Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow .: 4 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:35

Αυτές οι οδηγίες περιγράφουν τον τρόπο εγκατάστασης πλαισίων OpenCV, Tensorflow και μηχανικής μάθησης για το Python 3.5 για την εκτέλεση της εφαρμογής Ανίχνευση αντικειμένων.

Βήμα 1: Απαιτήσεις

Θα χρειαστείτε τα ακόλουθα είδη:

• Ένα DragonBoard ™ 410c ή 820c?

• Μια καθαρή εγκατάσταση του Linaro-alip:

  • DB410c: δοκιμάστηκε στην έκδοση v431. Σύνδεσμος:
  • DB820c: δοκιμάστηκε στην έκδοση v228. Σύνδεσμος:
• Τουλάχιστον μια κάρτα MicroSD χωρητικότητας 16 GB (εάν χρησιμοποιείτε το 410c).

Κατεβάστε το αρχείο (Στο τέλος αυτού του βήματος), αποσυμπιέστε και αντιγράψτε στην κάρτα MicroSD. Obs: Εάν χρησιμοποιείτε DB820c, κατεβάστε το αρχείο, αποσυμπιέστε και μεταβείτε στο/home/*USER*/για να διευκολύνετε τη χρήση των εντολών.

• Ένας διανομέας USB.
• Μια κάμερα USB (συμβατή με Linux).
• Ποντίκι και πληκτρολόγιο USB.
• Μια σύνδεση στο διαδίκτυο.

Παρατήρηση: Ακολουθήστε αυτές τις οδηγίες στο πρόγραμμα περιήγησης DragonBoard αν είναι δυνατόν, διευκολύνοντας την αντιγραφή των εντολών

Βήμα 2: Τοποθέτηση της κάρτας MicroSD (μόνο W/ DB410c)

• Ανοίξτε το τερματικό στο Dragonboard.
• Στην τερματική εκτέλεση fdisk:

$ sudo fdisk -l

• Τοποθετήστε την κάρτα MicroSD στην υποδοχή κάρτας DragonBoard MicroSD.
• Εκτελέστε ξανά το fdisk, αναζητώντας το όνομα (και το διαμέρισμα) της νέας συσκευής στη λίστα (π.χ. mmcblk1p1)

$ sudo fdisk -l

Μεταβείτε στον ριζικό κατάλογο:

$ cd

Δημιουργία φακέλου:

$ mkdir sdfolder

Τοποθετήστε την κάρτα MicroSD:

$ mount / dev / sdfolder

Βήμα 3: Εγκατάσταση απαιτούμενων πλαισίων

• Ανοίξτε το τερματικό στο Dragonboard.
• Στο τερματικό, μεταβείτε σε έναν επιλεγμένο κατάλογο (χρησιμοποιώντας "" για το 820c και την τοποθετημένη κάρτα SDCard για το 410c):

(820c) $ cd

(410c) $ cd ~/sdfolder

Μεταβείτε στο φάκελο δέσμης ενεργειών ανιχνευτή αντικειμένων:

$ cd object_detector_tensorflow_opencv/scripts/

Εκτελέστε το σενάριο ρύθμισης περιβάλλοντος:

$ sudo bash set_Env.sh

Ενημερώστε το σύστημα:

$ sudo apt ενημέρωση

Εγκαταστήστε αυτά τα πακέτα:

$ sudo apt install -y protobuf-compiler gcc-aarch64-linux-gnu

g ++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip unzip python python-pip g ++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libpng-build libreadline-gplv2-dev libncursesw5-dev libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev libjpeg-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvidcore libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Μεταβείτε σε αυτόν τον κατάλογο:

$ cd /usr /src

Λήψη Python 3.5:

$ sudo wget

Εξαγάγετε το πακέτο:

$ sudo tar xzf Python-3.5.6.tgz

Διαγράψτε το συμπιεσμένο πακέτο:

$ sudo rm Python-3.5.6.tgz

Μεταβείτε στον κατάλογο Python 3.5:

$ cd Python-3.5.6

Ενεργοποίηση βελτιστοποιήσεων για τη συλλογή Python 3.5:

$ sudo./configure --ενεργοποιήστε-βελτιστοποιήσεις

Μεταγλώττιση Python 3.5:

$ sudo make altinstall

Αναβάθμιση pip και εργαλεία εγκατάστασης:

$ sudo python3.5 -m pip install -upgrade pip && python3.5 -m pip install -upgrade setuptools

Εγκατάσταση numpy:

$ python3,5 -m pip εγκατάσταση numpy

Μεταβείτε στον επιλεγμένο κατάλογο:

(820c) $ cd

(410c) $ cd ~/sdfolder

Λήψη Tensorflow 1.11 whl:

$ wget

Εγκατάσταση tensorflow:

$ sudo python3.5 -m pip install tensorflow-1.11.0-cp35-none-linux_aarch64.whl

Κλωνοποίηση αποθετηρίων OpenCV και OpenCV Contrib:

$ sudo git clone -b 3.4 https://github.com/opencv/opencv.git && sudo git clone -b 3.4

Μετάβαση στον κατάλογο:

$ cd opencv

Δημιουργήστε έναν κατάλογο δημιουργίας και μεταβείτε σε αυτόν:

$ sudo mkdir build && cd build

Εκτέλεση CMake:

$ Sudo cmake -D CMAKE_BUILD_TYPE = ΤΥΠΟΥ -D CMAKE_INSTALL_PREFIX = / usr / local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON-D PYTHON3_DEFAULT_EXECUTABLE = $ (η οποία python3.5) -D PYTHON3_EXECUTABLE: filepath = $ (ποια python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = OFF -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D OFF_FINT -DBUILD_TBB = ΕΝΕΡΓΕΙΑ -OPENCEN ενότητες..

Μεταγλώττιση OpenCV με 4 πυρήνες:

$ sudo make -j 4

Εγκατάσταση OpenCV:

$ sudo make install

Μεταβείτε στον επιλεγμένο κατάλογο:

(820c) $ cd

(410c) $ cd ~/sdfolder

Μεταβείτε στον κατάλογο σεναρίων:

$ cd object_detector_tensorflow_opencv/scripts/

Εγκατάσταση απαιτήσεων Python3.5:

$ sudo python3,5 -m pip εγκατάσταση -r απαιτήσεις.txt -no -cache -dir

Δοκιμή εισαγωγών:

$ python3.5

> εισαγωγή cv2 >> εισαγωγή tensorflow

Παρατήρηση: Εάν το cv2 επιστρέψει σφάλμα εισαγωγής, εκτελέστε make install στο φάκελο δημιουργίας OpenCV και δοκιμάστε ξανά

Μεταβείτε στον επιλεγμένο κατάλογο:

(820c) $ cd

(410c) $ cd ~/sdfolder

Λήψη αποθετηρίου cocoapi:

$ git κλώνος

Λήψη αποθετηρίου μοντέλων Tensorflow:

κλωνοποίηση $ git

Μεταβείτε σε αυτόν τον κατάλογο:

$ cd cocoapi/PythonAPI

Επεξεργαστείτε το αρχείο Makefile, αλλάζοντας python σε python3,5 στις γραμμές 3 και 8 και στη συνέχεια αποθηκεύστε το αρχείο (χρησιμοποιώντας το nano ως παράδειγμα):

$ nano Makefile

Συγκεντρώστε το cocoapi:

$ sudo μάρκα

Obs: Εάν η εντολή ‘make’ δεν μεταγλωττιστεί, δοκιμάστε να εγκαταστήσετε ξανά το cython με:

$ sudo python3,5 -m pip εγκατάσταση cython

Αντιγράψτε τα pycocotools στον κατάλογο tensorflow /models /research:

(820c) $ cp -r pycocotools ~/μοντέλα/έρευνα/

(410c) $ cp -r pycocotools/sdfolder/models/research/

Μεταβείτε στον επιλεγμένο κατάλογο:

(820c) $ cd

(410c) $ cd ~/sdfolder

Μεταβείτε στον κατάλογο μοντέλων/ερευνών:

μοντέλα $ cd/έρευνα

Μεταγλώττιση με protoc:

$ protoc object_detection/protos/*. proto --python_out =.

Μεταβλητή περιβάλλοντος εξαγωγής:

$ εξαγωγή PYTHONPATH = $ PYTHONPATH: `pwd`:` pwd`/slim

Δοκιμάστε το περιβάλλον:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Πρέπει να επιστρέψει OK, διαφορετικά η εφαρμογή δεν θα λειτουργήσει. Εάν όχι, αναζητήστε προσεκτικά τυχόν λάθη στη διαδικασία εγκατάστασης των απαιτούμενων πλαισίων

Βήμα 4: Εκτέλεση του API ανίχνευσης αντικειμένων

Με όλα τα πλαίσια διαμορφωμένα, είναι πλέον δυνατό να εκτελέσετε το API ανίχνευσης αντικειμένων που χρησιμοποιεί OpenCV μαζί με το Tensorflow.

Μεταβείτε στον επιλεγμένο κατάλογο:

(820c) $ cd

(410c) $ cd ~/sdfolder

Μεταβείτε στον κατάλογο ανίχνευσης αντικειμένων:

$ cd object_detector_tensorflow_opencv/

Τώρα εκτελέστε την εφαρμογή:

$ python3.5 app.py

Τώρα το Dragonboard θα μεταδώσει το βίντεο μέσω του δικτύου. Για να δείτε το βίντεο εξόδου ανοίξτε το πρόγραμμα περιήγησης στο DB και μεταβείτε στο "0.0.0.0: 5000".