Raspberry Pi objektumfelismerés: 7 lépés

2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:40

Ez az útmutató lépésről lépésre nyújt útmutatást a TensorFlow Object Detection API beállításához a Raspberry Pi-n. Az útmutató lépéseit követve Raspberry Pi készülékével objektumfelismerést végezhet Picamera vagy USB webkamera élő videóin. A kézi gépi tanulás nem szükséges, ahogy az online adatbázisban használják az objektumok észlelésére. Észlelheti a világon általánosan használt tárgyak nagy részét.

Kérjük, nézze meg a fenti képemet, egeret, almát és ollót használtunk, és tökéletesen észleltük a tárgyat.

Az útmutató végigvezeti a következő lépéseket:

Frissítse a Raspberry Pi -t

Telepítse a TensorFlowInstall OpenCV -t

Fordítsa le és telepítse a Protobuf programot

Állítsa be a TensorFlow könyvtárszerkezetet

Észlelje a tárgyakat

Lépés: Frissítse a Raspberry Pi -t

A Raspberry Pi -t frissíteni kell

1. lépés:

Gépelje be a Command terminált, sudo apt-get update

És akkor írja be

sudo apt-get dist-upgrade

Ez sokáig tarthat az internetétől és a Raspberry pi -től

Ez minden, amire szüksége van, befejezte a Raspberry pi frissítését

2. lépés: Telepítse a TensorFlow programot

Most telepítjük a Tensorflow -t.

Írja be ezt a parancsot, pip3 telepítse a TensorFlow -t

A TensorFlow -nak szüksége van a LibAtlas csomagra is, írja be ezt a következő parancsot

sudo apt-get install libatlas-base-dev

És írja be ezt a következő parancsot is:

sudo pip3 install párna lxml jupyter matplotlib cythonsudo apt-get install python-tk

Most befejeztük a Tensorflow telepítését.

3. lépés: Telepítse az OpenCV -t

Most azon dolgozunk, hogy telepítsük az OpenCV könyvtárat, mert a TensorFlow objektumfelismerési példái a matplotlib -et használják a képek megjelenítéséhez, de én az OpenCV gyakorlását választom, mivel könnyebb vele dolgozni és kevesebb hiba van. Tehát telepítenünk kell az OpenCV -t. Az OpenCV most nem támogatja az RPI -t, ezért régebbi Verision -t fogunk telepíteni.

Most azon dolgozunk, hogy telepítsünk néhány függőséget, amelyeket az apt-get segítségével kell telepíteni

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

Végül most telepíthetjük az OpenCV -t gépeléssel, pip3 install opencv-python == 3.4.6.27

Ennyi, most telepítettük az OpenCV -t

4. lépés: Telepítse a Protobuf -ot

A TensorFlow objektumészlelési API a Protobuf csomagot használja, amely a Google protokollpuffer adatformátumát tartalmazza. Forrásból kell fordítanod, most könnyen telepítheted.

sudo apt-get install protobuf-compiler

Futtassa a protoc --verziót, ha ez megtörtént. A libprotoc 3.6.1 vagy hasonló verziójú választ kell kapnia.

5. lépés: Állítsa be a TensorFlow címtárszerkezetet

Telepítettük az összes csomagot, szeretnénk egy könyvtárat beállítani a TensorFlow számára. A saját könyvtárból hozzon létre egy „tensorflow1” nevű könyvtárnevet, Írja be a következőt, mkdir tensorflow1cd tensorflow1

Most töltse le a TensorFlow -t gépeléssel, git klón -mélység 1

Módosítani szeretnénk a PYTHONPATH környezeti változót, hogy a TensorFlow lerakatban lévő egyes könyvtárakhoz irányuljon. A PYTHONPATH -t minden alkalommal be kell állítani. Be kell állítanunk a.bashrc fájlt. Gépeléssel kell megnyitnunk

sudo nano ~/.bashrc

A fájl végén és az utolsó sorban adja hozzá a parancsot, mint a felső képen, amely a piros színű mezőben van megjelölve.

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

Most mentse és lépjen ki. A Protoc segítségével kell összeállítanunk az Object Detection API által használt Protocol Buffer (.proto) fájlokat. A.proto fájlok a /research /object_detection /protos mappában találhatók, a /research könyvtárból szeretnénk végrehajtani a parancsot. Gépelje be a következő parancsot

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

Ez a parancs az összes "name".proto fájlt "name_pb2".py fájlra változtatja.

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

Le kell töltenünk az SSD_Lite modellt a TensorFlowdetection modell állatkertből. Ehhez SSDLite-MobileNet-et szeretnénk használni, amely a leggyorsabb modell az RPI számára.

A Google végtelenül forgalomba hozza a gyorsabb és jobb teljesítményű modelleket, ezért gyakran ellenőrizze, hogy vannak -e továbbfejlesztett modellek.

Az SSDLite-MobileNet modell letöltéséhez írja be a következő parancsot.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Most már gyakorolhatjuk az Object_Detction modelleket!

Majdnem kész vagyunk!

6. lépés: Objektum észlelése

Most az egész be van állítva a végrehajtási objektum észlelésére a Pi -n!

Az Object_detection_picamera.py objektumokat észlel élőben egy Picamera vagy USB webkamera segítségével.

Ha Picamera -t használ, módosítsa a Raspberry Pi konfigurációját olyan menüben, mint a fenti képen, piros színű mezővel.

Írja be a következő parancsot az Object_detection_picamera.py fájl letöltéséhez az object_detection könyvtárba.

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

python3 Object_detection_picamera.py

Írja be a következő parancsot az USB -kamera számára

python3 Object_detection_picamera.py -usbcam

Az egyik parancs végrehajtásra kerül, 1 perc múlva megnyílik egy új ablak, amely elkezdi észlelni az objektumokat !!!

7. lépés: Problémák és köszönöm

Kérjük, tudassa velem, ha kérdése van

E -mail: [email protected]

Köszönöm, Rithik