Raspberry Pi -objektin tunnistus: 7 vaihetta

2024 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2024-01-30 09:00

Tämä opas sisältää vaiheittaiset ohjeet TensorFlow's Object Detection -sovellusliittymän määrittämisestä Raspberry Pi -laitteeseen. Noudattamalla tämän oppaan vaiheita voit käyttää Raspberry Pi -laitettasi kohteen tunnistamiseen Picamera- tai USB -verkkokameran live -videosta. Manuaalista koneoppimista ei vaadita, koska sitä käytetään online -tietokannassa objektien havaitsemiseen. Voit tunnistaa useimmat kohteet, joita käytetään yleisesti maailmanlaajuisesti.

Katso yllä olevaa kuvaa, käytimme hiirtä, omenaa ja saksia ja havaitsimme kohteen täydellisesti.

Opas käy läpi seuraavat vaiheet:

Päivitä Raspberry Pi

Asenna TensorFlowInstall OpenCV

Kokoa ja asenna Protobuf

Määritä TensorFlow -hakemistorakenne

Tunnista esineet

Vaihe 1: Päivitä Raspberry Pi

Raspberry Pi on päivitettävä

Vaihe 1:

Kirjoita komentopääte, sudo apt-get päivitys

Ja sitten Kirjoita

sudo apt-get dist-upgrade

Tämä saattaa kestää kauan riippuu Internetistäsi ja Raspberry pi: stä

Siinä kaikki mitä tarvitset, olet päivittänyt Raspberry pi -laitteesi

Vaihe 2: Asenna TensorFlow

Nyt aiomme asentaa Tensorflow: n.

Kirjoita tämä seuraava komento, pip3 asenna TensorFlow

TensorFlow tarvitsee myös LibAtlas -paketin, kirjoita tämä seuraava komento

sudo apt-get install libatlas-base-dev

Ja kirjoita myös tämä seuraava komento, sudo pip3 asenna tyyny lxml jupyter matplotlib cythonsudo apt-get install python-tk

Nyt Tensorflow on asennettu.

Vaihe 3: Asenna OpenCV

Työskentelemme nyt OpenCV -kirjaston asentamisen takia, koska TensorFlow'n objektien tunnistusesimerkit käyttävät matplotlibia kuvien näyttämiseen, mutta päätän harjoitella OpenCV: tä, koska se on helpompi käsitellä ja vähemmän virheitä. Joten meidän on asennettava OpenCV. Nyt OpenCV ei tue RPI: tä, joten aiomme asentaa vanhemman Verisionin.

Nyt pyrimme asentamaan muutamia riippuvuuksia, jotka on asennettava apt-getin kautta

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

Lopuksi voimme nyt asentaa OpenCV: n kirjoittamalla

pip3 install opencv-python == 3.4.6.27

Siinä kaikki, olemme nyt asentaneet OpenCV: n

Vaihe 4: Asenna Protobuf

TensorFlow -objektin tunnistusliittymä käyttää Protobuf -pakettia, joka on Googlen protokollapuskurin tietomuoto. Sinun täytyy kääntää lähteestä, nyt voit asentaa sen helposti.

sudo apt-get install protobuf-compiler

Suorita protokollaversio, kun se on tehty. Sinun pitäisi saada vastaus libprotoc 3.6.1: stä tai vastaavasta.

Vaihe 5: Määritä TensorFlow -hakemistorakenne

Olemme asentaneet kaikki paketit, haluamme perustaa hakemiston TensorFlow'lle. Luo kotihakemistosta hakemiston nimi nimeltä “tensorflow1”, Kirjoita seuraava, mkdir tensorflow1cd tensorflow1

Lataa nyt TensorFlow kirjoittamalla, git klooni -syvyys 1

Haluamme muokata PYTHONPATH -ympäristömuuttujaa siten, että se ohjataan joihinkin TensorFlow -arkiston sisällä oleviin hakemistoihin. Meidän on asetettava PYTHONPATH joka kerta. Meidän on säädettävä.bashrc -tiedosto. Meidän on avattava se kirjoittamalla

sudo nano ~/.bashrc

Tiedoston lopussa ja viimeisellä rivillä lisää komento, kuten ylimmässä kuvassa, joka on merkitty punaiseen väriruutuun.

vienti PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/models/research:/home/pi/tensorflow1/models/research/slim

Tallenna ja poistu. Meidän on käytettävä protokollaa Object Detection -sovellusliittymän käyttämien protokollapuskuritiedostojen (.proto) kääntämiseen.. Proto -tiedostot sijaitsevat hakemistossa /research /object_detection /protos, haluamme suorittaa komennon /research -hakemistosta. Kirjoita seuraava komento

cd/home/pi/tensorflow1/models/researchprotoc object_detection/protos/*. proto --python_out =.

Tämä komento muuttaa kaikki "name".proto -tiedostot muotoon "name_pb2".py.

cd/home/pi/tensorflow1/models/research/object_detection

Meidän on ladattava SSD_Lite -malli TensorFlowdetection -mallin eläintarhasta. Tätä varten haluamme käyttää SSDLite-MobileNet-verkkoa, joka on nopein RPI-malli.

Google julkaisee loputtomasti nopeamman ja suorituskykyisemmän mallin, joten tarkista usein, onko parannettuja malleja.

Lataa SSDLite-MobileNet-malli kirjoittamalla seuraava komento.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Nyt voimme harjoitella Object_Detction -malleja!

Olemme melkein valmiita!

Vaihe 6: Tunnista kohde

Nyt koko asia on asetettu suoritusobjektin havaitsemiseen Pi: llä!

Object_detection_picamera.py tunnistaa kohteet reaaliajassa Picamera- tai USB -verkkokamerasta.

Jos käytät Picameraa, muuta Raspberry Pi -konfiguraation valikko, kuten yllä olevassa kuvassa, joka on merkitty punaisella väriruudulla.

Kirjoita seuraava komento ladataksesi Object_detection_picamera.py -tiedoston object_detection -hakemistoon.

wget https://raw.githubusercontent.com/EdjeElectronics/ TensorFlow-Object-Detection-on-the-Raspberry-Pi/master/Object_detection_picamera.py

python3 Object_detection_picamera.py

Kirjoita seuraava komento USB -kameralle

python3 Object_detection_picamera.py -usbcam

Yksi komento suoritetaan, 1 minuutin kuluttua avautuu uusi ikkuna, joka alkaa havaita esineitä !!!

Vaihe 7: Ongelmat ja kiitos

Kerro minulle, jos sinulla on kysyttävää

Sähköposti: [email protected]

Kiitos, Rithik