数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量

MediaPipe是⼀款由Google开发并开源的数据流处理机器学习应⽤开发框架。它是⼀个基于图的数据处理管线，⽤于构建使⽤了多种形式的数据源，如视频、⾳频、传感器数据以及任何时间序列数据。MediaPipe是跨平台的，可以运⾏在嵌⼊式平台(树莓派等)，移动设备(iOS和Android)，⼯作站和服务器上，并⽀持移动端GPU加速。MediaPipe为实时和流媒体提供跨平台、可定制的ML解决⽅案。M

小车启动，终端运行程序，rviz中会显示URDF模型。

小车启动，终端运行程序，rviz中会显示URDF模型。

YOLOv5是UItralyties开发的一种目标检测算法。它是YOLO（You Only Look Once）系列实时目标检测模型的演变。YOL0v5 建立在早期版本（如 YOLOv4 和 YOLOv3）的基础上，在准确性和速度方面进行了多项改进。YOLOv5快速且易于使用，它基于PyTorch框架，该框架拥有比YOLOv4 Darknet更大的社区。安装简单明了，YOLOv5是YOLO系列的一

网络配置主要介绍WiFi的连接和热点的开启。

前面利用了颜色对象在摄像头画面的x，y不同位置通过云台进行跟踪，接下来我们可以在这个基础上修改下，x方向改为车身左右运动进行跟随，然后根据识别的图像外切圆大小进行前进的控制，通过二者叠加来整体控制小车电机运动。

结合摄像头云台实现人脸追踪。通过对人脸对象进行识别，并检测识别到的人脸的外切圆的圆形的x,y坐标与画面中心的差值，运用PID算法控制舵机运动使识别目标位于画面中心位置。

结合硬件，完成摄像头云台颜色追踪，通过对红色对象进行识别，并检测识别颜色的外切圆的圆形的x,y坐标与画面中心的差值，运用PID算法控制舵机运动使识别目标位于画面中心位置。

前面我们介绍了使用 MediaPipe 实现手势识别，这章节我们利用 MediaPipe 结合手势识别和麦轮以及云台的控制，实现小车跟随手部，用手势控制小车运动的功能。