Raspberry Pi Object Detection: 7 trinn

2025 Forfatter: John Day | [email protected]. Sist endret: 2025-01-23 15:02

Denne guiden gir trinnvise instruksjoner for hvordan du konfigurerer TensorFlows Object Detection API på Raspberry Pi. Ved å følge trinnene i denne veiledningen, vil du kunne bruke Raspberry Pi til å utføre gjenkjenning av objekter på livevideo fra et Picamera- eller USB -webkamera. Manuell maskinlæring er ikke nødvendig slik den brukes i den elektroniske databasen for gjenkjenning av objekter. Du kan oppdage de fleste objektene som vanligvis brukes over hele verden.

Se bildet mitt ovenfor, vi brukte mus, Apple og saks og oppdaget objektet perfekt.

Guiden går gjennom følgende trinn:

Oppdater Raspberry Pi

Installer TensorFlowInstall OpenCV

Kompiler og installer Protobuf

Sett opp TensorFlow katalogstruktur

Oppdag gjenstander

Trinn 1: Oppdater Raspberry Pi

Raspberry Pi må oppdateres

Trinn 1:

Skriv inn kommandoterminalen, sudo apt-get oppdatering

Og deretter Type

sudo apt-get dist-upgrade

Dette kan ta lang tid avhenger av Internett og bringebær pi

Det er alt du trenger, du har fullført oppdateringen av Raspberry pi

Trinn 2: Installer TensorFlow

Nå skal vi installere Tensorflow.

Skriv inn følgende kommando, pip3 installer TensorFlow

TensorFlow trenger også LibAtlas -pakken. Skriv inn følgende kommando

sudo apt-get install libatlas-base-dev

Og skriv denne følgende kommandoen også, sudo pip3 installere pute lxml jupyter matplotlib cythonsudo apt-get install python-tk

Nå er vi ferdig med å installere Tensorflow.

Trinn 3: Installer OpenCV

Nå jobber vi med å installere OpenCV -biblioteket fordi TensorFlows objektgjenkjenningseksempler bruker matplotlib for å vise bilder, men jeg velger å øve OpenCV siden det er lettere å jobbe med og færre feil. Så vi må installere OpenCV. Nå støtter ikke OpenCV RPI, så vi skal installere eldre Verision.

Nå jobber vi med å installere noen få avhengigheter som må installeres 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

Til slutt, nå kan vi installere OpenCV ved å skrive, pip3 installer opencv-python == 3.4.6.27

Det er alt, vi har nå installert OpenCV

Trinn 4: Installer Protobuf

TensorFlow objektgjenkjennings -API bruker Protobuf, en pakke som er utstyrt med Googles Protocol Buffer -dataformat. Du må kompilere fra kilde, nå kan du enkelt installere.

sudo apt-get install protobuf-compiler

Kjør protokollversjon når det er gjort. Du bør få et svar fra libprotoc 3.6.1 eller lignende.

Trinn 5: Konfigurer TensorFlow katalogstruktur

Vi har installert alle pakkene, vi vil sette opp en katalog for TensorFlow. Fra hjemmekatalogen, opprett et katalognavn kalt "tensorflow1", Skriv inn følgende, mkdir tensorflow1cd tensorflow1

Last ned nå TensorFlow ved å skrive, git -klon -dybde 1

Vi ønsker å endre PYTHONPATH -miljøvariabelen for å rette til noen kataloger inne i TensorFlow -depotet. Vi trenger at PYTHONPATH skal stilles inn hver gang. Vi må justere.bashrc -filen. Vi må åpne den ved å skrive

sudo nano ~/.bashrc

På slutten av filen, og den siste linjen, legg til kommandoen, som i det øverste bildet som er merket i den røde fargeboksen.

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

Lagre og avslutt. Vi må bruke Protoc for å kompilere Protocol Buffer (.proto) -filene som brukes av Object Detection API.. Proto -filene ligger i /research /object_detection /protos, vi ønsker å utføre kommandoen fra /research -katalogen. Skriv følgende kommando

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

Denne kommandoen endrer alle "name".proto -filene til "name_pb2".py -filer.

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

Vi må laste ned SSD_Lite -modellen fra TensorFlowdetection modell zoo. For dette ønsker vi å bruke SSDLite-MobileNet, som er den raskeste modellen som finnes for RPI.

Google gir ut uendelige modeller med forbedret hastighet og ytelse, så sjekk ofte om det er noen forbedrede modeller.

Skriv inn følgende kommando for å laste ned SSDLite-MobileNet-modellen.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Nå kan vi øve Object_Detction -modellene!

Vi er nesten ferdige!

Trinn 6: Finn objekt

Nå er det hele konfigurert for gjenkjenningsobjektdeteksjon på Pi!

Object_detection_picamera.py oppdager objekter i live fra et Picamera- eller USB -webkamera.

Hvis du bruker en Picamera, må du endre Raspberry Pi -konfigurasjonen til en meny som på bildet ovenfor markert med rød fargeboks.

Skriv inn følgende kommando for å laste ned Object_detection_picamera.py -filen til object_detection -katalogen.

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

python3 Object_detection_picamera.py

Skriv inn følgende kommando for USB -kamera

python3 Object_detection_picamera.py --usbcam

Ens kommando utføres, etter 1 minutt åpnes et nytt vindu som begynner å oppdage objektene !!!

Trinn 7: Problemer og takk

Gi meg beskjed hvis du har spørsmål

E -post: [email protected]

Takk skal du ha, Rithik