本篇帖子的功能就是通过语音识别控制小车行走，先来看看实现效果：
实物图：
整个硬件部分比较简单，主要包括三部分：
第一部分：锂电池充放电模块，给树莓派提供5V供电电压。
第二部分：树莓派本体，插入USB麦克风，作为语音输入源。
第三部分：四路L9110电机驱动板及小车底盘，L9110模块供电为3.3V，从树莓派引出，控制模式如下表。
本例中：
A1 GPIO26 A2 GPIO19 B1 GPIO13 B2 GPIO6 C1 GPIO21 C2 GPIO20 D1 GPIO16 D2 GPIO12
再来讲软件部分，本例中，软件才是精髓，主要也包括三部分：
第一部分：应用层，为edge impulse关键词识别模型训练及生成，由edge impulse平台提供一站式服务，用顺手后非常easy!
第二部分：中间层，为edge impulse模型与实际硬件驱动之间的沟通层，也就是将edge impulse模型转化为实际的动作，比如本例，语音识别到关键词“前进”，那么由这个中间层提供接口，驱动电机前进。他是由edge impulse提供的Linux Python SDK。
本例中最难的也就是这部分，我花了大量的精力来啃这个中间层，踩了不少坑，后面再细讲。
第三部分：硬件驱动层，也就是将识别的指令，转化为实际动作，如控制小车“前进”、“倒车”、“停车”、“左转”、“右转”
第一部分：edge impulse关键词识别模型训练及生成
edge impulse介绍：
Edge Impulse是一个应用于嵌入式领域的在线的机器学习网站，2025 年 3 月被高通收购，核心是为嵌入式设备提供数据采集、模型训练、优化到部署的全流程能力，无需复杂手动操作即可快速实现边缘 AI 应用，他不仅为用户提供了一些现成的神经网络模型以供训练，还能直接将训练好的模型转换成能在单片机MCU上运行的代码，使用方便，容易上手。
具体见：
https://docs.edgeimpulse.com/
简单说他是个傻瓜式的AI工具，几乎无需AI功底就可以训练出个可用的模型来。
本例是打造一个语音识别的小车。核心是识别“前进”、“倒车”、“停车”、“左转”、“右转”等指令，并执行相应动作。
接下来在edgeimpulse网站上注册账户，完成数据采集——>模型训练——>模型部署(下载)
这里先介绍我的经验步骤，后面再细说我踩过的坑。
1. 创建一个应用。
2. [非常重要！！！]严重建议，在创建好的应用最底部，点击：Launch getting started tutorial（启动入门指南），也就是会菜单式引导你第一步干什么，第二部干什么，非常傻瓜式（实际上edgeimpulse最左侧边栏，也是个步骤指南，从Device——>Data acquisition——>……Deployment），
通过Launch getting started tutorial，而不是自主进行素材采集及训练，更重要是，他会自动加入Noise和unkown这2类非常重要的素材。
为什么说要加入Noise和unkown这2类要素，我们从下面的原理图可以看出。
关键词1和关键词2就是我们想要他识别的指令，可以是多个，如本例：“前进”、“倒车”、“停车”、“左转”、“右转”
噪音（Noise）：不说话，只采集环境背景噪音
未知（unkown）：说话，但说的不是关键词，比如说你好、明天、加速等等，也就是干扰性语句，跟关键词做区分。这样训练出来的模型准确率更高，不会干扰。
3. 使用手机或者电脑采集语音。
4. 录音采集。需要说明，使用Launch getting started tutorial，默认只开放一个关键词的采集，再自动加入Noise和unkown。
比如下图展示的，系统自动为我的模型添加了161个noise和165个unknown素材。
但我们实际有多个关键词怎么办，别着急，后面可以手动在Data acquisition中添加其他关键词并录音。
添加其他Label时，就点击下图的Label名，在弹窗中输入其他关键词，如后退，那平台自动为我们做好分割。
5. 模型选择，关键是选取Audio滤波(MFE)、Transfer Learning（迁移学习）
这里需要注意：在Time series data这里，有个采样频率：16000HZ，后面会在这里踩个大坑。
6. 模型训练。注意精度（一般需要大于90%以上）和损失值。
7. 模型检验。
一个是用测试素材进行检验。
一个是用电脑/手机麦克风进行实时测试，只要测试准确度高，后面下载到树莓派就没问题。
比如下图，说出“倒车”，就被精准识别，准确率95%
8.模型部署。
选择部署平台 : Linux（AARCH64），也就是ARM 64位LInux，int8，下载得到一个.eim文件，就是我们需要的最终模型。
第二部分：中间层edge impulse Linux Python SDK部署
前面提到，edge impulse Linux Python SDK为edge impulse模型与实际硬件驱动之间的沟通层。
他将识别的结果转化为可执行的指令。
在开始之前，需要确认系统已安装python 3并创建python虚拟环境（否则无法安装edge impulse）。
创建环境 python -m venv myenv 激活环境 source myenv/bin/activate 退出环境 deactivate
首先需要安装edge impulse Linux 驱动，后面才是安装Python SDK。
安装edge impulse Linux 驱动：
https://docs.edgeimpulse.com/hardware/boards/raspberry-pi-5#setup-with-a-screen
主要是安装node.js及edge-impulse-linux应用。
sudo apt update curl -sL https://deb.nodesource.com/setup_20.x | sudo bash - sudo apt install -y gcc g++ make build-essential nodejs sox gstreamer1.0-tools gstreamer1.0-plugins-good gstreamer1.0-plugins-base gstreamer1.0-plugins-base-apps sudo npm install edge-impulse-linux -g --unsafe-perm sudo npm install -g npm@10.8.1
连接到Edge Impulse，这个命令可以把你的树莓派5连接到Edge Impulse Studio。它会提示你登录并选择一个项目。认证完成后，你的树莓派5会在Edge Impulse Studio的设备中显示。
edge-impulse-linux
运行以下2条指令，分别对应
1）运行edgeimpulse Shell程序，进一步验证模型准确性。
2）以命令行方式下载模型文件（优先选用这种方式，网页下载几次都无法正常运行）
edge-impulse-linux-runner edge-impulse-linux-runner --download modelfile.eim
运行效果如下图：
比如下图，在我说了句“停车”，tingche 对应地置信度涨到了0.7，其他时候noise和unknown占据了主要。
上述步骤完成后，仅证明模型跑在树莓派上没问题，那如何跟硬件产生关联呢，也就是如何操作硬件呢？
毕竟edge-impulse-linux-runner是跑在shell里的，无法进一步操作。
安装edge impulse Python SDK：
来源地址：
https://docs.edgeimpulse.com/tools/libraries/sdks/inference/linux/python#raspberry-pi
sudo apt install libatlas-base-dev libportaudio0 libportaudio2 libportaudiocpp0 portaudio19-dev pip3 install edge_impulse_linux -i
克隆这个仓库以获取示例：
git clone https://github.com/edgeimpulse/linux-sdk-python
如果你想使用摄像头或麦克风的示例，安装依赖关系：
cd linux-sdk-python pip install -r requirements.txt
安装完成后
运行以下文件：linux-sdk-python/examples/audio/classify.py
# 导入操作系统模块，用于处理文件路径、系统环境等底层操作
import os
# 导入系统参数模块sys（处理程序退出、命令行参数）和getopt（解析命令行选项）
import sys, getopt
# 导入信号处理模块，用于捕获并处理系统信号（如Ctrl+C中断）
import signal
# 导入时间模块（本程序未直接使用，预留或依赖库内部可能用到）
import time
# 从Edge Impulse的Linux音频库中导入AudioImpulseRunner类
# 该类是核心运行器，负责加载音频分类模型、采集音频数据、执行推理计算
from edge_impulse_linux.audio import AudioImpulseRunner
# 定义全局变量runner，用于存储AudioImpulseRunner实例
# 全局声明是为了在信号处理函数中能访问并停止运行器，避免资源泄漏
runner = None
# 定义信号处理函数，用于捕获SIGINT信号（通常由Ctrl+C触发）
# 参数说明：
# sig: 接收到的信号编号（如SIGINT对应2）
# frame: 当前的栈帧对象，记录信号触发时的程序执行上下文
def signal_handler(sig, frame):
# 打印中断提示信息，告知用户程序被手动中断
print('Interrupted')
# 如果runner实例已初始化，调用stop()方法停止音频采集和推理
if (runner):
runner.stop()
# 正常退出程序，状态码0表示无错误退出
sys.exit(0)
# 注册SIGINT信号的处理函数为自定义的signal_handler
# 作用：按下Ctrl+C时不会强制终止程序，而是优雅停止音频采集并退出，避免资源占用
signal.signal(signal.SIGINT, signal_handler)
# 定义帮助信息打印函数，提示用户程序的正确使用方式
def help():
# 打印命令行使用格式：
# python classify.py <模型文件路径.eim> <音频设备ID（可选）>
print('python classify.py <path_to_model.eim> <audio_device_ID, optional>' )
# 定义程序主函数，处理核心业务逻辑
# 参数argv：命令行参数列表（已排除脚本名，仅保留后续参数）
def main(argv):
try:
# 解析命令行选项：
# "h" 表示短选项-h（用于查看帮助）
# ["--help"] 表示长选项--help（功能同-h）
# 返回值opts：解析后的选项-值对列表；args：剩余的非选项参数列表
opts, args = getopt.getopt(argv, "h", ["--help"])
except getopt.GetoptError:
# 如果解析参数时出错（如传入无效选项），打印帮助信息
help()
# 退出程序，状态码2表示参数解析错误
sys.exit(2)
# 遍历解析后的选项，处理帮助请求
for opt, arg in opts:
# 如果用户输入-h或--help选项
if opt in ('-h', '--help'):
# 打印帮助信息
help()
# 正常退出程序
sys.exit()
# 检查非选项参数数量：如果为0（未传入模型文件路径），提示用法并退出
if len(args) == 0:
help()
sys.exit(2)
# 第一个非选项参数赋值给model，即Edge Impulse模型文件（.eim）的路径
model = args[0]
# 获取当前脚本文件的绝对路径的目录部分，避免相对路径导致的文件找不到问题
dir_path = os.path.dirname(os.path.realpath(__file__))
# 将脚本目录与模型文件名拼接，生成模型文件的绝对路径
modelfile = os.path.join(dir_path, model)
# 使用with语句创建AudioImpulseRunner实例（上下文管理器）
# 作用：自动管理资源，退出with块时会自动调用清理逻辑，无需手动释放
with AudioImpulseRunner(modelfile) as runner:
try:
# 初始化运行器，加载模型文件并返回模型信息（如标签、项目信息、输入输出参数等）
model_info = runner.init()
# 调试模式初始化（注释掉）：开启debug打印，设置60秒超时（排查问题时可启用）
# model_info = runner.init(debug=True, timeout=60) # to get debug print out and set longer timeout
# 从模型信息中提取分类标签（如"noise"、"voice"、"music"等）
labels = model_info['model_parameters']['labels']
# 打印模型加载成功的提示，包含项目所属者和项目名称（便于确认加载的模型是否正确）
print('Loaded runner for "' + model_info['project']['owner'] + ' / ' + model_info['project']['name'] + '"')
# 初始化音频设备ID为None，表示让库自动选择适配模型的音频输入设备
# 若需手动指定设备，可通过命令行第二个参数传入设备ID
selected_device_id = None
# 如果命令行传入了第二个参数（音频设备ID）
if len(args) >= 2:
# 将设备ID转为整数（音频设备ID通常为数字）
selected_device_id=int(args[1])
# 打印提示信息，确认用户指定的设备ID
print("Device ID "+ str(selected_device_id) + " has been provided as an argument.")
# 循环执行音频分类推理：
# runner.classifier() 会持续采集音频数据，执行DSP处理+模型推理，返回推理结果res和原始音频数据audio
# device_id参数指定使用的音频设备，None则自动选择
for res, audio in runner.classifier(device_id=selected_device_id):
# 分支1：推理结果为分类任务（classification是Edge Impulse分类模型的标准输出键）
if "classification" in res["result"].keys():
# 打印推理总耗时（DSP处理时间 + 模型分类时间），单位：毫秒
print('Result (%d ms.) ' % (res['timing']['dsp'] + res['timing']['classification']), end='')
# 遍历所有分类标签，打印每个标签的置信度（保留2位小数）
for label in labels:
# 获取当前标签的置信度分数（0~1之间，越接近1表示越匹配）
score = res['result']['classification'][label]
# 打印标签名和置信度，end=''表示不换行
print('%s: %.2f\t' % (label, score), end='')
# 换行并强制刷新输出缓冲区（确保实时打印结果）
print('', flush=True)
# 分支2：推理结果为自由格式输出（freeform，适用于自定义输出的模型）
elif "freeform" in res['result'].keys():
# 打印推理总耗时
print('Result (%d ms.)' % (res['timing']['dsp'] + res['timing']['classification']))
# 遍历自由格式输出的每一项，打印详细数据（保留4位小数）
for i in range(0, len(res['result']['freeform'])):
print(f' Freeform output {i}:', ", ".join(f"{x:.4f}" for x in res['result']['freeform'][i]))
# 分支3：未知的推理结果格式（兜底处理）
else:
# 打印推理总耗时
print('Result (%d ms.)' % (res['timing']['dsp'] + res['timing']['classification']))
# 直接打印原始结果，便于排查未知格式问题
print(res['result'])
# finally块：无论try块是否抛出异常，都会执行，确保资源释放
finally:
# 如果runner实例已初始化，调用stop()停止音频采集，释放硬件资源
if (runner):
runner.stop()
# 程序入口：当脚本直接运行时，执行main函数
# sys.argv[1:] 表示截取命令行参数（排除第一个参数，即脚本名）
if __name__ == '__main__':
main(sys.argv[1:])实际执行就是 python classify.py xiaoche.eim 1
其中classify.py 就是语音关键词分类程序
xiaoche.eim就是我们训练获得的模型文件
1 对应声卡编号。
也可以运行python classify.py xiaoche.eim ，在随后地选项中选择对应声卡
我的树莓派原本只插了一个USB麦克风，默认为编号0（0 --> USB2.0 Device: Audio (hw:2,0)），但输入编号0，系统提示
That device is not compatible
查了很多资料，发现原来是USB麦克风默认44KHZ，不支持16KHZ（前面有提），实际上目前主流的模型都是用的16KHZ，那该怎么办，我在网上搜索如何设置麦克风采样频率，最终找到了答案。
首先安装PulseAudio
sudo apt install pulseaudio
PulseAudio 是一个在 Linux 及其他类 Unix 操作系统中广泛使用的声音服务器（Sound Server），它为不同的音频应用程序提供了一种中间层，以方便管理和控制音频流。是一个“声音服务器”，可以在后台运行并管理来自不同程序的音频流。通过 PulseAudio，用户可以在系统上灵活、统一地控制和混合音频输出和输入。
其次设置麦克风采样频率为16000HZ
将备用采样率从48000编辑为16000是解决我的问题的关键。 该文件位于此处：/etc/pulse/daemon.conf。 我们可以使用sudo nano daemon.conf在Raspberian上打开并编辑此文件。 然后，我们需要将alternate-sample-rate = 16000写入。保存文件并退出nano。然后使用pulseaudio -k重新启动Pulseaudio，以确保它运行更改后的文件。
进行上述操作后，就多了一个声卡1，选择声卡1就可以正常工作了。
第三部分：树莓派底层硬件驱动 •(基于python)
这部分相对简略一点，网上有很多资料，但一样踩了坑。
也就是不进入python虚拟环境，可以正常进行GPIO驱动，但一旦进入python虚拟环境，就驱动失败，而如不进入虚拟环境，就没办法运行edge impulse程序。
最终通过以下命令解决：
sudo dpkg -i wiringpi_3.10_arm64.deb sudo apt install build-essential python3-dev gcc pip install rpi-lgpio
最关键的关键词识别与对应的动作执行，发生在classify.py的for label in labels中
分别对Label（也就是关键词）和置信度进行判断，如果符合要求，就判断识别关键词，进而执行对应操作。
# 场景1：模型输出为分类结果（最常见场景，如声音识别）
if "classification" in res["result"].keys():
print(f'推理结果（耗时{total_time}毫秒） ', end='')
# 遍历所有分类标签，打印每个标签的置信度（保留2位小数）
for label in labels:
score = res['result']['classification'][label] # 标签对应的置信度（0-1）
if(label == "qianjin"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n前进")
qianjin()
if(label == "daoche"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n倒车")
daoche()
if(label == "tingche"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.8:
print("\n停车")
tingche()
if(label == "zuozhuan"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.8:
print("\n左转")
zuozhuan()
time.sleep(2) # 延时2秒
qianjin()
if(label == "youzhuan"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n右转")
youzhuan()
time.sleep(2) # 延时2秒
qianjin()
print('', flush=True) # 换行并强制刷新输出缓冲区“前进”：所有轮子正转
“倒车”：所有轮子反转
“停车”：所有轮子不转
“左转”：左侧2个轮子不转，右侧2个轮子正转
“右转”：右侧2个轮子不转，左侧2个轮子正转
最终完整程序：
# coding=gbk
# 导入必要的系统和第三方库
import os # 用于文件路径处理
import sys, getopt # sys用于系统参数和退出控制，getopt用于解析命令行参数
import signal # 用于捕获中断信号（如Ctrl+C），实现优雅退出
import time # 时间相关功能（本程序未直接使用，保留为潜在扩展）
# 从Edge Impulse Linux SDK导入音频模型运行核心类
from edge_impulse_linux.audio import AudioImpulseRunner
import RPi.GPIO as GPIO
import time
GPIO.setmode(GPIO.BCM)
# 将 GPIO 引脚设置为输出模式
GPIO.setup(26, GPIO.OUT) #A1
GPIO.setup(19, GPIO.OUT) #A2
GPIO.setup(13, GPIO.OUT) #B1
GPIO.setup(6, GPIO.OUT) #B2
GPIO.setup(21, GPIO.OUT) #C1
GPIO.setup(20, GPIO.OUT) #C2
GPIO.setup(16, GPIO.OUT) #D1
GPIO.setup(12, GPIO.OUT) #D2
def qianjin():
GPIO.output(26,GPIO.LOW)
GPIO.output(19,GPIO.HIGH)
GPIO.output(13,GPIO.LOW)
GPIO.output(6,GPIO.HIGH)
GPIO.output(21,GPIO.LOW)
GPIO.output(20,GPIO.HIGH)
GPIO.output(16,GPIO.LOW)
GPIO.output(12,GPIO.HIGH)
def daoche():
GPIO.output(26,GPIO.HIGH)
GPIO.output(19,GPIO.LOW)
GPIO.output(13,GPIO.HIGH)
GPIO.output(6,GPIO.LOW)
GPIO.output(21,GPIO.HIGH)
GPIO.output(20,GPIO.LOW)
GPIO.output(16,GPIO.HIGH)
GPIO.output(12,GPIO.LOW)
def tingche():
GPIO.output(26,GPIO.LOW)
GPIO.output(19,GPIO.LOW)
GPIO.output(13,GPIO.LOW)
GPIO.output(6,GPIO.LOW)
GPIO.output(21,GPIO.LOW)
GPIO.output(20,GPIO.LOW)
GPIO.output(16,GPIO.LOW)
GPIO.output(12,GPIO.LOW)
def zuozhuan():
GPIO.output(26,GPIO.LOW)
GPIO.output(19,GPIO.HIGH)
GPIO.output(13,GPIO.LOW)
GPIO.output(6,GPIO.LOW)
GPIO.output(21,GPIO.LOW)
GPIO.output(20,GPIO.HIGH)
GPIO.output(16,GPIO.LOW)
GPIO.output(12,GPIO.LOW)
def youzhuan():
GPIO.output(26,GPIO.LOW)
GPIO.output(19,GPIO.LOW)
GPIO.output(13,GPIO.LOW)
GPIO.output(6,GPIO.HIGH)
GPIO.output(21,GPIO.LOW)
GPIO.output(20,GPIO.LOW)
GPIO.output(16,GPIO.LOW)
GPIO.output(12,GPIO.HIGH)
# 全局变量：音频模型运行器实例（初始化为None）
runner = None
def signal_handler(sig, frame):
"""
信号处理函数：捕获中断信号（Ctrl+C），实现程序优雅退出
:param sig: 信号类型（此处为SIGINT）
:param frame: 当前栈帧（无需手动处理）
"""
print('Interrupted') # 打印中断提示
if (runner): # 若模型运行器已初始化，停止运行器释放资源
runner.stop()
sys.exit(0) # 退出程序
# 注册SIGINT信号（Ctrl+C）的处理器
signal.signal(signal.SIGINT, signal_handler)
def help():
"""打印程序使用帮助信息，指导用户传入正确参数"""
print('python classify.py <path_to_model.eim> <audio_device_ID, optional>' )
# 提示格式说明：
# <path_to_model.eim>：必选参数，Edge Impulse导出的音频模型文件路径（.eim格式）
# <audio_device_ID, optional>：可选参数，音频输入设备ID（不填则自动选择）
def main(argv):
"""
程序主函数：解析参数、加载模型、启动音频采集与分类推理
:param argv: 命令行传入的参数列表（不含脚本名称）
"""
try:
# 解析命令行参数：支持短选项-h和长选项--help（用于查看帮助）
opts, args = getopt.getopt(argv, "h", ["--help"])
except getopt.GetoptError:
# 若参数解析失败（如传入无效选项），打印帮助并退出
help()
sys.exit(2) # 退出码2表示参数错误
# 处理解析后的参数
for opt, arg in opts:
if opt in ('-h', '--help'): # 用户请求帮助
help()
sys.exit() # 正常退出
# 检查必选参数（模型路径）是否传入
if len(args) == 0:
print("错误：未传入模型文件路径！")
help()
sys.exit(2)
# 提取命令行参数
model = args[0] # 第一个参数：模型文件路径（相对路径或绝对路径）
# 获取当前脚本的绝对目录路径（确保模型路径拼接正确）
dir_path = os.path.dirname(os.path.realpath(__file__))
# 拼接模型文件的绝对路径（避免相对路径导致的文件找不到问题）
modelfile = os.path.join(dir_path, model)
# 初始化音频模型运行器（使用with语句自动管理资源，退出时释放）
with AudioImpulseRunner(modelfile) as runner:
try:
# 初始化模型：加载模型元信息（项目信息、标签、输入格式等）
model_info = runner.init()
# 可选：开启调试模式并设置60秒超时（用于排查模型加载问题）
# model_info = runner.init(debug=True, timeout=60)
# 从模型信息中提取分类标签（如["cat", "dog", "background"]）
labels = model_info['model_parameters']['labels']
# 打印模型加载成功信息（显示模型所属项目和名称）
print('Loaded runner for "' + model_info['project']['owner'] + ' / ' + model_info['project']['name'] + '"')
# 音频设备ID：默认None（让SDK自动选择适配模型的音频设备）
selected_device_id = None
# 若传入第二个参数（设备ID），则手动指定音频设备
if len(args) >= 2:
selected_device_id = int(args[1])
print(f"已指定音频设备ID：{selected_device_id}")
# 启动实时音频采集与分类推理循环
# runner.classifier()：持续采集音频，运行DSP预处理和模型推理
# 返回值res：推理结果（含分类分数、耗时）；audio：原始音频数据
for res, audio in runner.classifier(device_id=selected_device_id):
# 计算总推理耗时（DSP预处理耗时 + 模型分类耗时）
total_time = res['timing']['dsp'] + res['timing']['classification']
# 场景1：模型输出为分类结果（最常见场景，如声音识别）
if "classification" in res["result"].keys():
print(f'推理结果（耗时{total_time}毫秒） ', end='')
# 遍历所有分类标签，打印每个标签的置信度（保留2位小数）
for label in labels:
score = res['result']['classification'][label] # 标签对应的置信度（0-1）
if(label == "qianjin"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n前进")
qianjin()
if(label == "daoche"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n倒车")
daoche()
if(label == "tingche"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.8:
print("\n停车")
tingche()
if(label == "zuozhuan"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.8:
print("\n左转")
zuozhuan()
time.sleep(2) # 延时2秒
qianjin()
if(label == "youzhuan"):
print(f'{label}: {score:.2f}\t', end='') # 制表符分隔，保持格式整洁
if score > 0.6:
print("\n右转")
youzhuan()
time.sleep(2) # 延时2秒
qianjin()
print('', flush=True) # 换行并强制刷新输出缓冲区
# 场景2：模型输出为自由格式结果（如回归任务、自定义输出）
elif "freeform" in res['result'].keys():
print(f'推理结果（耗时{total_time}毫秒）')
# 遍历自由格式输出的每个维度，打印数值（保留4位小数）
for i in range(0, len(res['result']['freeform'])):
output_values = res['result']['freeform'][i]
print(f' 自由格式输出{i}：{", ".join(f"{x:.4f}" for x in output_values)}')
# 场景3：其他未定义的输出格式（直接打印原始结果）
else:
print(f'推理结果（耗时{total_time}毫秒）')
print(res['result']) # 打印原始字典格式结果
finally:
# 无论循环是否正常结束，都确保停止运行器释放资源
if (runner):
runner.stop() # 停止音频采集和模型推理
# 程序入口：若直接运行本脚本，则执行main函数
if __name__ == '__main__':
# 传入命令行参数（排除脚本名称本身，取sys.argv[1:]）
main(sys.argv[1:])最后，非常感谢EEPW和e络盟举行的"Raspberry Pi 5开发方案创意征集赛"
让我们以项目制的方式，收获了知识，丰富了经验，虽然过程中会出现卡壳，甚至自我怀疑
但凭着不服输的拼劲，大量调试、查找资料、不断试错，最终终于调通程序后的欢喜，是无以言表的。
后续，有时间我会进一步拓展视觉识别，让这个小车更加智能!
我要赚赏金
STM32
MCU
通讯及无线技术
物联网技术
电子DIY
板卡试用
基础知识
软件与操作系统
我爱生活
小e食堂
