Detekce objektů Raspberry Pi: 7 kroků

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:20

Tato příručka poskytuje podrobné pokyny, jak nastavit API pro detekci objektů TensorFlow na Raspberry Pi. Podle kroků v této příručce budete moci pomocí svého Raspberry Pi provádět detekci objektů na živém videu z webové kamery Picamera nebo USB. Ruční strojové učení není vyžadováno, protože se používá v online databázi pro detekci objektů. Můžete detekovat většinu objektů, které se běžně používají po celém světě.

Podívejte se prosím na můj výše uvedený obrázek, použili jsme myš, Apple a Nůžky a objekt jsme detekovali perfektně.

Průvodce prochází následujícími kroky:

Aktualizujte Raspberry Pi

Nainstalujte si TensorFlowInstall OpenCV

Zkompilujte a nainstalujte Protobuf

Nastavte adresářovou strukturu TensorFlow

Detekovat objekty

Krok 1: Aktualizujte Raspberry Pi

Váš Raspberry Pi je třeba aktualizovat

Krok 1:

Zadejte příkazový terminál, sudo apt-get update

A pak zadejte

sudo apt-get dist-upgrade

To může trvat dlouho, záleží na vašem internetu a Raspberry pi

To je vše, co potřebujete, dokončili jste aktualizaci Raspberry pi

Krok 2: Nainstalujte si TensorFlow

Nyní se chystáme nainstalovat Tensorflow.

Zadejte následující příkaz, pip3 nainstalujte TensorFlow

TensorFlow také potřebuje balíček LibAtlas, zadejte následující příkaz

sudo apt-get install libatlas-base-dev

A zadejte také následující příkaz, sudo pip3 install polštář lxml jupyter matplotlib cythonsudo apt-get install python-tk

Nyní jsme dokončili instalaci Tensorflow.

Krok 3: Nainstalujte OpenCV

Nyní pracujeme na instalaci knihovny OpenCV, protože příklady detekce objektů TensorFlow používají matplotlib k zobrazování obrázků, ale já jsem se rozhodl cvičit OpenCV, protože je snazší pracovat a méně chyb. Musíme tedy nainstalovat OpenCV. OpenCV nyní nepodporuje RPI, takže se chystáme nainstalovat starší Verision.

Nyní pracujeme na instalaci několika závislostí, které je třeba nainstalovat pomocí 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

Nakonec můžeme nyní nainstalovat OpenCV zadáním, pip3 install opencv-python == 3.4.6.27

To je vše, nyní jsme nainstalovali OpenCV

Krok 4: Nainstalujte si Protobuf

Rozhraní API pro detekci objektů TensorFlow používá Protobuf, balíček, který překonává datový formát Google Protocol Buffer. Musíte kompilovat ze zdroje, nyní můžete snadno nainstalovat.

sudo apt-get install protobuf-kompilátor

Jakmile je hotovo, spusťte protoc --version. Měli byste dostat odpověď libprotoc 3.6.1 nebo podobnou.

Krok 5: Nastavení struktury adresáře TensorFlow

Nainstalovali jsme všechny balíčky, chceme nastavit adresář pro TensorFlow. Z domovského adresáře vytvořte název adresáře s názvem „tensorflow1“, Zadejte následující, mkdir tensorflow1cd tensorflow1

Nyní si stáhněte TensorFlow zadáním, git clone -hloubka 1

Chceme upravit proměnnou prostředí PYTHONPATH tak, aby směřovala do některých adresářů uvnitř úložiště TensorFlow. PYTHONPATH potřebujeme nastavit pokaždé. Musíme upravit soubor.bashrc. Musíme to otevřít zadáním textu

sudo nano ~/.bashrc

Na konec souboru a poslední řádek přidejte příkaz, jako na horním obrázku, který je označen v červeném poli barvy.

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

Nyní uložte a ukončete. Potřebujeme použít Protoc ke kompilaci souborů Protocol Buffer (.proto) používaných rozhraním API pro detekci objektů. Soubory.proto jsou umístěny v /research /object_detection /protos, příkaz chceme spustit z adresáře /research. Zadejte následující příkaz

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

Tento příkaz změní všechny soubory „name“.proto na soubory.py „name_pb2“.

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

Potřebujeme stáhnout model SSD_Lite z modelové zoo TensorFlowdetection. K tomu chceme použít SSDLite-MobileNet, což je nejrychlejší model existující pro RPI.

Google donekonečna vydává modely se zvýšenou rychlostí a výkonem, proto často kontrolujte, zda nejsou nějaké vylepšené modely.

Chcete-li stáhnout model SSDLite-MobileNet, zadejte následující příkaz.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Nyní můžeme procvičovat modely Object_Detction!

Jsme téměř hotovi!

Krok 6: Detekce objektu

Nyní je celá věc nastavena pro detekci prováděcích objektů na Pi!

Object_detection_picamera.py detekuje živé objekty z webové kamery Picamera nebo USB.

Pokud používáte Picameru, změňte konfiguraci Raspberry Pi v nabídce jako na výše uvedeném obrázku označeném červeně.

Zadejte následující příkaz a stáhněte soubor Object_detection_picamera.py do adresáře object_detection.

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

python3 Object_detection_picamera.py

Zadejte následující příkaz pro USB kameru

python3 Object_detection_picamera.py --usbcam

Spustí se jeden příkaz, po 1 minutě se otevře nové okno, které začne detekovat objekty !!!

Krok 7: Problémy a děkuji

Pokud máte nějaké dotazy, dejte mi prosím vědět

E -mail: [email protected]

Děkuji, Rithik