Ազնվամորի Պի օբյեկտի հայտնաբերում. 7 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:46

Այս ուղեցույցը տալիս է քայլ առ քայլ հրահանգներ, թե ինչպես կարելի է ստեղծել Raspberry Pi- ի վրա TensorFlow’s Object Detection API: Հետևելով այս ուղեցույցի քայլերին ՝ դուք կկարողանաք օգտագործել ձեր Raspberry Pi- ն ՝ Picamera կամ USB վեբ տեսախցիկից կենդանի տեսանյութերի վրա օբյեկտի հայտնաբերում իրականացնելու համար: Ձեռքով մեքենայական ուսուցումը չի պահանջվում, ինչպես օգտագործվում է առցանց տվյալների բազայում ՝ օբյեկտների հայտնաբերման համար: Դուք կարող եք հայտնաբերել օբյեկտների մեծ մասը, որոնք սովորաբար օգտագործվում են ամբողջ աշխարհում:

Խնդրում եմ անդրադառնալ իմ վերը նշված նկարին, մենք օգտագործեցինք մկնիկ, խնձոր և մկրատ և կատարյալ հայտնաբերեցինք օբյեկտը:

Ուղեցույցն անցնում է հետևյալ քայլերով.

Թարմացրեք Raspberry Pi- ն

Տեղադրեք TensorFlowInstall OpenCV

Կազմեք և տեղադրեք Protobuf- ը

Կարգավորեք TensorFlow գրացուցակի կառուցվածքը

Հայտնաբերեք օբյեկտները:

Քայլ 1: Թարմացրեք Raspberry Pi- ն

Ձեր Raspberry Pi- ն պետք է թարմացվի

Քայլ 1:

Մուտքագրեք հրամանի տերմինալը, sudo apt-get թարմացում

Եվ հետո Մուտքագրեք

sudo apt-get dist-upgrade

Սա կարող է երկար տևել ՝ կախված ձեր ինտերնետից և Raspberry pi- ից

Դա այն ամենն է, ինչ ձեզ հարկավոր է, դուք ավարտել եք ձեր Raspberry pi- ի թարմացումը

Քայլ 2: Տեղադրեք TensorFlow

Այժմ մենք պատրաստվում ենք տեղադրել Tensorflow- ը:

Մուտքագրեք հետևյալ հրամանը, pip3 տեղադրել TensorFlow

TensorFlow- ին անհրաժեշտ է նաև LibAtlas փաթեթը: Մուտքագրեք հետևյալ հրամանը

sudo apt-get տեղադրել libatlas-base-dev

Եվ մուտքագրեք նաև հետևյալ հրամանը, sudo pip3 տեղադրել բարձ lxml jupyter matplotlib cythonsudo apt-get install python-tk

Այժմ մենք ավարտեցինք Tensorflow- ի տեղադրումը:

Քայլ 3: Տեղադրեք OpenCV

Այժմ մենք աշխատում ենք OpenCV գրադարանի տեղադրման վրա, քանի որ TensorFlow- ի օբյեկտների հայտնաբերման օրինակները օգտագործում են matplotlib պատկերները ցուցադրելու համար, բայց ես ընտրում եմ OpenCV- ով զբաղվելը, քանի որ ավելի հեշտ է աշխատել և ավելի քիչ սխալներ: Այսպիսով, մենք պետք է տեղադրենք OpenCV: Այժմ OpenCV- ն չի աջակցում RPI- ն, ուստի մենք պատրաստվում ենք տեղադրել հին Verision- ը:

Այժմ մենք աշխատում ենք տեղադրել մի քանի կախվածություն, որոնք պետք է տեղադրվեն apt-get- ի միջոցով

sudo apt-get տեղադրել libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev

sudo apt-get տեղադրել libavcodec-dev libavformat-dev libswscale-dev libv4l-dev

sudo apt-get տեղադրել libxvidcore-dev libx264-dev

sudo apt-get տեղադրել qt4-dev-tools libatlas-base-dev

Վերջապես, Այժմ մենք կարող ենք տեղադրել OpenCV ՝ մուտքագրելով ՝

pip3 տեղադրել opencv-python == 3.4.6.27

Այսքանը, մենք այժմ տեղադրել ենք OpenCV

Քայլ 4: Տեղադրեք Protobuf- ը

TensorFlow օբյեկտի հայտնաբերման API- ն օգտագործում է Protobuf- ը ՝ փաթեթ, որը համապատասխանում է Google- ի Protocol Buffer տվյալների ձևաչափին: Դուք պետք է կազմեք աղբյուրից, այժմ կարող եք հեշտությամբ տեղադրել:

sudo apt-get տեղադրել protobuf-compiler

Գործարկելուց հետո գործարկեք protoc --version- ը: Դուք պետք է ստանաք libprotoc 3.6.1 կամ նմանատիպ պատասխան:

Քայլ 5: Ստեղծեք TensorFlow տեղեկատուի կառուցվածքը

Մենք տեղադրել ենք բոլոր փաթեթները, մենք ցանկանում ենք ստեղծել տեղեկատու TensorFlow- ի համար: Տնային գրացուցակից ստեղծեք գրացուցակի անուն, որը կոչվում է «tensorflow1», Մուտքագրեք հետևյալը, mkdir tensorflow1cd tensorflow1

Այժմ ներբեռնեք TensorFlow- ը ՝ մուտքագրելով, git clone -խորություն 1

Մենք ցանկանում ենք փոփոխել PYTHONPATH միջավայրի փոփոխականը ՝ TensorFlow շտեմարանի ներսում որոշ դիրեկտորիաներին ուղղելու համար: Մեզ անհրաժեշտ է, որ PYTHONPATH- ը ամեն անգամ տեղադրվի: Մենք պետք է կարգավորենք.bashrc ֆայլը: Մենք պետք է բացենք այն մուտքագրելով

sudo nano./.bashrc

Ֆայլի վերջում և վերջին տողում ավելացրեք հրամանը, ինչպես վերևի պատկերը, որը նշված է կարմիր գույնի վանդակում:

արտահանում PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/մոդելներ/հետազոտություններ ՝/home/pi/tensorflow1/մոդելներ/հետազոտություններ/բարակ

Այժմ պահեք և դուրս եկեք: Մենք պետք է օգտագործենք Protoc- ը ՝ Protocol Buffer (.proto) ֆայլերը կազմելու համար, որոնք օգտագործվում են Object Detection API- ի կողմից:: Մուտքագրեք հետևյալ հրամանը

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

Այս հրամանը փոխում է բոլոր «name».proto ֆայլերը «name_pb2».py ֆայլերի:

cd/home/pi/tensorflow1/մոդելներ/հետազոտություն/օբյեկտի_բացահայտում

Մենք պետք է ներբեռնենք SSD_Lite մոդելը TensorFlowdetection մոդելի կենդանաբանական այգուց: Դրա համար մենք ցանկանում ենք օգտագործել SSDLite-MobileNet- ը, որը RPI- ի համար գոյություն ունեցող ամենաարագ մոդելն է:

Google- ը անվերջ թողարկում է ուժեղացված արագությամբ և կատարողականությամբ մոդելներ, ուստի հաճախ ստուգեք, արդյոք կան բարելավված մոդելներ:

SSDLite-MobileNet մոդելը ներբեռնելու համար մուտքագրեք հետևյալ հրամանը:

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Այժմ մենք կարող ենք կիրառել Object_Detction մոդելները:

Մենք գրեթե ավարտված ենք:

Քայլ 6: Հայտնաբերել օբյեկտը

Այժմ ամբողջը ստեղծված է Pi- ի վրա կատարման օբյեկտի հայտնաբերման համար:

Object_detection_picamera.py- ն ուղիղ եթերում հայտնաբերում է օբյեկտներ Picamera- ից կամ USB վեբ -տեսախցիկից:

Եթե դուք օգտագործում եք Picamera, փոխեք Raspberry Pi- ի կոնֆիգուրացիան ընտրացանկ, ինչպես կարմիր գույնի վանդակում նշված վերը նշված նկարում:

Մուտքագրեք հետևյալ հրամանը ՝ Object_detection_picamera.py ֆայլը բեռնելու համար object_detection գրացուցակում:

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

python3 Object_detection_picamera.py

USB տեսախցիկի համար մուտքագրեք հետևյալ հրամանը

python3 Object_detection_picamera.py --usbcam

Մեկի հրամանը կատարվում է, 1 րոպե անց բացվում է նոր պատուհան, որը կսկսի հայտնաբերել օբյեկտները !!!

Քայլ 7: Հարցեր և շնորհակալություն

Խնդրում եմ ինձ տեղեկացնել, եթե ունեք հարցեր

Փոստ `[email protected]

Շնորհակալություն, Ռիթիկ