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

Πίνακας περιεχομένων:

Anonim
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow
Ανίχνευση αντικειμένου W/ Dragonboard 410c ή 820c χρησιμοποιώντας OpenCV και Tensorflow

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

Εκτέλεση του API ανίχνευσης αντικειμένων
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".