Detekcia objektu Raspberry Pi: 7 krokov

2024 Autor: John Day | [email protected]. Naposledy zmenené: 2024-01-30 11:57

Táto príručka poskytuje podrobné pokyny o tom, ako nastaviť rozhranie API na detekciu objektov TensorFlow na Raspberry Pi. Podľa krokov v tejto príručke budete môcť svoj Raspberry Pi používať na detekciu objektov na živom videu z webovej kamery Picamera alebo USB. Ručné strojové učenie sa nevyžaduje, ako sa používa v online databáze na detekciu objektov. Môžete detekovať väčšinu predmetov, ktoré sa bežne používajú na celom svete.

Pozrite sa na môj vyššie uvedený obrázok, použili sme myš, Apple a nožnice a objekt sme perfektne detekovali.

Sprievodca prechádza týmito krokmi:

Aktualizujte Raspberry Pi

Nainštalujte TensorFlowInstall OpenCV

Skompilujte a nainštalujte Protobuf

Nastavte adresárovú štruktúru TensorFlow

Detekujte objekty

Krok 1: Aktualizujte Raspberry Pi

Váš Raspberry Pi je potrebné aktualizovať

Krok 1:

Zadajte príkazový terminál, sudo apt-get aktualizácia

A potom Napíšte

sudo apt-get dist-upgrade

To môže trvať dlho, záleží na vašom internete a Raspberry pi

To je všetko, čo ste potrebovali. Dokončili ste aktualizáciu svojho Raspberry pi

Krok 2: Nainštalujte TensorFlow

Teraz nainštalujeme Tensorflow.

Zadajte nasledujúci príkaz, pip3 nainštalujte TensorFlow

TensorFlow tiež potrebuje balík LibAtlas, zadajte nasledujúci príkaz

sudo apt-get install libatlas-base-dev

A zadajte aj nasledujúci príkaz, sudo pip3 inštalovať vankúš lxml jupyter matplotlib cythonsudo apt-get nainštalovať python-tk

Teraz sme dokončili inštaláciu Tensorflow.

Krok 3: Nainštalujte OpenCV

Teraz pracujeme na inštalácii knižnice OpenCV, pretože príklady detekcie objektov TensorFlow používajú na zobrazenie obrázkov matplotlib, ale ja som sa rozhodol cvičiť OpenCV, pretože je jednoduchšie s ním pracovať a mať menej chýb. Musíme teda nainštalovať OpenCV. OpenCV teraz nepodporuje RPI, takže ideme nainštalovať starší Verision.

Teraz pracujeme na inštalácii niekoľkých závislostí, ktoré je potrebné nainštalovať pomocou 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

Nakoniec, teraz môžeme nainštalovať OpenCV zadaním, pip3 nainštalujte opencv-python == 3.4.6.27

To je všetko, teraz sme nainštalovali OpenCV

Krok 4: Nainštalujte Protobuf

Rozhranie API na zisťovanie objektov TensorFlow používa Protobuf, balík, ktorý prevyšuje formát údajov vyrovnávacej pamäte protokolu Google. Musíte skompilovať zo zdroja, teraz to môžete ľahko nainštalovať.

sudo apt-get install protobuf-kompilátor

Akonáhle je to hotové, spustite protoc --version. Mali by ste dostať odpoveď na libprotoc 3.6.1 alebo podobný.

Krok 5: Nastavte štruktúru adresára TensorFlow

Nainštalovali sme všetky balíky, chceme nastaviť adresár pre TensorFlow. Z domovského adresára vytvorte názov adresára s názvom „tensorflow1“, Napíšte nasledujúce, mkdir tensorflow1cd tensorflow1

Teraz si stiahnite TensorFlow zadaním, git clone -hĺbka 1

Chceme upraviť premennú prostredia PYTHONPATH tak, aby smerovala do niektorých adresárov vo vnútri úložiska TensorFlow. PYTHONPATH potrebujeme nastaviť zakaždým. Musíme upraviť súbor.bashrc. Musíme ho otvoriť zadaním textu

sudo nano ~/.bashrc

Na koniec súboru a do posledného riadka pridajte príkaz, ako na horný obrázok, ktorý je označený v červenom poli s farbou.

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

Teraz uložte a ukončite. Na kompiláciu súborov vyrovnávacej pamäte protokolu (.proto), ktoré používa rozhranie Object Detection API, musíme použiť protokol Protoc. Súbory.proto sa nachádzajú v adresári /research /object_detection /protos, príkaz chceme vykonať z adresára /research. Zadajte nasledujúci príkaz

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

Tento príkaz zmení všetky súbory „name“.proto na súbory.py „name_pb2“.

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

Potrebujeme stiahnuť model SSD_Lite z modelovej zoo TensorFlowdetection. Na to chceme použiť SSDLite-MobileNet, ktorý je najrýchlejším modelom existujúcim pre RPI.

Google neustále vydáva modely so zvýšenou rýchlosťou a výkonom, preto často kontrolujte, či existujú vylepšené modely.

Na stiahnutie modelu SSDLite-MobileNet zadajte nasledujúci príkaz.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Teraz môžeme precvičovať modely Object_Detction!

Už sme skoro hotoví!

Krok 6: Detekcia objektu

Teraz je celá vec nastavená na detekciu objektov spustenia na Pi!

Object_detection_picamera.py detekuje živé objekty z webovej kamery Picamera alebo USB.

Ak používate Picameru, zmeňte konfiguráciu Raspberry Pi v ponuke ako na vyššie uvedenom obrázku označenom červeným políčkom.

Zadajte nasledujúci príkaz a stiahnite súbor Object_detection_picamera.py do adresára 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

Zadajte nasledujúci príkaz pre USB kameru

python3 Object_detection_picamera.py --usbcam

Vykoná sa jeden príkaz, po 1 minúte sa otvorí nové okno, ktoré začne rozpoznávať objekty !!!

Krok 7: Problémy a ďakujem

Ak máte nejaké otázky, dajte nám prosím vedieť

E -mail: [email protected]

Ďakujem, Rithik