Raspberry Pi Object Detection: 7 koraka

2025 Autor: John Day | [email protected]. Zadnja izmjena: 2025-01-23 14:37

Ovaj vodič pruža korak-po-korak upute za postavljanje API-ja za otkrivanje objekata TensorFlow-a na Raspberry Pi. Slijedeći korake u ovom vodiču, moći ćete koristiti svoj Raspberry Pi za obavljanje detekcije objekata na video zapisu uživo s Picamere ili USB web kamere. Ručno mašinsko učenje nije potrebno jer se koristi u online bazi podataka za otkrivanje objekata. Možete otkriti većinu objekata koji se uobičajeno koriste širom svijeta.

Pogledajte moju gornju sliku, koristili smo miš, jabuku i škare i savršeno detektirali objekt.

Vodič prolazi kroz sljedeće korake:

Ažurirajte Raspberry Pi

Instalirajte TensorFlowInstall OpenCV

Kompajlirajte i instalirajte Protobuf

Postavite strukturu direktorija TensorFlow

Otkrijte objekte

Korak 1: Ažurirajte Raspberry Pi

Vaš Raspberry Pi treba ažurirati

Korak 1:

Upišite komandni terminal, sudo apt-get update

A zatim upišite

sudo apt-get dist-upgrade

Ovo može potrajati dugo ovisi o vašem Internetu i malini pi

To je sve što vam treba, završili ste s ažuriranjem Raspberry pi

Korak 2: Instalirajte TensorFlow

Sada ćemo instalirati Tensorflow.

Upišite ovu naredbu, pip3 instalirajte TensorFlow

TensorFlow -u je također potreban paket LibAtlas, upišite ovu naredbu

sudo apt-get install libatlas-base-dev

Upišite i ovu naredbu, sudo pip3 instalirati jastuk lxml jupyter matplotlib cythonsudo apt-get instalirati python-tk

Sada smo završili instaliranje Tensorflow -a.

Korak 3: Instalirajte OpenCV

Sada radimo na instaliranju OpenCV biblioteke jer primjeri otkrivanja objekata TensorFlow -a koriste matplotlib za prikazivanje slika, ali ja odabirem vježbanje OpenCV -a jer je lakše raditi s manje grešaka. Dakle, moramo instalirati OpenCV. Sada OpenCV ne podržava RPI, pa ćemo instalirati stariji Verision.

Sada radimo na instaliranju nekoliko ovisnosti koje je potrebno instalirati putem 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

Konačno, sada možemo instalirati OpenCV upisivanjem, pip3 install opencv-python == 3.4.6.27

To je sve, sada smo instalirali OpenCV

Korak 4: Instalirajte Protobuf

API za otkrivanje objekata TensorFlow koristi Protobuf, paket koji odlikuje Googleov format podataka Buffer protokola. Morate kompajlirati iz izvora, sada možete jednostavno instalirati.

sudo apt-get install protobuf-kompajler

Pokrenite protoc --version kada to učinite. Trebali biste dobiti odgovor libprotoc 3.6.1 ili slično.

Korak 5: Postavite TensorFlow strukturu direktorija

Instalirali smo sve pakete, želimo postaviti direktorij za TensorFlow. Iz kućnog direktorija stvorite ime direktorija pod nazivom "tensorflow1", Upišite sljedeće, mkdir tensorflow1cd tensorflow1

Sada preuzmite TensorFlow upisivanjem, git clone --depth 1

Želimo izmijeniti varijablu okruženja PYTHONPATH tako da usmjerava na neke direktorije unutar spremišta TensorFlow. Svaki put moramo postaviti PYTHONPATH. Moramo prilagoditi.bashrc datoteku. Moramo ga otvoriti kucanjem

sudo nano ~/.bashrc

Na kraju datoteke i u posljednji redak dodajte naredbu, kao na gornjoj slici koja je označena u okviru crvene boje.

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

Sada spremite i izađite. Moramo koristiti Protoc za kompajliranje datoteka Buffer protokola (.proto) koje koristi API za otkrivanje objekata. Datoteke.proto nalaze se u /research /object_detection /protos, želimo izvršiti naredbu iz direktorija /research. Upišite sljedeću naredbu

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

Ova naredba mijenja sve datoteke "name".proto u "name_pb2".py datoteke.

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

Moramo preuzeti model SSD_Lite iz zoološkog vrta modela TensorFlowdetection. U tu svrhu želimo koristiti SSDLite-MobileNet, koji je najbrži model za RPI.

Google beskrajno objavljuje modele poboljšane brzine i performansi, pa često provjeravajte postoje li poboljšani modeli.

Unesite sljedeću naredbu za preuzimanje modela SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Sada možemo vježbati Object_Detction modele!

Skoro smo gotovi!

Korak 6: Otkrijte objekt

Sada je cijela stvar postavljena za otkrivanje objekata izvršenja na Pi!

Object_detection_picamera.py otkriva objekte uživo s Picamere ili USB web kamere.

Ako koristite Picameru, promijenite konfiguraciju Raspberry Pi na izborniku kao na gornjoj slici označenoj crvenim okvirom.

Upišite sljedeću naredbu za preuzimanje datoteke Object_detection_picamera.py u direktorij 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

Unesite sljedeću naredbu za USB kameru

python3 Object_detection_picamera.py --usbcam

Jedna naredba se izvršava, nakon 1 minute otvara se novi prozor koji će početi otkrivati objekte !!!

Korak 7: Problemi i hvala

Javite mi ako imate pitanja

E -pošta: [email protected]

Hvala ti, Rithik