Detecció d'objectes Raspberry Pi: 7 passos

2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:12

Aquesta guia proporciona instruccions pas a pas sobre com configurar l’API de detecció d’objectes de TensorFlow al Raspberry Pi. Seguint els passos d’aquesta guia, podreu utilitzar el vostre Raspberry Pi per realitzar la detecció d’objectes en vídeo en directe des d’una càmera web Picamera o USB. No és necessari l'aprenentatge manual per màquina, ja que s'utilitza a la base de dades en línia per a la detecció d'objectes. Podeu detectar la majoria dels objectes que s’utilitzen habitualment a tot el món.

Consulteu la meva imatge anterior, hem utilitzat un ratolí, Apple i tisores i hem detectat l'objecte perfectament.

El guia recorre els següents passos:

Actualitzeu el Raspberry Pi

Instal·leu TensorFlowInstall OpenCV

Compileu i instal·leu Protobuf

Configureu l'estructura de directoris TensorFlow

Detecta objectes

Pas 1: actualitzeu Raspberry Pi

Cal actualitzar el vostre Raspberry Pi

Pas 1:

Escriviu el terminal d’ordres, sudo apt-get update

I, a continuació, escriviu

sudo apt-get dist-upgrade

Això pot trigar molt depèn de la vostra Internet i de Raspberry pi

Això és tot el que necessiteu, ja heu acabat d'actualitzar el vostre Raspberry pi

Pas 2: instal·leu TensorFlow

Ara, instal·larem Tensorflow.

Escriviu aquesta ordre següent, pip3 instal·la TensorFlow

TensorFlow també necessita el paquet LibAtlas. Escriviu aquesta ordre següent

sudo apt-get install libatlas-base-dev

I escriviu també aquesta ordre següent, sudo pip3 install coixí lxml jupyter matplotlib cythonsudo apt-get install python-tk

Ara hem acabat d’instal·lar Tensorflow.

Pas 3: instal·leu OpenCV

Ara estem treballant per instal·lar la biblioteca OpenCV perquè els exemples de detecció d’objectes de TensorFlow utilitzen matplotlib per mostrar imatges, però jo decideixo practicar OpenCV, ja que és més fàcil treballar amb menys errors. Per tant, hem d’instal·lar OpenCV. Ara OpenCV no admet RPI, de manera que instal·larem Verision anterior.

Ara estem treballant per instal·lar algunes dependències que cal instal·lar mitjançant 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

Finalment, ara podem instal·lar OpenCV escrivint, pip3 instal·la opencv-python == 3.4.6.27

Això és tot, ara hem instal·lat OpenCV

Pas 4: instal·leu Protobuf

L’API de detecció d’objectes TensorFlow utilitza Protobuf, un paquet que s’adapta al format de dades de Buffer de protocols de Google. Heu de compilar des de la font, ara podeu instal·lar-la fàcilment.

sudo apt-get install protobuf-compiler

Executeu protoc --version un cop fet això. Hauríeu d'obtenir una resposta de libprotoc 3.6.1 o similar.

Pas 5: configureu l'estructura de directori TensorFlow

Hem instal·lat tots els paquets, volem configurar un directori per a TensorFlow. Des del directori inicial, creeu un nom de directori anomenat "tensorflow1", Escriviu el següent, mkdir tensorflow1cd tensorflow1

Ara descarregueu TensorFlow escrivint, git clone --depth 1

Volem modificar la variable d'entorn PYTHONPATH per dirigir-la a alguns directoris dins del dipòsit TensorFlow. Necessitem establir PYTHONPATH cada vegada. Hem d’ajustar el fitxer.bashrc. L’hem d’obrir escrivint

sudo nano ~ /.bashrc

Al final del fitxer i a l'última línia afegiu l'ordre, com a la imatge superior que està marcada al quadre de color vermell.

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

Ara deseu i sortiu. Hem d’utilitzar Protoc per compilar els fitxers Protocol Buffer (.proto) que utilitza l’API de detecció d’objectes. Els fitxers.proto es troben a / research / object_detection / protos, volem executar l’ordre des del directori / research. Escriviu l'ordre següent

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

Aquesta ordre canvia tots els fitxers.proto de "nom" a fitxers.py "name_pb2".

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

Hem de descarregar el model SSD_Lite del zoo del model TensorFlowdetection. Per a això, volem utilitzar SSDLite-MobileNet, que és el model més ràpid existent per a l'RPI.

Google llança infinitament models amb una velocitat i un rendiment millorats, així que comproveu sovint si hi ha algun model millorat.

Escriviu l'ordre següent per descarregar el model SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Ara podem practicar els models Object_Detction.

Estem a punt d’acabar!

Pas 6: detectar objectes

Ara tot està configurat per a la detecció d’objectes d’execució al Pi.

Object_detection_picamera.py detecta objectes en directe des d’una càmera web Picamera o USB.

Si utilitzeu una Picamera, feu un canvi de configuració de Raspberry Pi per un menú com a la imatge superior marcada amb un quadre de color vermell.

Escriviu l'ordre següent per descarregar el fitxer Object_detection_picamera.py al directori 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

Escriviu l'ordre següent per a la càmera USB

python3 Object_detection_picamera.py --usbcam

L'ordre s'executa, al cap d'1 minut s'obre una nova finestra que començarà a detectar els objectes !!!

Pas 7: Problemes i gràcies

Si teniu cap pregunta, feu-m’ho saber

Correu electrònic: [email protected]

Gràcies, Rithik