Indholdsfortegnelse:
- Trin 1: Opdater Raspberry Pi
- Trin 2: Installer TensorFlow
- Trin 3: Installer OpenCV
- Trin 4: Installer Protobuf
- Trin 5: Konfigurer TensorFlow -biblioteksstruktur
- Trin 6: Find objekt
- Trin 7: Problemer og tak
![Raspberry Pi Object Detection: 7 trin Raspberry Pi Object Detection: 7 trin](https://i.howwhatproduce.com/images/009/image-24322-j.webp)
Video: Raspberry Pi Object Detection: 7 trin
![Video: Raspberry Pi Object Detection: 7 trin Video: Raspberry Pi Object Detection: 7 trin](https://i.ytimg.com/vi/yE7Ve3U5Slw/hqdefault.jpg)
2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:26
![Raspberry Pi Object Detection Raspberry Pi Object Detection](https://i.howwhatproduce.com/images/009/image-24322-1-j.webp)
Denne vejledning giver trin-for-trin instruktioner til, hvordan du konfigurerer TensorFlows Object Detection API på Raspberry Pi. Ved at følge trinene i denne vejledning kan du bruge din Raspberry Pi til at udføre objektdetektering på livevideo fra et Picamera- eller USB -webcam. Manuel maskinindlæring er ikke påkrævet som brugt i onlinedatabasen til objektdetektering. Du kan registrere de fleste af de objekter, der almindeligvis bruges på verdensplan.
Se venligst mit billede ovenfor, vi brugte en mus, Apple og saks og opdagede objektet perfekt.
Guiden gennemgår følgende trin:
Opdater Raspberry Pi
Installer TensorFlowInstall OpenCV
Kompiler og installer Protobuf
Opsæt TensorFlow biblioteksstruktur
Find objekter
Trin 1: Opdater Raspberry Pi
![Opdater Raspberry Pi Opdater Raspberry Pi](https://i.howwhatproduce.com/images/009/image-24322-2-j.webp)
Din Raspberry Pi skal opdateres
Trin 1:
Indtast kommandoterminalen, sudo apt-get opdatering
Og derefter Type
sudo apt-get dist-upgrade
Dette kan tage lang tid afhænger af dit internet og hindbær pi
Det er alt hvad du behøver, du er færdig med at opdatere din Raspberry pi
Trin 2: Installer TensorFlow
![Installer TensorFlow Installer TensorFlow](https://i.howwhatproduce.com/images/009/image-24322-3-j.webp)
Nu skal vi installere Tensorflow.
Indtast følgende kommando, pip3 installer TensorFlow
TensorFlow har også brug for LibAtlas -pakken. Skriv denne følgende kommando
sudo apt-get install libatlas-base-dev
Og skriv også denne følgende kommando, sudo pip3 installer pude lxml jupyter matplotlib cythonsudo apt-get install python-tk
Nu er vi færdige med at installere Tensorflow.
Trin 3: Installer OpenCV
![Installer OpenCV Installer OpenCV](https://i.howwhatproduce.com/images/009/image-24322-4-j.webp)
Nu arbejder vi på at installere OpenCV -bibliotek, fordi TensorFlows objektdetekteringseksempler bruger matplotlib til at vise billeder, men jeg vælger at øve OpenCV, da det er lettere at arbejde med og færre fejl. Så vi skal installere OpenCV. Nu understøtter OpenCV ikke RPI, så vi vil installere ældre Verision.
Nu arbejder vi på at installere et par afhængigheder, der skal installeres via 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
Endelig kan vi nu installere OpenCV ved at skrive, pip3 installer opencv-python == 3.4.6.27
Det er alt, vi har nu installeret OpenCV
Trin 4: Installer Protobuf
![Installer Protobuf Installer Protobuf](https://i.howwhatproduce.com/images/009/image-24322-5-j.webp)
TensorFlow -objektdetekterings -API'en bruger Protobuf, en pakke, der passer til Googles Protocol Buffer -dataformat. Du skal kompilere fra kilde, nu kan du nemt installere.
sudo apt-get install protobuf-compiler
Kør protoc -version, når det er gjort. Du bør få et svar fra libprotoc 3.6.1 eller lignende.
Trin 5: Konfigurer TensorFlow -biblioteksstruktur
![Opsætning af TensorFlow -biblioteksstruktur Opsætning af TensorFlow -biblioteksstruktur](https://i.howwhatproduce.com/images/009/image-24322-6-j.webp)
Vi har installeret alle pakkerne, vi vil oprette et bibliotek til TensorFlow. Fra hjemmekataloget skal du oprette et biblioteksnavn kaldet "tensorflow1", Indtast følgende, mkdir tensorflow1cd tensorflow1
Download nu TensorFlow ved at skrive, git -klon -dybde 1
Vi ønsker at ændre PYTHONPATH -miljøvariablen til at lede til nogle mapper inde i TensorFlow -depotet. Vi har brug for, at PYTHONPATH er indstillet hver gang. Vi er nødt til at justere.bashrc -filen. Vi skal åbne den ved at skrive
sudo nano ~/.bashrc
I slutningen af filen og den sidste linje tilføjes kommandoen, ligesom i det øverste billede, der er markeret på den røde farveboks.
eksport PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/models/research:/home/pi/tensorflow1/models/research/slim
Gem nu og afslut. Vi skal bruge Protoc til at kompilere Protocol Buffer (.proto) filer, der bruges af Object Detection API.. Proto -filerne er placeret i /research /object_detection /protos, vi ønsker at udføre kommandoen fra /research -biblioteket. Skriv følgende kommando
cd/home/pi/tensorflow1/models/researchprotoc object_detection/protos/*. proto --python_out =.
Denne kommando ændrer alle "navn".proto filer til "name_pb2".py filer.
cd/home/pi/tensorflow1/models/research/object_detection
Vi skal downloade SSD_Lite -modellen fra TensorFlowdetection model zoo. Til dette ønsker vi at bruge SSDLite-MobileNet, som er den hurtigste model, der findes til RPI.
Google frigiver uendeligt modeller med forbedret hastighed og ydeevne, så tjek ofte om der er forbedrede modeller.
Indtast følgende kommando for at downloade SSDLite-MobileNet-modellen.
wget
tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
Nu kan vi øve Object_Detction -modellerne!
Vi er næsten færdige!
Trin 6: Find objekt
![Find objekt Find objekt](https://i.howwhatproduce.com/images/009/image-24322-7-j.webp)
Nu er det hele konfigureret til registrering af eksekveringsobjekter på Pi!
Object_detection_picamera.py registrerer objekter i live fra et Picamera- eller USB -webcam.
Hvis du bruger en Picamera, skal du ændre Raspberry Pi -konfigurationen til en menu som på billedet ovenfor markeret med rød farveboks.
Indtast følgende kommando for at downloade filen Object_detection_picamera.py til biblioteket 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
Skriv følgende kommando for USB -kamera
python3 Object_detection_picamera.py --usbcam
Ens kommando udføres, efter 1 minut åbnes et nyt vindue, som begynder at registrere objekterne !!!
Trin 7: Problemer og tak
![Spørgsmål og tak Spørgsmål og tak](https://i.howwhatproduce.com/images/009/image-24322-8-j.webp)
Lad mig vide, hvis du har spørgsmål
E -mail: [email protected]
Tak skal du have, Rithik
Anbefalede:
Pixy2Bot Object Follower (Servokode): 4 trin
![Pixy2Bot Object Follower (Servokode): 4 trin Pixy2Bot Object Follower (Servokode): 4 trin](https://i.howwhatproduce.com/images/002/image-4784-j.webp)
Pixy2Bot Object Follower (Servokode): Bygger en simpel genstand efter robot (ingen pan/tilt -mekanisme) med et Arduino Uno + motorskærm, to billige kontinuerlige servoer og en Pixy2. Video: https://youtu.be/lxBLt5DJ5BM
Opencv Object Tracking: 3 trin
![Opencv Object Tracking: 3 trin Opencv Object Tracking: 3 trin](https://i.howwhatproduce.com/images/006/image-16215-j.webp)
Opencv Object Tracking: Detektering af bevægelige objekter er en teknik, der bruges til computersyn og billedbehandling. Flere på hinanden følgende rammer fra en video sammenlignes med forskellige metoder for at afgøre, om et objekt i bevægelse detekteres. Registrering af bevægelige objekter er blevet brugt til wi
Raspberry Pi - Autonom Mars Rover Med OpenCV Object Tracking: 7 trin (med billeder)
![Raspberry Pi - Autonom Mars Rover Med OpenCV Object Tracking: 7 trin (med billeder) Raspberry Pi - Autonom Mars Rover Med OpenCV Object Tracking: 7 trin (med billeder)](https://i.howwhatproduce.com/images/009/image-24529-j.webp)
Raspberry Pi - Autonom Mars Rover Med OpenCV Object Tracking: Drevet af en Raspberry Pi 3, Open CV objektgenkendelse, Ultrasonic sensorer og gearede DC motorer. Denne rover kan spore ethvert objekt, den er trænet til, og bevæge sig på ethvert terræn
Raspberry Pi Object Counting: 5 trin
![Raspberry Pi Object Counting: 5 trin Raspberry Pi Object Counting: 5 trin](https://i.howwhatproduce.com/images/004/image-10876-28-j.webp)
Raspberry Pi Object Counting: Computersyn er uden tvivl en fantastisk ting! Ved hjælp af dette får en computer mulighed for at " se " og fornemmer miljøet omkring, hvad der gør det muligt at udvikle komplekse, nyttige og fede applikationer. Applikationer såsom fa
Jetson Nano Quadruped Robot Object Detection Tutorial: 4 trin
![Jetson Nano Quadruped Robot Object Detection Tutorial: 4 trin Jetson Nano Quadruped Robot Object Detection Tutorial: 4 trin](https://i.howwhatproduce.com/images/004/image-11983-9-j.webp)
Jetson Nano Quadruped Robot Object Detection Tutorial: Nvidia Jetson Nano er et udviklerkit, der består af et SoM (System on Module) og et referencebærerkort. Det er primært målrettet til at skabe integrerede systemer, der kræver høj processorkraft til maskinlæring, maskinsyn og vide