Detekce objektů W/ Dragonboard 410c nebo 820c pomocí OpenCV a Tensorflow .: 4 kroky

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:21

Tento instructables popisuje, jak nainstalovat OpenCV, Tensorflow a rámce strojového učení pro Python 3.5 ke spuštění aplikace Object Detection.

Krok 1: Požadavky

Budete potřebovat následující položky:

• DragonBoard ™ 410c nebo 820c;

• Čistá instalace Linaro-alip:

  • DB410c: testováno ve verzi v431. Odkaz:
  • DB820c: testováno ve verzi v228. Odkaz:
• Minimálně 16GB karta MicroSD (pokud používáte 410c);

Stáhněte si soubor (Na konci tohoto kroku), rozbalte a zkopírujte na kartu MicroSD; Pozor: Pokud používáte DB820c, stáhněte soubor, rozbalte a přesuňte se na/home/*USER*/, abyste usnadnili používání příkazů.

• USB rozbočovač;
• USB kamera (kompatibilní s Linuxem);
• Myš a klávesnice USB;
• Připojení k internetu.

Pozor: Pokud je to možné, řiďte se těmito pokyny v prohlížeči DragonBoard, což usnadňuje kopírování příkazů

Krok 2: Montáž karty MicroSD (pouze W/ DB410c)

• Otevřete terminál v Dragonboardu;
• V terminálu spusťte fdisk:

$ sudo fdisk -l

• Vložte kartu MicroSD do slotu pro kartu MicroSD DragonBoard;
• Znovu spusťte fdisk a v seznamu vyhledejte název (a oddíl) nového zařízení (např. Mmcblk1p1)

$ sudo fdisk -l

Přejděte do kořenového adresáře:

$ cd ~

Vytvořit složku:

$ mkdir sdfolder

Namontujte kartu MicroSD:

$ mount / dev / sdfolder

Krok 3: Instalace požadovaných rámců

• Otevřete terminál v Dragonboardu;
• V terminálu přejděte do zvoleného adresáře (pomocí „~“pro 820c a připojené karty SDCard pro 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Přejděte do složky skriptů Object Detector:

$ cd object_detector_tensorflow_opencv/skripty/

Spusťte skript pro nastavení prostředí:

$ sudo bash set_Env.sh

Aktualizujte systém:

$ sudo apt update

Nainstalujte si tyto balíčky:

$ sudo apt install -y protobuf-compiler gcc-aarch64-linux-gnu

g ++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip unzip python python-pip g ++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libpng-dev build-essential cmake libreadline-gplv2-dev libncursesw5-dev libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev libjpeg-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore-dev lib2 libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Přejít do tohoto adresáře:

$ cd /usr /src

Stáhněte si Python 3.5:

$ sudo wget

Extrahujte balíček:

$ sudo tar xzf Python-3.5.6.tgz

Odstraňte komprimovaný balíček:

$ sudo rm Python-3.5.6.tgz

Přejděte do adresáře Python 3.5:

$ cd Python-3.5.6

Povolit optimalizace pro kompilaci Pythonu 3.5:

$ sudo./configure --enable-optimalizace

Kompilace Pythonu 3.5:

$ sudo make altinstall

Upgradujte nástroje pip a nastavení:

$ sudo python3.5 -m pip install --upgrade pip && python3.5 -m pip install --upgrade setuptools

Nainstalovat numpy:

$ python3.5 -m pip install numpy

Přejděte do zvoleného adresáře:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Stáhnout Tensorflow 1.11 whl:

$ wget

Nainstalujte tensorflow:

$ sudo python3.5 -m pip install tensorflow-1.11.0-cp35-none-linux_aarch64.whl

Klonujte úložiště OpenCV a OpenCV Contrib:

$ sudo git clone -b 3,4 https://github.com/opencv/opencv.git && sudo git clone -b 3,4

Přejít do adresáře:

$ cd opencv

Vytvořte adresář sestavení a přejděte do něj:

$ sudo mkdir build && cd build

Spustit CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX =/usr/local -D BUILD_opencv_java = OFF -D BUILD_openCZ = $ který python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = OFF -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D WITH_CUDA = OFF -D BUILDES -DBUILD_TBB = ON -D OPENCV_ENABLE_NONFREE = ON -DBUILD_opencv_xfeatures2d = OFF -D OPENGL = ON -D OPENMP = ON -D ENABLE_NEON = ON -D BUILD_PERF_TESTS = OFF -D BUILD_OPENDN moduly..

Kompilace OpenCV se 4 jádry:

$ sudo make -j 4

Nainstalujte OpenCV:

$ sudo make install

Přejděte do zvoleného adresáře:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Přejít do adresáře skriptů:

$ cd object_detector_tensorflow_opencv/skripty/

Nainstalujte požadavky Pythonu 3.5:

$ sudo python3.5 -m pip install -r requirements.txt --no -cache -dir

Testovací importy:

$ python3.5

> import cv2 >> import tensorflow

Poznámka: Pokud cv2 vrátí chybu importu, spusťte příkaz make install ve složce sestavení OpenCV a zkuste to znovu

Přejděte do zvoleného adresáře:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Stáhněte si úložiště cocoapi:

$ git klon

Stáhnout úložiště modelů Tensorflow:

$ git clone

Přejít do tohoto adresáře:

$ cd cocoapi/PythonAPI

Upravte soubor Makefile, změňte python na python3.5 na řádku 3 a 8 a poté soubor uložte (jako příklad použijte nano):

$ nano Makefile

Sestavte cocoapi:

$ sudo make

Obs: Pokud se příkaz „make“nezkompiluje, zkuste přeinstalovat cython pomocí:

$ sudo python3.5 -m pip install cython

Zkopírujte pycocotools do adresáře tensorflow /models /research:

(820c) $ cp -r pycocotools ~/models/research/

(410c) $ cp -r pycocotools ~/sdfolder/models/research/

Přejděte do zvoleného adresáře:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Přejít do adresáře modelů/výzkumu:

$ cd modely/výzkum

Kompilovat s protokolem:

$ protoc object_detection/protos/*. proto --python_out =.

Export proměnné prostředí:

$ export PYTHONPATH = $ PYTHONPATH: `pwd`:` pwd`/slim

Otestujte prostředí:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Musí se vrátit OK, jinak aplikace nebude fungovat. Pokud ne, pečlivě vyhledejte jakoukoli chybu v procesu instalace požadovaných rámců

Krok 4: Spuštění rozhraní Object Detection API

Se všemi nakonfigurovanými rámci je nyní možné spustit rozhraní API pro detekci objektů, které používá OpenCV společně s Tensorflow.

Přejděte do zvoleného adresáře:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Přejít do adresáře pro detekci objektů:

$ cd object_detector_tensorflow_opencv/

Nyní spusťte aplikaci:

$ python3.5 app.py

Nyní bude Dragonboard streamovat video po síti. Chcete -li zobrazit výstupní video, otevřete prohlížeč v DB a přejděte na „0.0.0.0: 5000“.