Բովանդակություն:
- Քայլ 1: Պահանջներ
- Քայլ 2. MicroSD քարտի տեղադրում (միայն W/ DB410c)
- Քայլ 3: Պահանջվող շրջանակների տեղադրում
- Քայլ 4. Գործարկեք օբյեկտի հայտնաբերման API- ն
![Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c OpenCV- ի և Tensorflow- ի միջոցով. 4 քայլ Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c OpenCV- ի և Tensorflow- ի միջոցով. 4 քայլ](https://i.howwhatproduce.com/images/003/image-6246-2-j.webp)
Video: Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c OpenCV- ի և Tensorflow- ի միջոցով. 4 քայլ
![Video: Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c OpenCV- ի և Tensorflow- ի միջոցով. 4 քայլ Video: Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c OpenCV- ի և Tensorflow- ի միջոցով. 4 քայլ](https://i.ytimg.com/vi/2fVwzXmN7Ew/hqdefault.jpg)
2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:48
![Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը](https://i.howwhatproduce.com/images/003/image-6246-3-j.webp)
![Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը](https://i.howwhatproduce.com/images/003/image-6246-4-j.webp)
![Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը](https://i.howwhatproduce.com/images/003/image-6246-5-j.webp)
![Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը Օբյեկտի հայտնաբերում W/ Dragonboard 410c կամ 820c օգտագործելով OpenCV և Tensorflow- ը](https://i.howwhatproduce.com/images/003/image-6246-6-j.webp)
Այս հրահանգները նկարագրում են, թե ինչպես տեղադրել OpenCV, Tensorflow և մեքենայական ուսուցման շրջանակներ Python 3.5 – ի համար ՝ օբյեկտների հայտնաբերման ծրագիրը գործարկելու համար:
Քայլ 1: Պահանջներ
Ձեզ հարկավոր են հետևյալ պարագաները.
- DragonBoard ™ 410c կամ 820c;
-
Linaro-alip- ի մաքուր տեղադրում.
- DB410c. Փորձարկվել է v431. տարբերակում: Հղում ՝
- DB820c. Փորձարկվել է v228 տարբերակով: Հղում ՝
- Առնվազն 16 ԳԲ հզորությամբ MicroSD քարտ (եթե օգտագործում եք 410c);
Ներբեռնեք ֆայլը (այս քայլի վերջում), բացեք և պատճենեք MicroSD քարտին: Obs. Եթե DB820c եք օգտագործում, ներբեռնեք ֆայլը, բացեք այն և տեղափոխեք/տուն/*USER*/՝ հրամանների օգտագործումը հեշտացնելու համար:
- USB հանգույց;
- USB տեսախցիկ (Linux- ի հետ համատեղելի);
- USB մկնիկ և ստեղնաշար;
- Ինտերնետ կապ:
Ուշադրություն. Հնարավորության դեպքում հետևեք այս հրահանգներին DragonBoard դիտարկիչում ՝ հեշտացնելով հրամանների պատճենումը:
Քայլ 2. MicroSD քարտի տեղադրում (միայն W/ DB410c)
- Բացեք տերմինալը Dragonboard- ում;
- Տերմինալի գործարկման fdisk:
$ sudo fdisk -l
- Տեղադրեք MicroSD քարտը DragonBoard MicroSD քարտի բնիկի մեջ;
- Կրկին գործարկեք fdisk- ը ՝ ցանկում փնտրելով նոր սարքի անունը (և բաժանումը) (օրինակ ՝ mmcblk1p1)
$ sudo fdisk -l
Գնացեք արմատային գրացուցակ
$ cd
Ստեղծեք թղթապանակ
$ mkdir sd պանակ
Տեղադրեք MicroSD քարտ
$ mount / dev / sd պանակ
Քայլ 3: Պահանջվող շրջանակների տեղադրում
- Բացեք տերմինալը Dragonboard- ում;
- Տերմինալում գնացեք ընտրված գրացուցակ (820c- ի համար օգտագործելով «~» և 410c- ի համար տեղադրված SDCard- ը).
(820c) $ cd
(410c) $ cd ~/sd պանակ
Գնացեք օբյեկտի հայտնաբերման սցենարների պանակ:
$ cd object_detector_tensorflow_opencv/սցենարներ/
Գործարկեք միջավայրի կարգավորման սցենարը
$ sudo bash set_Env.sh
Թարմացրեք համակարգը
$ sudo apt թարմացում
Տեղադրեք այս փաթեթները
$ 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-build 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 libxvidcore libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl
Անցեք այս գրացուցակին
$ cd /usr /src
Ներբեռնեք Python 3.5:
$ sudo wget
Հանել փաթեթը
$ sudo tar xzf Python-3.5.6.tgz
Deնջել սեղմված փաթեթը
$ sudo rm Python-3.5.6.tgz
Գնացեք Python 3.5 գրացուցակ
$ cd Python-3.5.6
Միացնել Python 3.5 հավաքածուի օպտիմալացումները
$ sudo./configure-ակտիվացնել-օպտիմալացումները
Կազմել Python 3.5:
$ sudo make altinstall
Թարմացրեք pip և տեղադրման գործիքներ
$ sudo python3.5 -m pip install -upgrade pip && python3.5 -m pip install -upgrade setuptools
Տեղադրեք numpy:
$ python3.5 -m pip տեղադրեք numpy
Գնացեք ընտրված գրացուցակ
(820c) $ cd
(410c) $ cd ~/sd պանակ
Ներբեռնեք Tensorflow 1.11 whl:
$ wget
Տեղադրեք tensorflow:
$ sudo python3.5 -m pip տեղադրել tensorflow-1.11.0-cp35-none-linux_aarch64.whl
Կլոնավորել OpenCV և OpenCV Contrib պահեստարանները
$ sudo git clone -b 3.4 https://github.com/opencv/opencv.git && sudo git clone -b 3.4
Գնալ գրացուցակ
$ cd opencv
Ստեղծեք կառուցման գրացուցակ և անցեք դրան
$ sudo mkdir build && cd build
Գործարկել CMake:
$ Sudo cmake -D CMAKE_BUILD_TYPE = ՀԱՂՈՐԴԱԳՐՈՒԹՅՈՒՆ -D CMAKE_INSTALL_PREFIX = / usr / տեղական -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON -D PYTHON3_DEFAULT_EXECUTABLE = $ (որը python3.5) -D PYTHON3_EXECUTABLE: filepath = $ (որը python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = OFF -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D = BIDD -DBUILD_TBB = ON -D OPENCV_ENABLE_NONFREE = ON -DBUILD_opencv_xfeatures2d = OFF -D OPENGL = ON -D OPENMP = ON -D ENABLE_NEON = ON -D BUILD_PERF_TESTS = OFF -D BUILDEN_EN մոդուլներ..
Կազմել OpenCV 4 միջուկով
$ sudo make -j 4
Տեղադրեք OpenCV:
$ sudo make install
Գնացեք ընտրված գրացուցակ
(820c) $ cd
(410c) $ cd ~/sd պանակ
Գնացեք սցենարների գրացուցակ
$ cd object_detector_tensorflow_opencv/սցենարներ/
Տեղադրեք Python3.5 պահանջները
$ sudo python3.5 -m pip install -r պահանջները. txt -no -cache -dir
Թեստային ներմուծում
$ python3.5
> ներմուծել cv2 >> ներմուծել tensorflow
Obs. Եթե cv2- ը վերադարձնի ներմուծման սխալը, գործարկեք make install OpenCV կառուցման թղթապանակում և նորից փորձեք:
Գնացեք ընտրված գրացուցակ
(820c) $ cd
(410c) $ cd ~/sd պանակ
Ներբեռնեք cocoapi շտեմարանը
$ git կլոն
Ներբեռնեք Tensorflow մոդելների շտեմարան
$ git կլոն
Անցեք այս գրացուցակին
$ cd cocoapi/PythonAPI
Խմբագրեք Makefile ֆայլը ՝ 3 -րդ և 8 -րդ տողերում փոխելով python- ը python3.5, այնուհետև պահպանեք ֆայլը (օրինակ ՝ nano- ն օգտագործելով)
$ nano Makefile
Կազմեք կոկոպին
$ sudo մակնիշ
Obs. Եթե «make» հրամանը չի հավաքվում, փորձեք նորից տեղադրել cython- ը ՝
$ sudo python3.5 -մ pip տեղադրեք ցիտոն
Պատճենեք pycocotools- ը tensorflow /models /research directory:
(820c) $ cp -r pycocotools ~/մոդելներ/հետազոտություններ/
(410c) $ cp -r pycocotools/sdfolder/մոդելներ/հետազոտություններ/
Գնացեք ընտրված գրացուցակ
(820c) $ cd
(410c) $ cd ~/sd պանակ
Գնացեք մոդելների/հետազոտությունների գրացուցակ
$ cd մոդելներ/հետազոտություն
Կազմել protoc- ի հետ
$ protoc object_detection/protos/*. proto --python_out =.
Արտահանման միջավայրի փոփոխական
$ արտահանման PYTHONPATH = $ PYTHONPATH: `pwd`:` pwd`/բարակ
Փորձարկեք միջավայրը
$ python3.5 object_detection/builders/model_builder_test.py
Obs. Այն պետք է վերադառնա OK, հակառակ դեպքում հավելվածը չի աշխատի: Եթե ոչ, ապա ուշադիր փնտրեք որևէ սխալ `պահանջվող շրջանակների տեղադրման գործընթացում:
Քայլ 4. Գործարկեք օբյեկտի հայտնաբերման API- ն
![Գործարկում է օբյեկտի հայտնաբերման API- ն Գործարկում է օբյեկտի հայտնաբերման API- ն](https://i.howwhatproduce.com/images/003/image-6246-7-j.webp)
Բոլոր կազմաձևված շրջանակներով այժմ հնարավոր է գործարկել օբյեկտի հայտնաբերման API- ն, որն օգտագործում է OpenCV- ն Tensorflow- ի հետ միասին:
Գնացեք ընտրված գրացուցակ
(820c) $ cd
(410c) $ cd ~/sd պանակ
Անցեք օբյեկտների հայտնաբերման գրացուցակին
$ cd object_detector_tensorflow_opencv/
Այժմ գործարկեք ծրագիրը
$ python3.5 app.py
Այժմ Dragonboard- ը տեսանյութը կհեռարձակի ցանցի միջոցով: Ելքային տեսանյութը տեսնելու համար բացեք զննարկիչը DB- ում և գնացեք «0.0.0.0: 5000»:
Խորհուրդ ենք տալիս:
Օբյեկտի հայտնաբերում Sipeed MaiX տախտակներով (Kendryte K210) ՝ 6 քայլ
![Օբյեկտի հայտնաբերում Sipeed MaiX տախտակներով (Kendryte K210) ՝ 6 քայլ Օբյեկտի հայտնաբերում Sipeed MaiX տախտակներով (Kendryte K210) ՝ 6 քայլ](https://i.howwhatproduce.com/images/001/image-134-13-j.webp)
Օբյեկտների հայտնաբերում Sipeed MaiX տախտակներով (Kendryte K210). Որպես Sipeed MaiX տախտակներով պատկերի ճանաչման մասին իմ նախորդ հոդվածի շարունակություն, ես որոշեցի գրել մեկ այլ ձեռնարկ ՝ կենտրոնանալով օբյեկտների հայտնաբերման վրա: Վերջերս ինչ -որ հետաքրքիր սարքավորում հայտնվեց Kendryte K210 չիպով, ներառյալ S
Պարզ գույնի հայտնաբերում OpenCV- ի միջոցով. 6 քայլ
![Պարզ գույնի հայտնաբերում OpenCV- ի միջոցով. 6 քայլ Պարզ գույնի հայտնաբերում OpenCV- ի միջոցով. 6 քայլ](https://i.howwhatproduce.com/images/007/image-18589-j.webp)
Պարզ գույնի հայտնաբերում OpenCV- ի միջոցով. Բարև: Այսօր ես ցույց կտամ OpenCV- ի և python- ի միջոցով կենդանի տեսանյութից գույնը հայտնաբերելու մի պարզ մեթոդ: Հիմնականում ես պարզապես կփորձեմ անհրաժեշտ գույնը առկա է հետին պլանում կամ ոչ, և OpenCV մոդուլների միջոցով դիմակավորելու եմ այդ տարածաշրջանը և
Գույնի հայտնաբերում Python- ում OpenCV- ի միջոցով. 8 քայլ
![Գույնի հայտնաբերում Python- ում OpenCV- ի միջոցով. 8 քայլ Գույնի հայտնաբերում Python- ում OpenCV- ի միջոցով. 8 քայլ](https://i.howwhatproduce.com/images/007/image-18629-j.webp)
Գույնի հայտնաբերում Python- ում OpenCV- ի միջոցով. Բարև: Այս հրահանգը օգտագործվում է ուղեցույց այն մասին, թե ինչպես կարելի է պիթոնում պատկերից վերցնել որոշակի գույն ՝ օգտագործելով openCV գրադարան: Եթե դուք նոր եք այս տեխնիկայում, ապա մի անհանգստացեք, այս ուղեցույցի վերջում դուք կկարողանաք ծրագրավորել ձեր սեփական գույնը
Ազնվամորի Պի օբյեկտի հայտնաբերում. 7 քայլ
![Ազնվամորի Պի օբյեկտի հայտնաբերում. 7 քայլ Ազնվամորի Պի օբյեկտի հայտնաբերում. 7 քայլ](https://i.howwhatproduce.com/images/009/image-24322-j.webp)
Raspberry Pi օբյեկտի հայտնաբերում. Այս ուղեցույցը տալիս է քայլ առ քայլ հրահանգներ, թե ինչպես ստեղծել Raspberry Pi- ի վրա TensorFlow’s Object Detection API- ն: Հետևելով այս ուղեցույցի քայլերին ՝ դուք կկարողանաք օգտագործել ձեր Raspberry Pi- ն ՝ կենդանի տեսանյութերի միջոցով օբյեկտների հայտնաբերում իրականացնելու P
Տեսողական օբյեկտի հայտնաբերում ֆոտոխցիկով (TfCD). 15 քայլ (նկարներով)
![Տեսողական օբյեկտի հայտնաբերում ֆոտոխցիկով (TfCD). 15 քայլ (նկարներով) Տեսողական օբյեկտի հայտնաբերում ֆոտոխցիկով (TfCD). 15 քայլ (նկարներով)](https://i.howwhatproduce.com/images/004/image-9177-9-j.webp)
Տեսախցիկների միջոցով օբյեկտների հայտնաբերում (TfCD). Ognանաչողական ծառայությունները, որոնք կարող են ճանաչել հույզերը, մարդկանց դեմքերը կամ պարզ առարկաները, դեռ զարգացման վաղ փուլում են, սակայն մեքենայական ուսուցման դեպքում այս տեխնոլոգիան գնալով զարգանում է: Մենք կարող ենք ակնկալել, որ այս հրաշքն ավելի շատ կտեսնենք