Raspberry Pi Object Detection: 7 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:40

Den här guiden innehåller steg-för-steg-instruktioner för hur du konfigurerar TensorFlows Object Detection API på Raspberry Pi. Genom att följa stegen i den här guiden kommer du att kunna använda din Raspberry Pi för att utföra objektdetektering på livevideo från en Picamera- eller USB -webbkamera. Manuell maskininlärning krävs inte som används i onlinedatabasen för objektdetektering. Du kan upptäcka de flesta föremål som vanligtvis används över hela världen.

Se min bild ovan, vi använde en mus, Apple och sax och upptäckte objektet perfekt.

Guiden går igenom följande steg:

Uppdatera Raspberry Pi

Installera TensorFlowInstall OpenCV

Kompilera och installera Protobuf

Ställ in TensorFlow katalogstruktur

Upptäck föremål

Steg 1: Uppdatera Raspberry Pi

Din Raspberry Pi måste uppdateras

Steg 1:

Skriv in kommandoterminalen, sudo apt-get uppdatering

Och sedan Typ

sudo apt-get dist-upgrade

Detta kan ta lång tid beror på ditt Internet och Raspberry pi

Det är allt du behöver, du har uppdaterat din Raspberry pi

Steg 2: Installera TensorFlow

Nu ska vi installera Tensorflow.

Skriv följande kommando, pip3 installera TensorFlow

TensorFlow behöver också LibAtlas -paketet. Skriv det här kommandot

sudo apt-get install libatlas-base-dev

Och skriv det här kommandot också, sudo pip3 installera kudde lxml jupyter matplotlib cythonsudo apt-get install python-tk

Nu har vi installerat Tensorflow.

Steg 3: Installera OpenCV

Nu arbetar vi med att installera OpenCV -biblioteket eftersom TensorFlows exempel på objektdetektering använder matplotlib för att visa bilder, men jag väljer att öva OpenCV eftersom det är lättare att arbeta med och färre fel. Så vi måste installera OpenCV. Nu stöder OpenCV inte RPI, så vi kommer att installera äldre Verision.

Nu arbetar vi med att installera några beroende som måste installeras via 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

Slutligen, nu kan vi installera OpenCV genom att skriva, pip3 installera opencv-python == 3.4.6.27

Det är allt, vi har nu installerat OpenCV

Steg 4: Installera Protobuf

TensorFlow -objektdetekterings -API använder Protobuf, ett paket som passar Googles protokollbufferdataformat. Du måste kompilera från källan, nu kan du enkelt installera.

sudo apt-get install protobuf-compiler

Kör protokoll -version när det är klart. Du bör få ett svar från libprotoc 3.6.1 eller liknande.

Steg 5: Konfigurera TensorFlow katalogstruktur

Vi har installerat alla paket, vi vill skapa en katalog för TensorFlow. Från hemkatalogen, skapa ett katalognamn som heter "tensorflow1", Skriv följande, mkdir tensorflow1cd tensorflow1

Ladda nu ner TensorFlow genom att skriva, git -klon -djup 1

Vi vill ändra miljövariabeln PYTHONPATH för att rikta till vissa kataloger i TensorFlow -förvaret. Vi behöver PYTHONPATH för att ställas in varje gång. Vi måste justera.bashrc -filen. Vi måste öppna den genom att skriva

sudo nano ~/.bashrc

I slutet av filen och den sista raden lägger du till kommandot, som i den översta bilden som är markerad i den röda färgrutan.

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

Spara nu och avsluta. Vi måste använda Protoc för att sammanställa Protocol Buffer (.proto) -filer som används av Object Detection API.. Proto -filerna finns i /research /object_detection /protos, vi vill utföra kommandot från /research -katalogen. Skriv följande kommando

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

Detta kommando ändrar alla "name".proto -filer till "name_pb2".py -filer.

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

Vi måste ladda ner SSD_Lite -modellen från djurparken TensorFlowdetection. För detta vill vi använda SSDLite-MobileNet, som är den snabbaste modellen som finns för RPI.

Google släpper oändligt ut modeller med förbättrad hastighet och prestanda, så kolla ofta om det finns några förbättrade modeller.

Skriv följande kommando för att ladda ner SSDLite-MobileNet-modellen.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Nu kan vi öva Object_Detction -modellerna!

Vi är nästan klara!

Steg 6: Upptäck objekt

Nu är det hela konfigurerat för detektering av exekveringsobjekt på Pi!

Object_detection_picamera.py detekterar objekt i live från en Picamera- eller USB -webbkamera.

Om du använder en Picamera, ändra Raspberry Pi -konfigurationen en meny som i bilden ovan markerad med röd färglåda.

Skriv följande kommando för att ladda ner filen Object_detection_picamera.py till katalogen 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

Skriv följande kommando för USB -kamera

python3 Object_detection_picamera.py --usbcam

Ens kommando utförs, efter 1 minut öppnas ett nytt fönster som börjar upptäcka objekten !!!

Steg 7: Problem och tack

Hör av dig om du har några frågor

E -post: [email protected]

Tack, Rithik