Sisällysluettelo:
2025 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2025-01-13 06:57
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