Detectarea obiectelor cu Dragonboard 410c sau 820c folosind OpenCV și Tensorflow .: 4 pași

2024 Autor: John Day | [email protected]. Modificat ultima dată: 2024-01-30 11:44

Acest instructable descrie cum să instalați OpenCV, Tensorflow și cadrele de învățare automată pentru Python 3.5 pentru a rula aplicația de detectare a obiectelor.

Pasul 1: Cerințe

Veți avea nevoie de următoarele elemente:

• Un DragonBoard ™ 410c sau 820c;

• O instalare curată a Linaro-alip:

  • DB410c: testat în versiunea v431. Link:
  • DB820c: testat în versiunea v228. Link:
• Cel puțin un card MicroSD de 16 GB (dacă utilizați 410c);

Descărcați fișierul (la sfârșitul acestui pas), dezarhivați și copiați pe cardul MicroSD; Obs: dacă utilizați un DB820c, descărcați fișierul, dezarhivați și mutați la / acasă / * USER * / pentru a ușura utilizarea comenzilor.

• Un hub USB;
• O cameră USB (compatibilă cu Linux);
• Un mouse și tastatură USB;
• O conexiune la internet.

Obs: urmați aceste instrucțiuni în browserul DragonBoard, dacă este posibil, facilitând copierea comenzilor

Pasul 2: Montarea cardului MicroSD (numai W / DB410c)

• Deschideți terminalul în Dragonboard;
• În terminal rulați fdisk:

$ sudo fdisk -l

• Introduceți cardul MicroSD în slotul pentru card MicroSD DragonBoard;
• Rulați din nou fdisk, căutând numele (și partiția) noului dispozitiv din listă (de ex. Mmcblk1p1)

$ sudo fdisk -l

Accesați directorul rădăcină:

$ cd ~

Creați un dosar:

$ mkdir sdfolder

Montați cardul MicroSD:

$ mount / dev / sdfolder

Pasul 3: Instalarea cadrelor necesare

• Deschideți terminalul în Dragonboard;
• În terminal, accesați un director ales (folosind „~” pentru 820c și cardul SDCard montat pentru 410c):

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Accesați folderul de scripturi Detector de obiecte:

$ cd obiect_detector_tensorflow_opencv / scripturi /

Rulați scriptul de configurare a mediului:

$ sudo bash set_Env.sh

Actualizați sistemul:

$ sudo apt actualizare

Instalați aceste pachete:

$ 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 libx4 libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Accesați acest director:

$ cd / usr / src

Descărcați Python 3.5:

$ sudo wget

Extrageți pachetul:

$ sudo tar xzf Python-3.5.6.tgz

Ștergeți pachetul comprimat:

$ sudo rm Python-3.5.6.tgz

Accesați directorul Python 3.5:

$ cd Python-3.5.6

Activați optimizările pentru compilarea Python 3.5:

$ sudo./configure --enable-optimizations

Compilați Python 3.5:

$ sudo face altinstall

Actualizați instrumentele de configurare și pip:

$ sudo python3.5 -m instalare pip - actualizați pip && python3.5 -m instalați pip - actualizați instrumentele de configurare

Instalați numpy:

$ python3,5 -m pip instalare numpy

Accesați directorul ales:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Descărcați Tensorflow 1.11 whl:

$ wget

Instalați tensorflow:

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

Clonați depozite OpenCV și OpenCV Contrib:

$ sudo git clone -b 3.4 https://github.com/opencv/opencv.git && sudo git clone -b 3.4

Accesați directorul:

$ cd opencv

Creați un director de compilare și accesați-l:

$ sudo mkdir build && cd build

Rulați CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX = / usr / local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON -D PYTHON3_PD care 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 BUILD_T -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_OPENCV_D_CNV_DC_PV_DC_V_D_CNV_DD_CNV_DC_VERS_DM_VERSION_CONV_DM_VID_CONV_DC_VENIT_CONVENIȚI_CONV. module..

Compilați OpenCV cu 4 nuclee:

$ sudo make -j 4

Instalați OpenCV:

$ sudo make install

Accesați directorul ales:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Accesați directorul de scripturi:

$ cd obiect_detector_tensorflow_opencv / scripturi /

Instalați cerințele Python3.5:

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

Testarea importurilor:

$ python3.5

> import cv2 >> import tensorflow

Obs: Dacă cv2 returnează o eroare de import, rulați make install în folderul de compilare OpenCV și încercați din nou

Accesați directorul ales:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Descărcați depozitul cocoapi:

$ git clone

Descărcați depozitul de modele Tensorflow:

$ git clone

Accesați acest director:

$ cd cocoapi / PythonAPI

Editați fișierul Makefile, schimbând python în python3.5 în rândurile 3 și 8, apoi salvați fișierul (folosind ca exemplu nano):

$ nano Makefile

Compilați cocoapi:

$ sudo make

Obs: dacă comanda „make” nu se compilează, încercați să reinstalați Cython cu:

$ sudo python3,5 -m pip instalează cython

Copiați pycocotools în directorul tensorflow / models / research:

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

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

Accesați directorul ales:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Accesați directorul modele / cercetare:

$ cd modele / cercetare

Compilați cu protocoale:

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

Variabila de mediu de export:

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

Testați mediul:

$ python3.5 object_detection / builders / model_builder_test.py

Obs: Trebuie să revină OK, altfel aplicația nu va funcționa. Dacă nu, căutați cu atenție orice greșeală în procesul de instalare a cadrelor necesare

Pasul 4: Rularea API-ului de detectare a obiectelor

Cu toate cadrele configurate, acum este posibil să rulați API-ul de detectare a obiectelor care utilizează OpenCV împreună cu Tensorflow.

Accesați directorul ales:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Accesați directorul de detectare a obiectelor:

$ cd object_detector_tensorflow_opencv /

Acum rulați aplicația:

$ python3.5 app.py

Acum, Dragonboard va transmite video prin rețea. Pentru a vedea videoclipul de ieșire, deschideți browserul în DB și mergeți la „0.0.0.0: 5000”.