Objektdeteksjon W/ Dragonboard 410c eller 820c ved bruk av OpenCV og Tensorflow .: 4 trinn

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:23

Denne instruksen beskriver hvordan du installerer OpenCV, Tensorflow og maskinlæringsrammer for Python 3.5 for å kjøre Object Detection -programmet.

Trinn 1: Krav

Du trenger følgende itens:

• En DragonBoard ™ 410c eller 820c;

• En ren installasjon av Linaro-alip:

  • DB410c: testet i versjon v431. Link:
  • DB820c: testet i versjon v228. Link:
• Minst et 16 GB MicroSD -kort (hvis du bruker 410c);

Last ned filen (på slutten av dette trinnet), pakk ut og kopier til MicroSD -kortet. Obs: Hvis du bruker en DB820c, laster du ned filen, pakker ut og flytter til/home/*USER*/for å lette bruken av kommandoene.

• En USB -hub;
• Et USB -kamera (Linux -kompatibelt);
• USB -mus og tastatur;
• En internettforbindelse.

Obs: Følg denne instruksjonene i DragonBoard -nettleseren hvis mulig, forenkle kopiering av kommandoene

Trinn 2: Montering av MicroSD -kortet (bare W/ DB410c)

• Åpne terminalen i Dragonboard;
• I terminalen kjøre fdisk:

$ sudo fdisk -l

• Sett MicroSD -kortet inn i DragonBoard MicroSD -kortsporet;
• Kjør fdisk igjen, og se etter navnet (og partisjonen) på den nye enheten i listen (f.eks. Mmcblk1p1)

$ sudo fdisk -l

Gå til rotkatalogen:

$ cd ~

Lag en mappe:

$ mkdir sdfolder

Monter MicroSD -kortet:

$ mount / dev / sdfolder

Trinn 3: Installering av nødvendige rammer

• Åpne terminalen i Dragonboard;
• I terminalen, gå til en valgt katalog (ved å bruke "~" for 820c og det monterte SDCard for 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til Object Detector scripts -mappen:

$ cd object_detector_tensorflow_opencv/scripts/

Kjør miljøoppsettskriptet:

$ sudo bash set_Env.sh

Oppdater systemet:

$ sudo apt oppdatering

Installer disse pakkene:

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

Gå til denne katalogen:

$ cd /usr /src

Last ned Python 3.5:

$ sudo wget

Trekk ut pakken:

$ sudo tar xzf Python-3.5.6.tgz

Slett den komprimerte pakken:

$ sudo rm Python-3.5.6.tgz

Gå til Python 3.5 -katalogen:

$ cd Python-3.5.6

Aktiver optimaliseringer for Python 3.5 -samlingen:

$ sudo./configure-enable-optimizations

Kompiler Python 3.5:

$ sudo gjør altinstall

Oppgrader pip og oppsettverktøy:

$ sudo python3.5 -m pip install -oppgrader pip && python3.5 -m pip install -oppgrader setuptools

Installer numpy:

$ python3.5 -m pip installer numpy

Gå til den valgte katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Last ned Tensorflow 1.11 whl:

$ wget

Installer tensorflow:

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

Klon OpenCV og OpenCV Contrib -lagre:

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

Gå til katalogen:

$ cd opencv

Lag build -katalog og gå til den:

$ sudo mkdir build && cd build

Kjør 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 = ON -D PYTHON3D_ (PYTHON_DUT_DELEN_DELEN_DET_DELE_DET_DELE_DET_DELE_DELE_DET_DELE_DET_DELE_DET_DELE_DELE) hvilken 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 = 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 BUILD_OPENCVD moduler..

Kompiler OpenCV med 4 kjerner:

$ sudo lage -j 4

Installer OpenCV:

$ sudo gjør installering

Gå til den valgte katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til skriptkatalogen:

$ cd object_detector_tensorflow_opencv/scripts/

Installer Python3.5 -krav:

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

Testimport:

$ python3.5

> import cv2 >> import tensorflow

Obs: Hvis cv2 returnerer importfeil, kjør make install i OpenCV build -mappen og prøv igjen

Gå til den valgte katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Last ned cocoapi -depot:

$ git klon

Last ned Tensorflow -modeller:

$ git -klon

Gå til denne katalogen:

$ cd cocoapi/PythonAPI

Rediger filen Makefile, endre python til python3.5 på linje 3 og 8, og lagre filen (ved å bruke nano som eksempel):

$ nano Makefile

Kompiler cocoapi:

$ sudo lage

Obs: Hvis kommandoen 'make' ikke kompilerer, kan du prøve å installere cython på nytt med:

$ sudo python3.5 -m pip install cython

Kopier pycocotools til tensorflow /models /research directory:

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

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

Gå til den valgte katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til modeller/forskningskatalog:

$ cd -modeller/forskning

Kompiler med protokoll:

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

Eksporter miljøvariabel:

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

Test miljøet:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Den må returnere OK, ellers fungerer ikke applikasjonen. Hvis ikke, søk nøye etter eventuelle feil i prosessen med å installere de nødvendige rammene

Trinn 4: Kjøre Object Detection API

Med alle rammer konfigurert, er det nå mulig å kjøre objektgjenkjennings -API som bruker OpenCV sammen med Tensorflow.

Gå til den valgte katalogen:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gå til objektgjenkjenningskatalogen:

$ cd object_detector_tensorflow_opencv/

Kjør nå programmet:

$ python3.5 app.py

Nå vil Dragonboard streame videoen gjennom nettverket. For å se utgående video, åpne nettleseren i DB og gå til "0.0.0.0: 5000".