Raspberry Pi objektu noteikšana: 7 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:53

Šajā rokasgrāmatā ir sniegti soli pa solim norādījumi, kā Raspberry Pi iestatīt TensorFlow objektu noteikšanas API. Izpildot šajā rokasgrāmatā norādītās darbības, jūs varēsit izmantot savu Raspberry Pi, lai veiktu objektu noteikšanu tiešraides video no Picamera vai USB tīmekļa kameras. Manuāla mašīnmācīšanās nav nepieciešama, kā to izmanto tiešsaistes datu bāzē objektu noteikšanai. Jūs varat atklāt lielāko daļu objektu, kurus parasti izmanto visā pasaulē.

Lūdzu, skatiet manu attēlu, mēs izmantojām peli, ābolu un šķēres un perfekti atklājām objektu.

Ceļvedis veic šādas darbības:

Atjauniniet Raspberry Pi

Instalējiet TensorFlowInstall OpenCV

Apkopojiet un instalējiet Protobuf

Iestatiet TensorFlow direktoriju struktūru

Atklājiet objektus

1. darbība: atjauniniet Raspberry Pi

Jūsu Raspberry Pi ir jāatjaunina

1. darbība:

Ievadiet komandu termināli, sudo apt-get update

Un pēc tam ierakstiet

sudo apt-get dist-upgrade

Tas var aizņemt ilgu laiku, ir atkarīgs no jūsu interneta un Raspberry pi

Tas ir viss, kas jums nepieciešams, esat pabeidzis Raspberry pi atjaunināšanu

2. darbība: instalējiet TensorFlow

Tagad mēs instalēsim Tensorflow.

Ierakstiet šo komandu, pip3 instalējiet TensorFlow

TensorFlow ir nepieciešama arī LibAtlas pakotne, ierakstiet šo komandu

sudo apt-get install libatlas-base-dev

Un ierakstiet arī šo komandu, sudo pip3 instalēt spilvenu lxml jupyter matplotlib cythonsudo apt-get install python-tk

Tagad mēs esam pabeiguši Tensorflow instalēšanu.

3. darbība: instalējiet OpenCV

Tagad mēs strādājam, lai instalētu OpenCV bibliotēku, jo TensorFlow objektu noteikšanas piemēri attēlu rādīšanai izmanto matplotlib, bet es izvēlos izmantot OpenCV, jo ar to ir vieglāk strādāt un mazāk kļūdu. Tātad, mums ir jāinstalē OpenCV. Tagad OpenCV neatbalsta RPI, tāpēc mēs instalēsim vecāku Verision.

Tagad mēs strādājam, lai instalētu dažas atkarības, kas jāinstalē, izmantojot 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

Visbeidzot, tagad mēs varam instalēt OpenCV, ierakstot, pip3 instalēt opencv-python == 3.4.6.27

Tas ir viss, mēs tagad esam instalējuši OpenCV

4. darbība: instalējiet Protobuf

TensorFlow objektu noteikšanas API izmanto Protobuf - pakotni, kas atbilst Google protokola bufera datu formātam. Jums jāapkopo no avota, tagad jūs varat viegli instalēt.

sudo apt-get install protobuf-kompilators

Palaidiet protokola versiju, kad tas ir izdarīts. Jums vajadzētu saņemt atbildi uz libprotoc 3.6.1 vai līdzīgu.

5. darbība: iestatiet TensorFlow direktoriju struktūru

Mēs esam instalējuši visas paketes, mēs vēlamies izveidot direktoriju TensorFlow. Mājas direktorijā izveidojiet direktorija nosaukumu ar nosaukumu “tensorflow1”, Ierakstiet šādu, mkdir tensorflow1cd tensorflow1

Tagad lejupielādējiet TensorFlow, ierakstot, git clone -dziļums 1

Mēs vēlamies modificēt vides mainīgo PYTHONPATH, lai novirzītu uz dažiem direktorijiem TensorFlow krātuvē. Mums katru reizi ir jāiestata PYTHONPATH. Mums ir jāpielāgo.bashrc fails. Mums tas ir jāatver, ierakstot

sudo nano ~/.bashrc

Faila beigās un pēdējā rindā pievienojiet komandu, piemēram, augšējā attēlā, kas atzīmēts uz sarkanās krāsas lodziņa.

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

Tagad saglabājiet un izejiet. Mums ir jāizmanto protokols, lai apkopotu protokola bufera (.proto) failus, ko izmanto objektu noteikšanas API.. Proto faili atrodas mapē /research /object_detection /protos, mēs vēlamies izpildīt komandu no direktorijas /research. Ierakstiet šādu komandu

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

Šī komanda maina visus "name".proto failus uz "name_pb2".py failiem.

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

Mums ir jālejupielādē SSD_Lite modelis no TensorFlowdetection modeļa zoodārza. Šim nolūkam mēs vēlamies izmantot SSDLite-MobileNet, kas ir ātrākais RPI modelis.

Google bezgalīgi izlaiž modeļus ar uzlabotu ātrumu un veiktspēju, tāpēc bieži pārbaudiet, vai ir kādi uzlaboti modeļi.

Lai lejupielādētu SSDLite-MobileNet modeli, ierakstiet šo komandu.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Tagad mēs varam praktizēt Object_Detction modeļus!

Mēs esam gandrīz pabeiguši!

6. darbība: objekta noteikšana

Tagad viss ir iestatīts izpildes objekta noteikšanai Pi!

Object_detection_picamera.py nosaka objektus tiešraidē no Picamera vai USB tīmekļa kameras.

Ja izmantojat Picamera, mainiet Raspberry Pi konfigurāciju par izvēlni, kā parādīts attēlā, kas atzīmēts ar sarkanu krāsu lodziņu.

Ievadiet šādu komandu, lai lejupielādētu Object_detection_picamera.py failu direktorijā 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

USB kamerai ierakstiet šādu komandu

python3 Object_detection_picamera.py -usbcam

Viena komanda tiek izpildīta, pēc 1 minūtes tiek atvērts jauns logs, kas sāks atklāt objektus !!!

7. darbība: problēmas un paldies

Lūdzu, dariet man zināmu, ja jums ir kādi jautājumi

E -pasts: [email protected]

Paldies, Rithik