Objektdetektion W/ Dragonboard 410c eller 820c ved hjælp af OpenCV og Tensorflow .: 4 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:27

Denne vejledning beskriver, hvordan du installerer OpenCV, Tensorflow og maskinlæringsrammer til Python 3.5 for at køre Object Detection -applikationen.

Trin 1: Krav

Du skal bruge følgende itens:

• En DragonBoard ™ 410c eller 820c;

• En ren installation af Linaro-alip:

  • DB410c: testet i version v431. Link:
  • DB820c: testet i version v228. Link:
• Mindst et 16 GB MicroSD -kort (hvis du bruger 410c);

Download filen (i slutningen af dette trin), pak ud og kopier til MicroSD -kortet; Bemærk: Hvis du bruger en DB820c, skal du downloade filen, pakke den ud og flytte til/home/*USER*/for at lette brugen af kommandoerne.

• En USB -hub;
• Et USB -kamera (Linux -kompatibelt);
• En USB mus og tastatur;
• En internetforbindelse.

Bemærk: Følg denne instruktion i DragonBoard -browseren, hvis det er muligt, hvilket letter kopiering af kommandoerne

Trin 2: Montering af MicroSD -kortet (kun W/ DB410c)

• Åbn terminalen i Dragonboard;
• I terminalen kør fdisk:

$ sudo fdisk -l

• Indsæt MicroSD -kortet i DragonBoard MicroSD -kortstikket;
• Kør fdisk igen, på udkig efter navnet (og partitionen) på den nye enhed på listen (f.eks. Mmcblk1p1)

$ sudo fdisk -l

Gå til rodmappen:

$ cd ~

Opret en mappe:

$ mkdir sdfolder

Monter MicroSD -kortet:

$ mount / dev / sdfolder

Trin 3: Installation af påkrævede rammer

• Åbn terminalen i Dragonboard;
• I terminalen skal du gå til et valgt bibliotek (ved hjælp af "~" til 820c og det monterede SDCard til 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til Object Detector scripts -mappen:

$ cd object_detector_tensorflow_opencv/scripts/

Kør miljøopsætningsscriptet:

$ sudo bash set_Env.sh

Opdater systemet:

$ sudo apt opdatering

Installer disse pakker:

$ sudo apt installere -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-dev build-essential cmake 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-dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Gå til dette bibliotek:

$ cd /usr /src

Download Python 3.5:

$ sudo wget

Pak pakken ud:

$ sudo tar xzf Python-3.5.6.tgz

Slet den komprimerede pakke:

$ sudo rm Python-3.5.6.tgz

Gå til Python 3.5 -biblioteket:

$ cd Python-3.5.6

Aktiver optimeringer til Python 3.5 -kompilationen:

$ sudo./configure-aktiver-optimeringer

Kompiler Python 3.5:

$ sudo lav altinstall

Opgrader pip og installationsværktøjer:

$ sudo python3.5 -m pip installation -opgrader pip && python3.5 -m pip installation -opgrader setuptools

Installer numpy:

$ python3.5 -m pip installer numpy

Gå til det valgte bibliotek:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Download Tensorflow 1.11 whl:

$ wget

Installer tensorflow:

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

Klon OpenCV og OpenCV Contrib -lagre:

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

Gå til bibliotek:

$ cd opencv

Opret build -bibliotek og gå til det:

$ sudo mkdir build && cd build

Kør CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX =/usr/local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON -D PYTHON3_UT (PYTHON3_UT) hvilken 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 WITH_CUDA = OFF -D BUILD_ -DBUILD_TBB = TIL -D OPENCV_ENABLE_NONFREE = TIL -DBUILD_opencv_xfeatures2d = OFF -D OPENGL = ON -D OPENMP = ON -D ENABLE_NEON = ON -D BUILD_PERF_TESTS = OFF -D BUILD_OPENCV_DENNE/OPEN_OPNC_DENNE_OPENC_DENNE_OPNC_DENNE_OPNC_DENNE_OPNC_DENNE_OPEN_VÆRK_DENNE moduler..

Kompiler OpenCV med 4 kerner:

$ sudo make -j 4

Installer OpenCV:

$ sudo lav installation

Gå til det valgte bibliotek:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til scriptmappe:

$ cd object_detector_tensorflow_opencv/scripts/

Installer Python3.5 -krav:

$ sudo python3.5 -m pip install -r requirements.txt --no -cache -dir

Testimport:

$ python3,5

> import cv2 >> import tensorflow

Bemærk: Hvis cv2 returnerer importfejl, skal du køre make install i OpenCV build -mappen og prøve igen

Gå til det valgte bibliotek:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Download cocoapi -depot:

$ git -klon

Download depot til Tensorflow -modeller:

$ git -klon

Gå til dette bibliotek:

$ cd cocoapi/PythonAPI

Rediger filen Makefile, skift python til python3.5 i linje 3 og 8, og gem derefter filen (ved hjælp af nano som et eksempel):

$ nano Makefile

Kompilér cocoapi:

$ sudo lave

Bemærk: Hvis kommandoen 'make' ikke kompileres, kan du prøve at geninstallere cython med:

$ sudo python3.5 -m pip install cython

Kopier pycocotools til tensorflow /models /research bibliotek:

(820c) $ cp -r pycocotools ~/models/research/

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

Gå til det valgte bibliotek:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til modeller/forskningskatalog:

$ cd -modeller/research

Kompiler med protokollen:

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

Eksporter miljøvariabel:

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

Test miljøet:

$ python3.5 object_detection/builders/model_builder_test.py

Bemærk: Den skal returnere OK, ellers fungerer applikationen ikke. Hvis ikke, skal du omhyggeligt søge efter en fejl i processen med at installere de nødvendige rammer

Trin 4: Kør Object Detection API

Med alle rammer konfigureret, er det nu muligt at køre objektdetekterings -API'en, der bruger OpenCV sammen med Tensorflow.

Gå til det valgte bibliotek:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til objektregistreringsmappe:

$ cd object_detector_tensorflow_opencv/

Kør nu applikationen:

$ python3,5 app.py

Nu vil Dragonboard streame videoen gennem netværket. For at se outputvideoen skal du åbne browseren i DB og gå til "0.0.0.0: 5000".