Otkrivanje objekta Raspberry Pi: 7 koraka

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:34

Ovaj vodič pruža korak-po-korak upute za postavljanje API-ja za otkrivanje objekata tvrtke TensorFlow na Raspberry Pi. Slijedom koraka u ovom vodiču moći ćete koristiti svoj Raspberry Pi za otkrivanje objekata na video zapisu uživo s Picamere ili USB web kamere. Ručno strojno učenje nije potrebno jer se koristi u internetskoj bazi podataka za otkrivanje objekata. Možete otkriti većinu objekata koji se uobičajeno koriste diljem svijeta.

Pogledajte moju gornju sliku, koristili smo miš, jabuku i škare i savršeno detektirali objekt.

Vodič prolazi kroz sljedeće korake:

Ažurirajte Raspberry Pi

Instalirajte TensorFlowInstall OpenCV

Sastavite i instalirajte Protobuf

Postavite strukturu direktorija TensorFlow

Otkrijte objekte

Korak 1: Ažurirajte Raspberry Pi

Vaš Raspberry Pi treba ažurirati

Korak 1:

Upišite komandni terminal, sudo apt-get ažuriranje

A zatim upišite

sudo apt-get dist-upgrade

Ovo može potrajati dugo ovisi o vašem Internetu i malini pi

To je sve što vam je potrebno, završili ste s ažuriranjem Raspberry pi

Korak 2: Instalirajte TensorFlow

Sada ćemo instalirati Tensorflow.

Upišite ovu naredbu, pip3 instalirajte TensorFlow

TensorFlow također treba paket LibAtlas. Upišite ovu naredbu

sudo apt-get install libatlas-base-dev

Upišite i ovu naredbu, sudo pip3 instalirati jastuk lxml jupyter matplotlib cythonsudo apt-get instalirati python-tk

Sada smo završili instaliranje Tensorflow -a.

Korak 3: Instalirajte OpenCV

Sada radimo na instaliranju OpenCV knjižnice jer primjeri otkrivanja objekata tvrtke TensorFlow koriste matplotlib za prikaz slika, ali ja se odlučujem za vježbanje OpenCV -a jer je lakše raditi s manje grešaka. Dakle, moramo instalirati OpenCV. Sada OpenCV ne podržava RPI, pa ćemo instalirati stariji Verision.

Sada radimo na instaliranju nekoliko ovisnosti koje je potrebno instalirati putem 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

Konačno, sada možemo instalirati OpenCV upisivanjem, pip3 instalirajte opencv-python == 3.4.6.27

To je sve, sada smo instalirali OpenCV

Korak 4: Instalirajte Protobuf

API za otkrivanje objekata TensorFlow koristi Protobuf, paket koji nadopunjuje Googleov format podataka Protocol Buffer. Morate kompajlirati iz izvora, sada možete jednostavno instalirati.

sudo apt-get install protobuf-kompajler

Pokrenite protoc --version kad to učinite. Trebali biste dobiti odgovor libprotoc 3.6.1 ili slično.

Korak 5: Postavljanje strukture direktorija TensorFlow

Instalirali smo sve pakete, želimo postaviti direktorij za TensorFlow. Iz kućnog direktorija stvorite naziv direktorija pod nazivom "tensorflow1", Upišite sljedeće, mkdir tensorflow1cd tensorflow1

Sada preuzmite TensorFlow upisivanjem, git clone --depth 1

Želimo izmijeniti varijablu okruženja PYTHONPATH tako da usmjerava na neke direktorije unutar spremišta TensorFlow. Trebamo PYTHONPATH postaviti svaki put. Moramo prilagoditi.bashrc datoteku. Moramo ga otvoriti tipkanjem

sudo nano ~/.bashrc

Na kraju datoteke i posljednji redak dodajte naredbu, kao na gornjoj slici koja je označena u okviru crvene boje.

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

Sada spremite i izađite. Moramo koristiti Protoc za sastavljanje datoteka Protocol Buffer (.proto) koje koristi API za otkrivanje objekata. Datoteke.proto nalaze se u /research /object_detection /protos, želimo izvršiti naredbu iz direktorija /research. Upišite sljedeću naredbu

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

Ova naredba mijenja sve datoteke "name".proto u "name_pb2".py datoteke.

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

Moramo preuzeti model SSD_Lite iz zoološkog vrta modela TensorFlowdetection. U tu svrhu želimo koristiti SSDLite-MobileNet, koji je najbrži model za RPI.

Google beskrajno objavljuje modele s poboljšanom brzinom i performansama pa često provjeravajte postoje li poboljšani modeli.

Upišite sljedeću naredbu za preuzimanje modela SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Sada možemo vježbati modele Object_Detction!

Skoro smo gotovi!

Korak 6: Otkrijte objekt

Sada je cijela stvar postavljena za otkrivanje objekata izvršenja na Pi!

Object_detection_picamera.py otkriva objekte uživo s Picamere ili USB web kamere.

Ako koristite Picameru, promijenite konfiguraciju Raspberry Pi izbornikom kao na gornjoj slici označenoj crvenim okvirom.

Upišite sljedeću naredbu za preuzimanje datoteke Object_detection_picamera.py u direktorij 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

Upišite sljedeću naredbu za USB kameru

python3 Object_detection_picamera.py --usbcam

Jedna naredba se izvršava, nakon 1 minute otvara se novi prozor koji će početi otkrivati objekte !!!

Korak 7: Problemi i hvala

Javite mi ako imate pitanja

E -pošta: [email protected]

Hvala vam, Rithik