Objektdetektering W/ Dragonboard 410c eller 820c med OpenCV och Tensorflow .: 4 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:44

Denna instruktion beskriver hur man installerar OpenCV, Tensorflow och maskininlärningsramar för Python 3.5 för att köra Object Detection -programmet.

Steg 1: Krav

Du behöver följande itens:

• En DragonBoard ™ 410c eller 820c;

• En ren installation av Linaro-alip:

  • DB410c: testad i version v431. Länk:
  • DB820c: testad i version v228. Länk:
• Minst ett 16 GB MicroSD -kort (om du använder 410c);

Ladda ner filen (i slutet av detta steg), packa upp och kopiera till MicroSD -kortet. Obs: Om du använder en DB820c, ladda ner filen, packa upp och flytta till/home/*USER*/för att underlätta användningen av kommandona.

• En USB -hubb;
• En USB -kamera (Linux -kompatibel);
• En USB -mus och tangentbord;
• En internetuppkoppling.

Obs: Följ dessa instruktioner i DragonBoard -webbläsaren om möjligt, vilket underlättar kopiering av kommandon

Steg 2: Montering av MicroSD -kortet (endast W/ DB410c)

• Öppna terminalen i Dragonboard;
• I terminalen kör fdisk:

$ sudo fdisk -l

• Sätt i MicroSD -kortet i DragonBoard MicroSD -kortplats;
• Kör fdisk igen och leta efter namnet (och partitionen) på den nya enheten i listan (t.ex. mmcblk1p1)

$ sudo fdisk -l

Gå till rotkatalogen:

$ cd ~

Skapa en mapp:

$ mkdir sdfolder

Montera MicroSD -kortet:

$ mount / dev / sdfolder

Steg 3: Installera erforderliga ramverk

• Öppna terminalen i Dragonboard;
• I terminalen, gå till en vald katalog (med "~" för 820c och det monterade SDCard för 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå till mappen Object Detector scripts:

$ cd object_detector_tensorflow_opencv/scripts/

Kör miljöinställningsskriptet:

$ sudo bash set_Env.sh

Uppdatera systemet:

$ sudo apt uppdatering

Installera dessa paket:

$ 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 libxvidcore-dev libxvidcore libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Gå till den här katalogen:

$ cd /usr /src

Ladda ner Python 3.5:

$ sudo wget

Extrahera paketet:

$ sudo tar xzf Python-3.5.6.tgz

Ta bort det komprimerade paketet:

$ sudo rm Python-3.5.6.tgz

Gå till Python 3.5 -katalogen:

$ cd Python-3.5.6

Aktivera optimeringar för Python 3.5 -sammanställningen:

$ sudo./configure --enable-optimizations

Kompilera Python 3.5:

$ sudo gör altinstall

Uppgradera pip och installationsverktyg:

$ sudo python3.5 -m pip installation -uppgradera pip && python3.5 -m pip install -uppgradera setuptools

Installera numpy:

$ python3.5 -m pip installera numpy

Gå till den valda katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Ladda ner Tensorflow 1.11 whl:

$ wget

Installera tensorflöde:

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

Klon OpenCV och OpenCV Contrib -arkiv:

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

Gå till katalogen:

$ cd opencv

Skapa byggkatalog och gå till den:

$ sudo mkdir build && cd build

Kör CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX =/usr/local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = PYTON_DATOR_DELAR_FÖT_DELAR_FÖRD_FÖRPUT_TÄND_FÖRPUT_DELAR_FÖTT_DELAR (D -PYTHON_DELAR) vilken 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 WITH_CUDA = OFF -D BUILD_ -DBUILD_TBB = PÅ -D OPENCV_ENABLE_NONFREE = PÅ -DBUILD_opencv_xfeatures2d = AV -D OPENGL = PÅ -D OPENMP = PÅ -D ENABLE_NEON = PÅ -D BUILD_PERF_TESTS = AV -D BUILD_OPEN_VÄRD_OPN_VÄRD_OPNC_DELA_PENNING_OPEN_VÄNDA_OPNC_DELA_PENNING_OPNC_DELAR_ENGÅNG_TILLBJUDANDE moduler..

Kompilera OpenCV med 4 kärnor:

$ sudo gör -j 4

Installera OpenCV:

$ sudo gör installationen

Gå till den valda katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå till skriptkatalogen:

$ cd object_detector_tensorflow_opencv/scripts/

Installera Python3.5 -krav:

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

Testimport:

$ python3.5

> import cv2 >> import tensorflow

Obs: Om cv2 returnerar importfel, kör make install i OpenCV build -mappen och försök igen

Gå till den valda katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Ladda ner cocoapi -förvaret:

$ git -klon

Ladda ner Tensorflow -modellerna:

$ git -klon

Gå till den här katalogen:

$ cd cocoapi/PythonAPI

Redigera filen Makefile, ändra python till python3.5 på rad 3 och 8 och spara sedan filen (med nano som exempel):

$ nano Makefile

Kompilera cocoapi:

$ sudo gör

Obs: Om kommandot 'make' inte kompilerar, försök installera om cython med:

$ sudo python3.5 -m pip install cython

Kopiera pycocotools till tensorflow /modeller /forskningskatalog:

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

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

Gå till den valda katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå till modeller/forskningskatalog:

$ cd -modeller/forskning

Kompilera med protokoll:

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

Exportera miljövariabel:

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

Testa miljön:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Den måste returnera OK, annars fungerar inte applikationen. Om inte, sök noga efter misstag i processen att installera de nödvändiga ramarna

Steg 4: Kör Object Detection API

Med alla ramar konfigurerade är det nu möjligt att köra objektdetekterings -API: et som använder OpenCV tillsammans med Tensorflow.

Gå till den valda katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå till objektidentifieringskatalogen:

$ cd object_detector_tensorflow_opencv/

Kör nu programmet:

$ python3.5 app.py

Nu kommer Dragonboard att strömma videon genom nätverket. För att se utgående video öppnar du webbläsaren i DB och går till "0.0.0.0: 5000".