تشخیص شی Raspberry Pi: 7 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:53

این راهنما دستورالعمل های گام به گام نحوه تنظیم API TensorFlow’s Object Detection در رزبری پای را ارائه می دهد. با پیروی از مراحل این راهنما ، می توانید از Raspberry Pi خود برای تشخیص شیء در ویدئوهای زنده از طریق دوربین وب Picamera یا USB استفاده کنید. یادگیری ماشینی دستی به عنوان مورد استفاده در پایگاه داده آنلاین برای تشخیص شیء مورد نیاز نیست. شما می توانید بیشتر اشیایی را که معمولاً در سراسر جهان استفاده می شوند تشخیص دهید.

لطفاً به تصویر بالا مراجعه کنید ، ما از موش ، سیب و قیچی استفاده کردیم و شی را کاملاً تشخیص دادیم.

راهنما مراحل زیر را طی می کند:

رزبری پای را به روز کنید

TensorFlow را نصب کنید OpenCV را نصب کنید

Protobuf را کامپایل و نصب کنید

ساختار دایرکتوری TensorFlow را تنظیم کنید

تشخیص اشیاء

مرحله 1: Raspberry Pi را به روز کنید

رزبری پای شما باید به روز شود

مرحله 1:

در ترمینال Command تایپ کنید ،

sudo apt-get update

و سپس تایپ کنید

sudo apt-get dist-upgrade

این ممکن است مدت زیادی طول بکشد بستگی به اینترنت و رزبری پای شما دارد

این تنها چیزی است که شما نیاز دارید ، شما به روزرسانی Raspberry pi خود را به پایان رسانده اید

مرحله 2: TensorFlow را نصب کنید

اکنون ، ما قصد داریم Tensorflow را نصب کنیم.

این دستور زیر را تایپ کنید ،

pip3 TensorFlow را نصب کنید

TensorFlow همچنین به بسته LibAtlas نیاز دارد ، این دستور زیر را تایپ کنید

sudo apt-get libatlas-base-dev را نصب کنید

و این دستور زیر را نیز تایپ کنید ،

sudo pip3 بالش نصب lxml jupyter matplotlib cythonsudo apt-get install python-tk

اکنون ، ما نصب Tensorflow را به پایان رسانده ایم.

مرحله 3: OpenCV را نصب کنید

اکنون ما در حال نصب کتابخانه OpenCV هستیم زیرا نمونه های تشخیص شیء TensorFlow از matplotlib برای نشان دادن تصاویر استفاده می کنند ، اما من OpenCV را تمرین می کنم زیرا کار با آن آسان تر و خطاهای کمتر است. بنابراین ، ما باید OpenCV را نصب کنیم. در حال حاضر OpenCV از RPI پشتیبانی نمی کند ، بنابراین ما قصد داریم Verision قدیمی را نصب کنیم.

اکنون ما در حال کار برای نصب چند وابستگی هستیم که باید از طریق apt-get نصب شوند

sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev

sudo apt-get نصب libavcodec-dev libavformat-dev libswscale-dev libv4l-dev

sudo apt-get libxvidcore-dev libx264-dev را نصب کنید

sudo apt-get install qt4-dev-tools libatlas-base-dev

در نهایت ، اکنون می توانیم OpenCV را با تایپ کردن نصب کنیم ،

pip3 opencv-python == 3.4.6.27 را نصب کنید

این تمام است ، ما اکنون OpenCV را نصب کرده ایم

مرحله 4: Protobuf را نصب کنید

API تشخیص شی TensorFlow از Protobuf استفاده می کند ، بسته ای که از قالب داده پروتکل بافر Google پشتیبانی می کند. شما باید از منبع کامپایل کنید ، اکنون می توانید به راحتی نصب کنید.

sudo apt-get کامپایلر protobuf را نصب کنید

پس از اتمام ، protoc --version را اجرا کنید. شما باید پاسخ libprotoc 3.6.1 یا مشابه آن را دریافت کنید.

مرحله 5: ساختار دایرکتوری TensorFlow را تنظیم کنید

ما همه بسته ها را نصب کرده ایم ، می خواهیم یک دایرکتوری برای TensorFlow تنظیم کنیم. از فهرست اصلی ، یک نام فهرست به نام "tensorflow1" ایجاد کنید ،

موارد زیر را تایپ کنید ،

mkdir tensorflow1cd tensorflow1

اکنون TensorFlow را با تایپ کردن بارگیری کنید ،

git clone -عمق 1

ما می خواهیم متغیر محیط PYTHONPATH را تغییر دهیم تا به برخی از دایرکتوری های داخل مخزن TensorFlow هدایت شود. ما نیاز داریم PYTHONPATH هربار تنظیم شود. ما باید فایل.bashrc را تنظیم کنیم. ما باید آن را با تایپ کردن باز کنیم

sudo nano./.bashrc

در انتهای فایل و آخرین خط فرمان را اضافه کنید ، مانند تصویر بالا که روی کادر رنگ قرمز مشخص شده است.

صادرات PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/مدل/تحقیق:/home/pi/tensorflow1/مدل/تحقیق/باریک

حالا ذخیره کرده و خارج شوید. ما باید از Protoc برای کامپایل فایلهای Protocol Buffer (.proto) استفاده شده توسط API تشخیص شیء استفاده کنیم. فایل های.proto در /research /object_detection /protos قرار دارند ، ما می خواهیم فرمان را از فهرست /research اجرا کنیم. دستور زیر را تایپ کنید

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

این فرمان تمام فایل های.name را به نام "name_pb2".py تغییر می دهد.

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

ما باید مدل SSD_Lite را از باغ وحش مدل TensorFlowdetection بارگیری کنیم. برای این منظور ، ما می خواهیم از SSDLite-MobileNet استفاده کنیم ، که سریعترین مدل موجود برای RPI است.

گوگل بی وقفه مدلهایی با سرعت و کارایی بیشتر عرضه می کند ، بنابراین اغلب مدلهای بهبود یافته را بررسی کنید.

برای بارگیری مدل SSDLite-MobileNet دستور زیر را تایپ کنید.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

اکنون می توانیم مدلهای Object_Detction را تمرین کنیم!

کار ما تقریبا تمام شده است!

مرحله 6: تشخیص شی

اکنون همه چیز برای تشخیص شی اجرا در Pi تنظیم شده است!

Object_detection_picamera.py اشیاء زنده را از طریق دوربین وب Picamera یا USB تشخیص می دهد.

اگر از Picamera استفاده می کنید ، پیکربندی Raspberry Pi را به منویی مانند تصویر بالا که در کادر رنگ قرمز مشخص شده است ، تغییر دهید.

برای بارگیری فایل Object_detection_picamera.py در فهرست object_detection دستور زیر را تایپ کنید.

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

python3 Object_detection_picamera.py

دستور زیر را برای دوربین USB تایپ کنید

python3 Object_detection_picamera.py --usbcam

فرمان یکی اجرا می شود ، پس از 1 دقیقه یک پنجره جدید باز می شود که تشخیص اشیاء را آغاز می کند !!!

مرحله 7: مسائل و تشکر

لطفا در صورت داشتن هرگونه سوال به من اطلاع دهید

ایمیل: [email protected]

متشکرم،

ریتیک