Ανίχνευση αντικειμένου Raspberry Pi: 7 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:33

Αυτός ο οδηγός παρέχει οδηγίες βήμα προς βήμα για τον τρόπο ρύθμισης του TensorFlow's Object Detection API στο Raspberry Pi. Ακολουθώντας τα βήματα σε αυτόν τον οδηγό, θα μπορείτε να χρησιμοποιήσετε το Raspberry Pi για να πραγματοποιήσετε ανίχνευση αντικειμένων σε ζωντανό βίντεο από κάμερα web Picamera ή USB. Η μη αυτόματη μηχανική μάθηση δεν απαιτείται όπως χρησιμοποιείται στην ηλεκτρονική βάση δεδομένων για ανίχνευση αντικειμένων. Μπορείτε να εντοπίσετε τα περισσότερα αντικείμενα που χρησιμοποιούνται συνήθως παγκοσμίως.

Ανατρέξτε στην παραπάνω εικόνα μου, χρησιμοποιήσαμε ποντίκι, Apple και ψαλίδι και εντοπίσαμε το αντικείμενο τέλεια.

Ο οδηγός ακολουθεί τα ακόλουθα βήματα:

Ενημερώστε το Raspberry Pi

Εγκαταστήστε το TensorFlowInstall OpenCV

Μεταγλωττίστε και εγκαταστήστε το Protobuf

Ρύθμιση δομής καταλόγου TensorFlow

Εντοπίστε αντικείμενα

Βήμα 1: Ενημερώστε το Raspberry Pi

Το Raspberry Pi πρέπει να ενημερωθεί

Βήμα 1:

Πληκτρολογήστε το τερματικό εντολών, sudo apt-get ενημέρωση

Και μετά Πληκτρολογήστε

sudo apt-get dist-upgrade

Αυτό μπορεί να πάρει πολύ καιρό εξαρτάται από το Internet και το Raspberry pi

Αυτό είναι το μόνο που χρειάζεστε, ολοκληρώσατε την ενημέρωση του Raspberry pi

Βήμα 2: Εγκαταστήστε το TensorFlow

Τώρα, πρόκειται να εγκαταστήσουμε το Tensorflow.

Πληκτρολογήστε αυτήν την ακόλουθη εντολή, pip3 εγκαταστήστε το TensorFlow

Το TensorFlow χρειάζεται επίσης το πακέτο LibAtlas. Πληκτρολογήστε αυτήν την ακόλουθη εντολή

sudo apt-get install libatlas-base-dev

Και πληκτρολογήστε αυτήν την ακόλουθη εντολή επίσης, sudo pip3 εγκατάσταση μαξιλαριού lxml jupyter matplotlib cythonsudo apt-get install python-tk

Τώρα, ολοκληρώσαμε την εγκατάσταση του Tensorflow.

Βήμα 3: Εγκαταστήστε το OpenCV

Τώρα εργαζόμαστε για την εγκατάσταση της βιβλιοθήκης OpenCV επειδή τα παραδείγματα ανίχνευσης αντικειμένων του TensorFlow χρησιμοποιούν το matplotlib για την εμφάνιση εικόνων, αλλά επιλέγω να εξασκώ το OpenCV, επειδή είναι πιο εύκολο να δουλέψω και λιγότερα σφάλματα. Έτσι, πρέπει να εγκαταστήσουμε το OpenCV. Τώρα το OpenCV δεν υποστηρίζει RPI, οπότε θα εγκαταστήσουμε την παλαιότερη Verision.

Τώρα εργαζόμαστε για να εγκαταστήσουμε μερικές εξαρτήσεις που πρέπει να εγκατασταθούν μέσω του 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

Τέλος, Τώρα μπορούμε να εγκαταστήσουμε το OpenCV πληκτρολογώντας, pip3 εγκατάσταση opencv-python == 3.4.6.27

Αυτό είναι όλο, έχουμε εγκαταστήσει τώρα το OpenCV

Βήμα 4: Εγκαταστήστε το Protobuf

Το API ανίχνευσης αντικειμένων TensorFlow χρησιμοποιεί το Protobuf, ένα πακέτο που ταιριάζει στη μορφή δεδομένων Protocol Buffer της Google. Πρέπει να μεταγλωττίσετε από την πηγή, τώρα μπορείτε να εγκαταστήσετε εύκολα.

sudo apt-get install protobuf-compiler

Εκτελέστε protoc --version μόλις ολοκληρωθεί. Θα πρέπει να λάβετε μια απάντηση libprotoc 3.6.1 ή παρόμοια.

Βήμα 5: Ρύθμιση δομής καταλόγου TensorFlow

Έχουμε εγκαταστήσει όλα τα πακέτα, θέλουμε να δημιουργήσουμε έναν κατάλογο για το TensorFlow. Από τον αρχικό κατάλογο, δημιουργήστε ένα όνομα καταλόγου που ονομάζεται "tensorflow1", Πληκτρολογήστε τα παρακάτω, mkdir tensorflow1cd tensorflow1

Τώρα κατεβάστε το TensorFlow πληκτρολογώντας, git clone -βάθος 1

Θέλουμε να τροποποιήσουμε τη μεταβλητή περιβάλλοντος PYTHONPATH για να κατευθύνουμε σε ορισμένους καταλόγους μέσα στο αποθετήριο TensorFlow. Χρειαζόμαστε το PYTHONPATH να ρυθμίζεται κάθε φορά. Πρέπει να προσαρμόσουμε το αρχείο.bashrc. Πρέπει να το ανοίξουμε πληκτρολογώντας

sudo nano ~/.bashrc

Στο τέλος του αρχείου και στην τελευταία γραμμή προσθέστε την εντολή, όπως στην επάνω εικόνα που σημειώνεται στο κόκκινο πλαίσιο.

εξαγωγή PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/μοντέλα/έρευνα:/home/pi/tensorflow1/μοντέλα/έρευνα/slim

Τώρα αποθηκεύστε και βγείτε. Πρέπει να χρησιμοποιήσουμε το Protoc για να μεταγλωττίσουμε τα αρχεία Protocol Buffer (.proto) που χρησιμοποιούνται από το API ανίχνευσης αντικειμένων. Τα αρχεία.proto βρίσκονται στο /research /object_detection /protos, θέλουμε να εκτελέσουμε την εντολή από τον κατάλογο /research. Πληκτρολογήστε την ακόλουθη εντολή

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

Αυτή η εντολή αλλάζει όλα τα αρχεία.proto σε "name_pb2".py αρχεία.

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

Πρέπει να κατεβάσουμε το μοντέλο SSD_Lite από τον ζωολογικό κήπο μοντέλου TensorFlowdetection. Για αυτό, θέλουμε να χρησιμοποιήσουμε το SSDLite-MobileNet, το οποίο είναι το ταχύτερο μοντέλο που υπάρχει για το RPI.

Η Google κυκλοφορεί ατελείωτα μοντέλα με βελτιωμένη ταχύτητα και απόδοση, οπότε ελέγξτε συχνά αν υπάρχουν βελτιωμένα μοντέλα.

Πληκτρολογήστε την ακόλουθη εντολή για λήψη του μοντέλου SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Τώρα μπορούμε να εξασκήσουμε τα μοντέλα Object_Detction!

Τελειώσαμε σχεδόν!

Βήμα 6: Ανίχνευση αντικειμένου

Τώρα το όλο θέμα έχει ρυθμιστεί για ανίχνευση αντικειμένων εκτέλεσης στο Pi!

Το Object_detection_picamera.py ανιχνεύει αντικείμενα ζωντανά από μια κάμερα Picamera ή USB.

Εάν χρησιμοποιείτε Picamera, κάντε την αλλαγή της διαμόρφωσης Raspberry Pi ένα μενού όπως στην παραπάνω εικόνα με κόκκινο πλαίσιο.

Πληκτρολογήστε την ακόλουθη εντολή για λήψη του αρχείου Object_detection_picamera.py στον κατάλογο 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

Πληκτρολογήστε την ακόλουθη εντολή για κάμερα USB

python3 Object_detection_picamera.py --usbcam

Η εντολή ενός εκτελείται, μετά από 1 λεπτό ανοίγει ένα νέο παράθυρο το οποίο θα αρχίσει να ανιχνεύει τα αντικείμενα !!!

Βήμα 7: Θέματα και ευχαριστώ

Παρακαλώ ενημερώστε με αν έχετε οποιεσδήποτε ερωτήσεις

Email: [email protected]

Σας ευχαριστώ, Ρίτικ