Raspberry Pi Object Detection: 7 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:26

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

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

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

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

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

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

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

Lad mig vide, hvis du har spørgsmål

E -mail: [email protected]

Tak skal du have, Rithik