Detectarea obiectelor Raspberry Pi: 7 pași

2024 Autor: John Day | [email protected]. Modificat ultima dată: 2024-01-30 11:43

Acest ghid oferă instrucțiuni pas cu pas pentru configurarea API-ului de detectare a obiectelor TensorFlow pe Raspberry Pi. Urmând pașii din acest ghid, veți putea folosi Raspberry Pi pentru a efectua detectarea obiectelor pe videoclipuri live de pe o cameră web Picamera sau USB. Învățarea automată manuală nu este necesară, așa cum este utilizată în baza de date online pentru detectarea obiectelor. Puteți detecta majoritatea obiectelor utilizate în mod obișnuit la nivel mondial.

Vă rugăm să consultați imaginea mea de mai sus, am folosit un mouse, Apple și foarfece și am detectat perfect obiectul.

Ghidul parcurge următorii pași:

Actualizați Raspberry Pi

Instalați TensorFlow Instalați OpenCV

Compilați și instalați Protobuf

Configurați structura directorului TensorFlow

Detectează obiecte

Pasul 1: Actualizați Raspberry Pi

Raspberry Pi trebuie actualizat

Pasul 1:

Tastați terminalul de comandă, sudo apt-get update

Și apoi introduceți

sudo apt-get dist-upgrade

Acest lucru poate dura mult timp depinde de internetul dvs. și de Raspberry pi

Asta este tot ce ai nevoie, ai terminat de actualizat Raspberry pi

Pasul 2: Instalați TensorFlow

Acum, vom instala Tensorflow.

Tastați următoarea comandă, pip3 instalează TensorFlow

TensorFlow are nevoie și de pachetul LibAtlas, introduceți următoarea comandă

sudo apt-get install libatlas-base-dev

Și tastați și această comandă următoare, sudo pip3 instala pernă lxml jupyter matplotlib cythonsudo apt-get install python-tk

Acum, am terminat instalarea Tensorflow.

Pasul 3: Instalați OpenCV

Acum lucrăm la instalarea bibliotecii OpenCV, deoarece exemplele de detectare a obiectelor de la TensorFlow folosesc matplotlib pentru a afișa imagini, dar aleg să practic OpenCV, deoarece este mai ușor să lucrezi cu și mai puține erori. Deci, trebuie să instalăm OpenCV. Acum, OpenCV nu acceptă RPI, așa că vom instala Verision mai vechi.

Acum lucrăm pentru a instala câteva dependențe care trebuie instalate prin 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

În cele din urmă, acum putem instala OpenCV tastând, pip3 instalează opencv-python == 3.4.6.27

Asta e tot, acum am instalat OpenCV

Pasul 4: Instalați Protobuf

API-ul de detectare a obiectelor TensorFlow folosește Protobuf, un pachet care se potrivește cu formatul de date al tamponului de protocol Google. Trebuie să compilați din sursă, acum puteți instala cu ușurință.

sudo apt-get install protobuf-compiler

Rulați protoc - versiunea după ce ați terminat. Ar trebui să primiți un răspuns de la libprotoc 3.6.1 sau similar.

Pasul 5: Configurați structura directorului TensorFlow

Am instalat toate pachetele, vrem să configurăm un director pentru TensorFlow. Din directorul de start, creați un nume de director numit „tensorflow1”, Tastați următoarele, mkdir tensorflow1cd tensorflow1

Acum descărcați TensorFlow tastând, git clone --depth 1

Vrem să modificăm variabila de mediu PYTHONPATH pentru a direcționa către unele directoare din interiorul depozitului TensorFlow. Avem nevoie de PYTHONPATH de setat de fiecare dată. Trebuie să ajustăm fișierul.bashrc. Trebuie să-l deschidem tastând

sudo nano ~ /.bashrc

La sfârșitul fișierului și ultima linie adăugați comanda, ca în imaginea de sus care este marcată pe caseta de culoare roșie.

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

Acum salvați și ieșiți. Trebuie să folosim Protoc pentru a compila fișierele Protocol Buffer (.proto) utilizate de API-ul Object Detection. Fișierele.proto sunt situate în / research / object_detection / protos, vrem să executăm comanda din directorul / research. Tastați următoarea comandă

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

Această comandă schimbă toate fișierele.proto „nume” în fișiere.py „nume_pb2”.

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

Trebuie să descărcăm modelul SSD_Lite din grădina zoologică a modelului TensorFlowdetection. Pentru aceasta, dorim să folosim SSDLite-MobileNet, care este cel mai rapid model existent pentru RPI.

Google lansează la nesfârșit modele cu viteză și performanță îmbunătățite, deci verificați des dacă există modele îmbunătățite.

Tastați următoarea comandă pentru a descărca modelul SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Acum putem practica modelele Object_Detction!

Aproape am terminat!

Pasul 6: Detectați obiectul

Acum totul este configurat pentru detectarea obiectelor de execuție pe Pi!

Object_detection_picamera.py detectează obiecte în direct de la o cameră web Picamera sau USB.

Dacă utilizați un Picamera, faceți schimbarea configurației Raspberry Pi cu un meniu ca în imaginea de mai sus marcată în caseta de culoare roșie.

Tastați următoarea comandă pentru a descărca fișierul Object_detection_picamera.py în directorul 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

Tastați următoarea comandă pentru camera USB

python3 Object_detection_picamera.py --usbcam

Comanda unuia este executată, după 1 minut se deschide o nouă fereastră care va începe să detecteze obiectele !!!

Pasul 7: Probleme și vă mulțumesc

Vă rog să-mi spuneți dacă aveți întrebări

E-mail: [email protected]

Mulțumesc, Rithik