Raspberry Pi Object Detection: 7 стъпки

2024 Автор: John Day | [email protected]. Последно модифициран: 2024-01-30 07:51

Това ръководство предоставя инструкции стъпка по стъпка как да настроите API за откриване на обекти на TensorFlow на Raspberry Pi. Следвайки стъпките в това ръководство, ще можете да използвате вашия Raspberry Pi за извършване на откриване на обекти на видео на живо от Picamera или USB уеб камера. Не се изисква ръчно машинно обучение, както се използва в онлайн базата данни за откриване на обекти. Можете да откриете повечето обекти, които обикновено се използват по целия свят.

Моля, вижте горната ми снимка, използвахме мишка, Apple и ножици и открихме перфектно обекта.

Ръководството преминава през следните стъпки:

Актуализирайте Raspberry Pi

Инсталирайте TensorFlowInstall OpenCV

Компилирайте и инсталирайте Protobuf

Настройте структурата на директориите на TensorFlow

Открийте обекти

Стъпка 1: Актуализирайте Raspberry Pi

Вашият Raspberry Pi трябва да бъде актуализиран

Етап 1:

Въведете командния терминал, sudo apt-get update

И след това въведете

sudo apt-get dist-upgrade

Това може да отнеме много време зависи от вашия интернет и малиново пи

Това е всичко, от което се нуждаете, приключихте с актуализирането на Raspberry pi

Стъпка 2: Инсталирайте TensorFlow

Сега ще инсталираме Tensorflow.

Въведете следната команда, pip3 инсталирайте TensorFlow

TensorFlow също се нуждае от пакета LibAtlas, Въведете следната команда

sudo apt-get install libatlas-base-dev

И въведете и следната команда, sudo pip3 инсталирайте възглавница lxml jupyter matplotlib cythonsudo apt-get инсталирайте python-tk

Сега приключихме с инсталирането на Tensorflow.

Стъпка 3: Инсталирайте OpenCV

Сега работим за инсталиране на OpenCV библиотека, защото примерите за откриване на обекти на TensorFlow използват matplotlib за показване на изображения, но аз избирам да практикувам OpenCV, тъй като е по -лесно да се работи с и по -малко грешки. Така че трябва да инсталираме OpenCV. Сега OpenCV не поддържа RPI, така че ще инсталираме по -стара Verision.

Сега работим за инсталиране на няколко зависимости, които трябва да бъдат инсталирани чрез 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

И накрая, сега можем да инсталираме OpenCV, като въведем, pip3 инсталирайте opencv-python == 3.4.6.27

Това е всичко, сега инсталирахме OpenCV

Стъпка 4: Инсталирайте Protobuf

API за откриване на обекти TensorFlow използва Protobuf, пакет, който подхожда на формата за данни на Google Protocol Buffer. Трябва да компилирате от източник, сега можете да инсталирате лесно.

sudo apt-get install protobuf-компилатор

Стартирайте protoc --version, след като това е направено. Трябва да получите отговор на libprotoc 3.6.1 или подобен.

Стъпка 5: Настройте структурата на директорията на TensorFlow

Инсталирахме всички пакети, искаме да настроим директория за TensorFlow. От началната директория създайте име на директория, наречено „tensorflow1“, Въведете следното, mkdir tensorflow1cd tensorflow1

Сега изтеглете TensorFlow, като въведете, git clone --depth 1

Искаме да променим променливата на средата PYTHONPATH, за да насочва към някои директории в хранилището на TensorFlow. Имаме нужда PYTHONPATH да се настройва всеки път. Трябва да коригираме.bashrc файла. Трябва да го отворим чрез въвеждане

sudo nano ~/.bashrc

В края на файла и последния ред добавете командата, както в горното изображение, което е маркирано в полето с червен цвят.

експортиране на PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/models/research:/home/pi/tensorflow1/models/research/slim

Сега запишете и излезте. Трябва да използваме Protoc, за да компилираме файловете на буфера на протокола (.proto), използвани от API за откриване на обекти. Файловете.proto се намират в /research /object_detection /protos, искаме да изпълним командата от директорията /research. Въведете следната команда

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

Тази команда променя всички "name".proto файлове в "name_pb2".py файлове.

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

Трябва да изтеглим модела SSD_Lite от зоологическата градина на модела TensorFlowdetection. За това искаме да използваме SSDLite-MobileNet, който е най-бързият модел, съществуващ за RPI.

Google безкрайно пуска модели с повишена скорост и производителност, така че проверявайте често дали има подобрени модели.

Въведете следната команда, за да изтеглите модела SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Сега можем да практикуваме моделите Object_Detction!

Почти свършихме!

Стъпка 6: Открийте обект

Сега всичко е настроено за откриване на обекти за изпълнение на Pi!

Object_detection_picamera.py открива обекти на живо от Picamera или USB уеб камера.

Ако използвате Picamera, направете промяна на конфигурацията на Raspberry Pi меню, подобно на горната картина, маркирана в червено.

Въведете следната команда, за да изтеглите файла Object_detection_picamera.py в директорията object_detection.

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

python3 Object_detection_picamera.py

Въведете следната команда за USB камера

python3 Object_detection_picamera.py --usbcam

Една команда се изпълнява, след 1 минута се отваря нов прозорец, който ще започне да открива обектите !!!

Стъпка 7: Проблеми и благодаря

Моля, уведомете ме, ако имате въпроси

Имейл: [email protected]

Благодаря ти, Ритик