Kohteen tunnistus W/ Dragonboard 410c tai 820c OpenCV: n ja Tensorflow: n avulla: 4 vaihetta

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

Tässä ohjekirjassa kuvataan, miten OpenCV-, Tensorflow- ja koneoppimiskehykset asennetaan Python 3.5: lle Objektin tunnistus -sovelluksen suorittamiseksi.

Vaihe 1: Vaatimukset

Tarvitset seuraavat asiat:

• DragonBoard ™ 410c tai 820c;

• Linaro-alipin puhdas asennus:

  • DB410c: testattu versiossa v431. Linkki:
  • DB820c: testattu versiossa v228. Linkki:
• Vähintään 16 Gt: n MicroSD -kortti (jos käytössä on 410c);

Lataa tiedosto (tämän vaiheen lopussa), pura ja kopioi MicroSD -kortille; Huomaa: Jos käytät DB820c -laitetta, lataa tiedosto, pura ja siirrä tiedostoon/home/*USER*/helpottaaksesi komentojen käyttöä.

• USB -keskitin;
• USB -kamera (Linux -yhteensopiva);
• USB -hiiri ja näppäimistö;
• Internet -yhteys.

Huomaa: Noudata näitä ohjeita DragonBoard -selaimessa, jos mahdollista, mikä helpottaa komentojen kopiointia

Vaihe 2: MicroSD -kortin asentaminen (vain W/ DB410c)

• Avaa päätelaite Dragonboardissa;
• Suorita terminaali fdisk:

$ sudo fdisk -l

• Aseta MicroSD -kortti DragonBoard MicroSD -korttipaikkaan;
• Suorita fdisk uudelleen etsimällä luettelosta uuden laitteen nimeä (ja osiota) (esim. Mmcblk1p1)

$ sudo fdisk -l

Siirry juurihakemistoon:

$ cd ~

Luo kansio:

$ mkdir sdfolder

Asenna MicroSD -kortti:

$ mount / dev / sdfolder

Vaihe 3: Vaadittujen kehysten asentaminen

• Avaa päätelaite Dragonboardissa;
• Siirry päätelaitteessa valittuun hakemistoon (käyttämällä "~" 820c: lle ja asennettua SDCard -korttia 410c: lle):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Siirry Object Detector scripts -kansioon:

$ cd object_detector_tensorflow_opencv/scripts/

Suorita ympäristön asennusohjelma:

$ sudo bash set_Env.sh

Päivitä järjestelmä:

$ sudo apt päivitys

Asenna nämä paketit:

$ sudo apt install -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 libxvid64-dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Siirry tähän hakemistoon:

$ cd /usr /src

Lataa Python 3.5:

$ sudo wget

Pura paketti:

$ sudo tar xzf Python-3.5.6.tgz

Poista pakattu paketti:

$ sudo rm Python-3.5.6.tgz

Siirry Python 3.5 -hakemistoon:

$ cd Python-3.5.6

Ota optimoinnit käyttöön Python 3.5 -kokoelmaa varten:

$ sudo./configure --enable-optimizations

Käännä Python 3.5:

$ sudo tee altinstall

Päivitä pip ja asennustyökalut:

$ sudo python3.5 -m pip install -päivitä pip && python3.5 -m pip asennus -päivitä asennustyökalut

Asenna numpy:

$ python3.5 -m pip -asennus numpy

Siirry valittuun hakemistoon:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Lataa Tensorflow 1.11 whl:

$ wget

Asenna tensorflow:

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

Kloonaa OpenCV- ja OpenCV Contrib -arkistot:

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

Siirry hakemistoon:

$ cd opencv

Luo rakennushakemisto ja siirry siihen:

$ sudo mkdir build && cd build

Suorita CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = JULKAISTA mikä python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = POIS -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D WITH_CUDA = OFF -OFF BD -DBUILD_TBB = ON -D OPENCV_ENABLE_NONFREE = PÄÄLLÄ -DBUILD_opencv_xfeatures2d = OFF -D OPENGL = ON -D OPENMP = ON -D ENABLE_NEON = ON -D BUILD_PERF_TESTS = POIS -D BUILD_EN_V moduulit..

Käännä OpenCV 4 ytimellä:

$ sudo make -j 4

Asenna OpenCV:

$ sudo make install

Siirry valittuun hakemistoon:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Siirry skriptien hakemistoon:

$ cd object_detector_tensorflow_opencv/scripts/

Asenna Python3.5 -vaatimukset:

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

Testituonti:

$ python 3.5

> tuoda cv2 >> tuoda tensorflow

Huomautus: Jos cv2 palauttaa tuontivirheen, suorita make install OpenCV -koontikansioon ja yritä uudelleen

Siirry valittuun hakemistoon:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Lataa cocoapi -arkisto:

$ git -klooni

Lataa Tensorflow -mallien arkisto:

$ git -klooni

Siirry tähän hakemistoon:

$ cd cocoapi/PythonAPI

Muokkaa Makefile -tiedostoa vaihtamalla python python3.5: ksi riveillä 3 ja 8 ja tallenna sitten tiedosto (esimerkkinä nano):

$ nano Makefile

Kokoa kaakao:

$ sudo tehdä

Huomaa: Jos "make" -komento ei käänny, yritä asentaa cython uudelleen:

$ sudo python3.5 -m pip asenna cython

Kopioi pycocotools tensorflow /models /research -hakemistoon:

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

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

Siirry valittuun hakemistoon:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Siirry malleihin/tutkimushakemistoon:

$ cd -mallit/tutkimus

Käännä protokollalla:

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

Vie ympäristömuuttuja:

$ export PYTHONPATH = $ PYTHONPATH: `pwd`:` pwd`/ohut

Testaa ympäristöä:

$ python3.5 object_detection/builders/model_builder_test.py

Huomaa: Sen on palautettava OK, muuten sovellus ei toimi. Jos ei, etsi huolellisesti mahdolliset virheet vaadittujen kehysten asentamisessa

Vaihe 4: Objektin tunnistusliittymän suorittaminen

Kun kaikki kehykset on määritetty, on nyt mahdollista suorittaa objektin tunnistusliittymä, joka käyttää OpenCV: tä yhdessä Tensorflow'n kanssa.

Siirry valittuun hakemistoon:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Siirry objektin tunnistushakemistoon:

$ cd object_detector_tensorflow_opencv/

Suorita nyt sovellus:

$ python3.5 app.py

Nyt Dragonboard lähettää videon verkon kautta. Jos haluat nähdä lähtövideon, avaa selain DB: ssä ja siirry kohtaan "0.0.0.0: 5000".