„Raspberry Pi“objektų aptikimas: 7 žingsniai

2024 Autorius: John Day | [email protected]. Paskutinį kartą keistas: 2024-01-30 10:45

Šiame vadove pateikiamos nuoseklios instrukcijos, kaip nustatyti „TensorFlow“objektų aptikimo API „Raspberry Pi“. Vykdydami šiame vadove nurodytus veiksmus, galėsite naudoti „Raspberry Pi“objektams aptikti tiesioginiame vaizdo įraše iš „Picamera“arba USB kameros. Rankinis mašininis mokymasis nereikalingas, kaip naudojamas internetinėje duomenų bazėje objektams aptikti. Galite aptikti daugumą objektų, kurie dažniausiai naudojami visame pasaulyje.

Prašome žiūrėti mano paveikslėlį aukščiau, mes naudojome pelę, „Apple“ir žirkles ir puikiai aptikome objektą.

Vadovas atlieka šiuos veiksmus:

Atnaujinkite „Raspberry Pi“

Įdiekite „TensorFlowInstall OpenCV“

Sudarykite ir įdiekite „Protobuf“

Nustatykite „TensorFlow“katalogo struktūrą

Aptikti objektus

1 veiksmas: atnaujinkite „Raspberry Pi“

„Raspberry Pi“reikia atnaujinti

1 žingsnis:

Įveskite komandų terminalą, sudo apt-get atnaujinimas

Ir tada tipas

sudo apt-get dist-upgrade

Tai gali užtrukti ilgai, priklauso nuo jūsų interneto ir „Raspberry pi“

Tai viskas, ko jums reikia, baigėte atnaujinti „Raspberry pi“

2 veiksmas: įdiekite „TensorFlow“

Dabar mes ketiname įdiegti „Tensorflow“.

Įveskite šią komandą, pip3 įdiegti „TensorFlow“

„TensorFlow“taip pat reikia „LibAtlas“paketo, įveskite šią komandą

sudo apt-get install libatlas-base-dev

Taip pat įveskite šią komandą:

sudo pip3 įdiegti pagalvę lxml jupyter matplotlib cythonsudo apt-get install python-tk

Dabar mes baigėme „Tensorflow“diegimą.

3 veiksmas: įdiekite „OpenCV“

Dabar mes stengiamės įdiegti „OpenCV“biblioteką, nes „TensorFlow“objektų aptikimo pavyzdžiai vaizdams rodyti naudoja matplotlib, bet aš pasirenku praktikuoti „OpenCV“, nes lengviau dirbti ir mažiau klaidų. Taigi, turime įdiegti „OpenCV“. Dabar „OpenCV“nepalaiko RPI, todėl ketiname įdiegti senesnę „Verision“.

Dabar mes stengiamės įdiegti keletą priklausomybių, kurias reikia įdiegti naudojant apt-get

sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev

sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev

sudo apt-get install libxvidcore-dev libx264-dev

sudo apt-get install qt4-dev-tools libatlas-base-dev

Galiausiai, dabar galime įdiegti „OpenCV“įvesdami

pip3 įdiegti opencv-python == 3.4.6.27

Tai viskas, dabar įdiegėme „OpenCV“

4 veiksmas: įdiekite „Protobuf“

„TensorFlow“objektų aptikimo API naudoja „Protobuf“- paketą, kuris atitinka „Google“protokolo buferio duomenų formatą. Turite kompiliuoti iš šaltinio, dabar galite lengvai įdiegti.

sudo apt-get install protobuf-compiler

Vykdykite protokolinę versiją, kai tai bus padaryta. Turėtumėte gauti atsakymą iš libprotoc 3.6.1 ar panašios.

5 veiksmas: nustatykite „TensorFlow“katalogo struktūrą

Įdiegėme visus paketus, norime sukurti „TensorFlow“katalogą. Iš namų katalogo sukurkite katalogo pavadinimą „tensorflow1“, Įveskite šį, mkdir tensorflow1cd tensorflow1

Dabar atsisiųskite „TensorFlow“įvesdami

git klonas -gylis 1

Norime modifikuoti aplinkos kintamąjį PYTHONPATH, kad nukreiptų į kai kuriuos katalogus „TensorFlow“saugykloje. Mums reikia, kad PYTHONPATH būtų nustatytas kiekvieną kartą. Turime pakoreguoti.bashrc failą. Turime jį atidaryti rašydami

sudo nano ~/.bashrc

Failo pabaigoje ir paskutinėje eilutėje pridėkite komandą, kaip ir viršutiniame paveikslėlyje, pažymėtame raudonos spalvos laukelyje.

eksportuoti PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/models/research:/home/pi/tensorflow1/models/research/slim

Dabar išsaugokite ir išeikite. Turime naudoti „Protoc“, kad sudarytume protokolo buferio (.proto) failus, naudojamus objektų aptikimo API.. Proto failai yra aplanke /research /object_detection /protos, norime vykdyti komandą iš /research katalogo. Įveskite šią komandą

cd/home/pi/tensorflow1/models/researchprotoc object_detection/protos/*. proto --python_out =.

Ši komanda pakeičia visus „name“.proto failus į „name_pb2“.py failus.

cd/home/pi/tensorflow1/models/research/object_detection

Turime atsisiųsti „SSD_Lite“modelį iš „TensorFlowdetection“modelio zoologijos sodo. Tam norime naudoti SSDLite-MobileNet, kuris yra greičiausias RPI modelis.

„Google“be galo išleidžia modelius, kurių greitis ir našumas yra didesni, todėl dažnai tikrinkite, ar yra patobulintų modelių.

Norėdami atsisiųsti SSDLite-MobileNet modelį, įveskite šią komandą.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Dabar galime praktikuoti Object_Detction modelius!

Mes beveik baigėme!

6 žingsnis: aptikti objektą

Dabar viskas paruošta vykdymo objekto aptikimui „Pi“!

Object_detection_picamera.py aptinka objektus tiesiogiai iš „Picamera“arba USB žiniatinklio kameros.

Jei naudojate „Picamera“, pakeiskite „Raspberry Pi“konfigūraciją į meniu, panašų į aukščiau pateiktą paveikslėlį, pažymėtą raudonos spalvos langeliu.

Įveskite šią komandą, kad atsisiųstumėte failą Object_detection_picamera.py į objektą aptikimo katalogą.

wget https://raw.githubusercontent.com/EdjeElectronics/ TensorFlow-Object-Detection-on-the-Raspberry-Pi/master/Object_detection_picamera.py

python3 Object_detection_picamera.py

Įveskite šią USB kameros komandą

python3 Object_detection_picamera.py -usbcam

Viena komanda vykdoma, po 1 minutės atidaromas naujas langas, kuris pradės aptikti objektus !!!

7 žingsnis: problemos ir ačiū

Jei turite klausimų, praneškite man

Paštas: [email protected]

Ačiū, Rithik