Sadržaj:
- Korak 1: Nabavite svoj API ključ
- Korak 2: Okupite svoj hardver
- Korak 3: Zalijepite LCD zajedno
- Korak 4: Preuzmite NOOBS za svoj Raspberry Pi
- Korak 5: Početak rada s Picamerom
- Korak 6: Pronađite port kamere i spojite kameru
- Korak 7: Otvorite Raspberry Pi Configuration Tool iz glavnog izbornika
- Korak 8: Provjerite je li softver kamere omogućen
- Korak 9: Pregled kamere
- Korak 10: Fotografije
- 11. korak: Vaša kamera radi
- Korak 12: Uzmite svoj sastavljeni LCD komplet i testirajte ga
- Korak 13: Nabavite kôd za instalaciju na vlastiti uređaj
- Korak 14: Snimite sliku
- Korak 15: Gotovo
Video: Otkrivanje vizualnih objekata kamerom (TfCD): 15 koraka (sa slikama)
2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:37
Kognitivne usluge koje mogu prepoznati emocije, lica ljudi ili jednostavne objekte trenutno su još u ranoj fazi razvoja, ali s strojnim učenjem ova se tehnologija sve više razvija. Možemo očekivati da ćemo u budućnosti vidjeti više ove magije.
Za projekt TU Delft za TfCD odlučili smo upotrijebiti kognitivne usluge vida koje pruža Microsoft kako bismo pokazali kako izvesti analizu prepoznavanja vida na fotografijama. (Pogledajte video).
BILJEŠKA!
Elektronika i kod rade ispravno, ali internetska veza u TU Delft bila je isključena pa nemamo odgovarajući video. Kasnije ćemo postaviti ispravnu! Hvala na razumijevanju!
Korak 1: Nabavite svoj API ključ
Najprije idite na web mjesto Azure kognitivnih usluga i nabavite API ključ računarskog vida s Microsoftovog web mjesta. Veza se nalazi ispod:
DODATNO: Ako želite isprobati API da biste se malo zabavili, nabavite i ključ za prepoznavanje lica i prepoznavanje emocija. Preuzmite Visual Studios (verzija zajednice je u redu), a također preuzmite kôd s githuba da biste ga stavili u Visual Studios.
Visual Studios:
Github:
Korak 2: Okupite svoj hardver
Započnite s modulom kamere Raspberry Pi pomoću Pythona i pikamere. Snimit ćete fotografije, videozapise i primijeniti efekte slike. Za početak će vam trebati:
- Raspberry Pi, ploča za kameru V2, 8MP
- Raspberry Pi 3, model B, 1 GB RAM -a za kodiranje
- Adafruit LCD zaslon sa 16 znakova
- Miš za povezivanje s Raspberry Pi
- Tipkovnica za povezivanje s Raspberry Pi
- Monitor za povezivanje s Raspberry Pi
- Ethernet kabel za povezivanje Raspberry Pi s webom
- Laptop za ulaz
- Lemljeni set za lemljenje vašeg LCD -a
Korak 3: Zalijepite LCD zajedno
Upotrijebite web mjesto Adafruit za pravilno lemljenje LCD -a. Link je dolje:
learn.adafruit.com/adafruit-16x2-character…
Korak 4: Preuzmite NOOBS za svoj Raspberry Pi
Preuzmite Raspbian da biste pokrenuli Raspberry Pi!
www.raspberrypi.org/downloads/noobs/
Gledajte svoj Raspberry Pi kao malo računalo. Potreban je monitor, miš, tipkovnica i internet. Spojite ih na svoj Raspberry Pi.
Korak 5: Početak rada s Picamerom
Modul kamere izvrstan je dodatak za Raspberry Pi, omogućujući korisnicima snimanje fotografija i video zapisa u punom HD -u. Prije svega, s isključenim Pi, morat ćete spojiti modul kamere na port kamere za Raspberry Pi, zatim pokrenuti Pi i provjeriti je li softver omogućen. Slijedite slike za daljnje korake!
Korak 6: Pronađite port kamere i spojite kameru
Korak 7: Otvorite Raspberry Pi Configuration Tool iz glavnog izbornika
Korak 8: Provjerite je li softver kamere omogućen
Korak 9: Pregled kamere
Sada je vaša kamera spojena i softver je omogućen, možete započeti isprobavanjem pregleda kamere.
- Otvorite Python 3 iz glavnog izbornika
- Otvorite novu datoteku i spremite je kao camera.py. Važno je da ga ne spremite kao picamera.py.
- Unesite sljedeći kôd:
- iz picamera uvoz PiCamera
- od vremena uvoz sna
- kamera = PiCamera ()
- camera.start_preview () sleep (10) camera.stop_preview ()
- Spremite pomoću Ctrl + S i pokrenite s F5. Pregled kamere trebao bi se prikazivati 10 sekundi, a zatim zatvoriti. Pomaknite kameru da biste pregledali ono što kamera vidi.
- Pregled kamere uživo trebao bi ispuniti zaslon
Korak 10: Fotografije
Najčešće korištenje modula kamere je snimanje fotografija.
Izmijenite svoj kôd da biste smanjili stanje mirovanja i dodajte redak camera.capture ():
camera.start_preview ()
spavati (5)
camera.capture ('/home/pi/Desktop/image.jpg')
camera.stop_preview ()
- Pokrenite kôd i vidjet ćete da je pregled kamere otvoren 5 sekundi prije snimanja fotografije. Vidjet ćete da se pregled trenutno prilagođava drugoj rezoluciji dok se slika.
- Svoju ćete fotografiju vidjeti na radnoj površini. Dvaput kliknite ikonu datoteke da biste je otvorili.
11. korak: Vaša kamera radi
DA! Sljedeći korak!
Korak 12: Uzmite svoj sastavljeni LCD komplet i testirajte ga
Omogućite LCD prema sljedećim podkoracima:
Konfiguriranje LCD -a
a.
Instaliranje LCD -a i ispitivanje je li vaš LCD ispravno lemljen!
b.
Korak 13: Nabavite kôd za instalaciju na vlastiti uređaj
Nabavite kôd s github -a:
NAPOMENA: Čini se da kod ne funkcionira dobro u Tronnyju. Za pokretanje koda upotrijebite Raspbian terminal. Postavite kôd (ComputerVision.py) na kartu: home/pi/Adafruit_Python_CharLCD/examples (Iz nekog razloga radi samo na ovaj način, druge metode samo će dati neobjašnjive pogreške)
Otvorite svoj terminal i upišite:
cd Adafruit_Python_CharLCD/primjeri
./ComputerVision.py
Korak 14: Snimite sliku
Preporučeni:
Otkrivanje objekata s Sipeed MaiX pločama (Kendryte K210): 6 koraka
Otkrivanje objekata pomoću Sipeed MaiX ploča (Kendryte K210): Kao nastavak mog prethodnog članka o prepoznavanju slika sa Sipeed MaiX pločama, odlučio sam napisati još jedan vodič s naglaskom na otkrivanje objekata. Nedavno se pojavio neki zanimljiv hardver s čipom Kendryte K210, uključujući S
MASINA PI Pi OTKRIVANJE OBJEKATA S VISE KAMERA: 3 koraka
RASPBERRY PI Pi OTKRIVANJE OBJEKATA S VISE KAMERA: Uvod ću kratko opisati, jer sam naslov sugerira koja je glavna svrha instrukcija. U ovom uputstvu korak po korak objasnit ću vam kako spojiti više kamera poput 1-pi kamere i barem jednu USB kameru ili 2 USB kamere
Otkrivanje objekata W/ Dragonboard 410c ili 820c pomoću OpenCV -a i Tensorflow .: 4 koraka
Object Detection W/ Dragonboard 410c ili 820c pomoću OpenCV -a i Tensorflow -a .: Ove upute opisuju kako instalirati OpenCV, Tensorflow i okvire strojnog učenja za Python 3.5 za pokretanje aplikacije Object Detection
Otkrivanje objekata tijekom vožnje RC automobilom: 9 koraka
Otkrivanje objekata tijekom vožnje RC automobila: Ovaj projekt govori o upotrebi ultrazvučnih senzora na automobilu za otkrivanje prepreka
Jetson Nano Četveronožni robotski objekt za otkrivanje objekata: 4 koraka
Vodič za otkrivanje četveronožnih robotskih objekata Jetson Nano: Nvidia Jetson Nano je komplet za razvojne programere, koji se sastoji od SoM -a (System on Module) i referentne ploče nositelja. Primarno je namijenjen stvaranju ugrađenih sustava koji zahtijevaju visoku procesorsku snagu za strojno učenje, strojni vid i video