以在 RA8P1 Titan Mini 上，用熟悉的 Python 脚本逐个体验。

本次 Titan Mini OpenMV 更新，把相机采集、图像处理、神经网络推理和外设控制串了起来：底层运行 RT-Thread 5.1，接入 OpenMV 5.0.1 与 MicroPython，再让板载 NPU 加入计算。

先记住三个关键词：

1 GHz 主频 · NPU 加速 · 194＋个 Python 示例

该板卡在 IDE 中标识为 AE3，并非 OpenMV 官方板卡，仅用于模拟演示。

01 硬件够硬核，开发从 Python 开始

Titan Mini 的这套视觉组合，核心是 1 GHz Cortex-M85 + 500 MHz Ethos-U55-256。

通俗一点理解：CPU 负责程序运行、设备控制等工作，NPU 则加速神经网络中适合它处理的计算。摄像头采集画面，模型分析内容，Python 脚本把结果组织成你的应用。

接上 OV5640 MIPI 摄像头，连接 OpenMV IDE，就能围绕画面修改脚本、调整参数、观察识别效果。

对于想体验嵌入式 AI 的开发者，可以从现成示例开始，把注意力放在“我要让它识别什么、识别后做什么”上。

02 从追色块，到看懂手势和姿态

这次值得玩的内容，覆盖了两类常用视觉任务。

先从传统视觉入门

色块识别、巡线、条码、AprilTag、特征检测、滤波与几何变换，都有对应的功能或示例。想做一个寻找色块的小装置，或给小车增加巡线能力，可以从这里起步。

再把神经网络加进来

配套示例覆盖人脸检测、手部关键点、人体姿态、物体检测、分类与分割：

• 玩手势：体验剪刀石头布检测，尝试把识别结果映射成控制指令。
• 看动作：运行手部 21 点、人脸 468 点或人体姿态示例，观察关键点如何跟随画面变化。
• 找目标：体验行人、猫狗及常见物体检测，学习从图像中提取目标位置。

神经网络目录提供 23 个脚本，对应 20 个 NPU 模型和 1 个 CPU 回归模型。工程中配有模型文件与部署说明，按对应示例准备资源即可开始体验。

整个示例库则共有 194 个独立 Python 脚本，从视觉、机器学习，一直延伸到外设、存储和通信。

可以先跑通一个小例子，再逐步拼出自己的项目。

石头剪刀布检测

单手关键点跟踪

骨骼检测

行人检测

03 实际跑起来有多快？看应用数据

对于视觉项目，大家关心的是：摄像头持续采集时，识别画面能否跟得上动作。

根据项目性能文档记录，下面三个轻量检测示例的 相机应用帧率均约为 41 FPS：

检测示例	推理调用均值	相机应用帧率
Swift-YOLO 手势检测	8.25 ms	41.22 FPS
Swift-YOLO 猫狗检测	7.94 ms	41.22 FPS
Swift-YOLO 行人检测	14.97 ms	41.21 FPS

FPS 表示每秒处理的画面数量。这里的应用帧率统计覆盖了 采集、推理、后处理、绘图和预览，更接近运行示例时的完整使用流程。

测试条件：Titan Mini、OV5640、SD 存储，固件版本 5.0.1；相机输出 QVGA（320×240），模型输入 192×192。推理调用为固定输入下 12 次测量的均值，应用帧率来自 30 秒测试。不同模型、画面与设置会影响结果。

还可以关注另一组数据：

单手检测与 21 点关键点跟踪，实测 21.88 FPS。

这组测试使用 RGB565、400×400 画面，包含采集、预处理、推理、后处理和绘图，关闭 IDE 预览传输。它与上表的测试条件不同，开启预览后的表现需另行测量。

以上数据均引用项目性能文档，你也可以结合自己的场景与设置进一步实测。

本次录制实际帧率约 16 帧。

04 识别之后，把设备也带动起来

视觉项目的乐趣，还在于让识别结果产生动作。

本工程提供 GPIO、IRQ、PWM、ADC、UART、I2C、SPI 和软件定时器 等 Python 外设接口，可以在视觉脚本的基础上继续连接传感器、控制器与执行机构。

例如，你可以尝试：

• 识别到指定手势，通过串口向另一个控制器发送指令。
• 根据色块位置，配合舵机及相应驱动，制作目标跟随装置。
• 识别 AprilTag，向机器人主控输出标记信息。

这些都是可以基于现有能力继续开发的项目方向，具体联动逻辑与外部硬件由你来组合。

日常调试也有熟悉的路径：USB 2.0 HS 连接兼顾 IDE 通信与文件传输。脚本调通后，还可按指南保存为 main.py，配好依赖与资源，在硬件启动时自动运行。

从电脑前调试，到独立运行的小装置，可以沿着同一套工程继续往前做。

05 准备好开发板，四步跑起第一个示例

先备好 Titan Mini、OV5640 MIPI 摄像头、USB 数据线、FAT/FAT32 格式 SD 卡及支持 RA8P1 的烧录器，电脑安装 OpenMV IDE 和烧录软件。

第一步：获取配套固件

按文档从 GitHub Actions 的 OpenMV Firmware 工作流下载构建成功的 SD 配置固件。喜欢自己编译，也可以配好工具链后运行 scons，自动生成发布文件。

第二步：烧录与复制

烧录 rtthread.hex，将配套的 openmv-vision.bin 复制到 SD 卡根目录。两个文件必须来自同一次构建。

第三步：连接 IDE，看见画面

安全弹出存储卷，连接 OpenMV IDE，打开工程中的 helloworld.py 相机预览示例并运行。

第四步：选一个 AI 玩法

从机器学习示例中选择应用，按说明把对应模型、标签及所需素材复制到板端存储，再安全弹出并运行脚本。

示例列表

第一次可以从 FOMO 人脸中心检测开始，再尝试手势检测或手部关键点。

使用提示：IDE 显示的 AE3 是兼容标识，请使用本工程的 RA8P1 固件；官方 Alif AE3 固件与本板不兼容。

项目地址： https://github.com/RT-Thread-Studio/sdk-bsp-ra8p1-titan-mini/tree/main/project/Titan_Mini_Openmv

06 给你的下一个作品，加上视觉

如果你正在学习嵌入式 AI、准备课程或竞赛原型，或者想给手头的机器人增加视觉能力，Titan Mini + OpenMV 值得放进你的开发清单。

它提供了一条具体的实践路径：用 Python 运行示例，观察摄像头画面，理解模型输出，再把结果接到外设控制上。

对已经拥有 Titan Mini 的朋友，这次可以继续挖掘手中开发板的视觉能力；对准备入手的朋友，配套脚本、模型和文档，也让第一个实验有了明确的起点。

想把这些效果搬到自己的桌面上？从一块 Titan Mini 和第一个视觉示例开始。

手势交互、宠物检测、视觉小车，你最想先做哪一个？