فهرست مطالب:
- تدارکات
- مرحله 1: سیستم عامل Shunya را روی Raspberry Pi 4 نصب کنید
- مرحله 2: راه اندازی و اتصالات
- مرحله 3: Shunyaface (کتابخانه تشخیص چهره/تشخیص چهره) را نصب کنید
- مرحله 4: کد را بارگیری کنید
- مرحله 5: کد را کامپایل کنید
- مرحله 6: کد را اجرا کنید
تصویری: تشخیص چهره در زمان واقعی در مراحل تمشک Pi-4: 6 (همراه با تصاویر)
2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:54
در این دستورالعمل ما قصد داریم تشخیص واقعی صورت را در Raspberry Pi 4 با Shunya O/S با استفاده از کتابخانه Shunyaface انجام دهیم. با دنبال کردن این آموزش ، می توانید نرخ فریم تشخیص 15-17 را در RaspberryPi-4 بدست آورید.
تدارکات
1. Raspberry Pi 4B (در هر نوع)
2. منبع تغذیه سازگار با Raspberry Pi 4B
3. کارت micro SD 8 گیگابایت یا بزرگتر
4. مانیتور
5. کابل micro-HDMI
6. موش
7. صفحه کلید
8. لپ تاپ یا رایانه دیگری (ترجیحاً Ubuntu-16.04) برای برنامه ریزی کارت حافظه
9. وب کم USB
مرحله 1: سیستم عامل Shunya را روی Raspberry Pi 4 نصب کنید
برای بارگیری کارت micro SD با سیستم عامل Shunya به یک لپ تاپ یا رایانه (ترجیحاً با Ubuntu-16.04) و یک کارت خوان/آداپتور micro SD نیاز دارید.
1) سیستم عامل Shunya را از سایت انتشار رسمی بارگیری کنید
2) با استفاده از مراحل زیر ، سیستم عامل Shunya را روی کارت SD فلش کنید:
من) روی فایل فشرده بارگیری شده راست کلیک کرده و Extract here را انتخاب کنید
ii) هنگامی که تصویر از حالت فشرده خارج شد ، روی پوشه تصویر باز نشده دوبار کلیک کنید که در آن تصویر و اطلاعات مربوط به انتشار آن را پیدا خواهید کرد.
iii) روی تصویر (فایل.img) راست کلیک کنید
iv) Open with -> Disk image writer را انتخاب کنید
v) مقصد را به عنوان کارت خوان SD انتخاب کنید
vi) رمز عبور خود را وارد کنید
با این کار چشمک زدن کارت SD شروع می شود. صبور باشید و منتظر بمانید تا کارت Sd به طور کامل فلش شود (100)
مرحله 2: راه اندازی و اتصالات
همانطور که در تصویر بالا نشان داده شده است ، باید کارهای زیر را انجام دهید:
1) کارت micro SD را در Raspberry Pi 4 وارد کنید.
2) ماوس و صفحه کلید را به رزبری پای 4 وصل کنید.
3) مانیتور را به رزبری پای 4 از طریق micro-HDMI وصل کنید
4) وب کم USB را به Raspberry Pi 4 وصل کنید
5) کابل برق را وصل کرده و Raspberry Pi 4 را روشن کنید.
با این کار سیستم عامل Shunya بر روی RaspberryPi-4 بوت می شود. اولین بوت ممکن است با تغییر اندازه سیستم فایل زمان ببرد تا کل کارت SD را اشغال کند. پس از بالا آمدن سیستم عامل ، باید صفحه ورود به سیستم را مشاهده کنید. در اینجا جزئیات ورود به سیستم آمده است:
نام کاربری: shunya
رمز عبور: shunya
مرحله 3: Shunyaface (کتابخانه تشخیص چهره/تشخیص چهره) را نصب کنید
برای نصب Shunyaface باید RaspberryPi-4 را به LAN یا wifi متصل کنیم
1. برای اتصال RPI-4 به وای فای از دستور زیر استفاده کنید:
$ sudo nmtui
2. برای نصب shunyaface و cmake (وابستگی) برای گردآوری کدها و git (برای بارگیری کد واقعی) ، دستور زیر را وارد کنید:
$ sudo opkg update && sudo opkg install shunyaface cmake git
توجه: بسته به سرعت اینترنت شما ممکن است حدود 5-6 دقیقه طول بکشد
مرحله 4: کد را بارگیری کنید
کد در github موجود است. با استفاده از دستور زیر می توانید آن را بارگیری کنید:
$ git clone
توضیح کد:
کد داده شده فریم ها را به طور مداوم با استفاده از عملکرد Opencv's VideoCapture ضبط می کند. این فریم ها به عملکرد تشخیص Shunyaface داده می شوند که به نوبه خود قاب ها را با جعبه محدود روی صورت و نقاطی که روی چشم ها ، بینی و نقاط انتهایی لب ترسیم می شود ، باز می گرداند. برای خروج از کد دکمه "q" را فشار دهید. پس از فشار دادن "q" خروجی FPS روی ترمینال نمایش داده می شود.
مرحله 5: کد را کامپایل کنید
برای کامپایل کد از دستور زیر استفاده کنید:
$ cd example/example-faceetect
$./setup.sh
مرحله 6: کد را اجرا کنید
هنگامی که کد را کامپایل کرده اید ، می توانید آن را با استفاده از دستور اجرا کنید.
$./build/facedetect
اکنون باید پنجره ای را باز کنید. هرگاه چهره ای در مقابل دوربین قرار گیرد ، کادر محدوده را ترسیم می کند و در پنجره باز شده برای کاربر قابل مشاهده است.
تبریک می گویم. شما اکنون با استفاده از آموزش عمیق ، تشخیص چهره در زمان خواندن را در RaspberryPi-4 با موفقیت انجام داده اید. اگر این آموزش را دوست دارید ، لطفاً آن را لایک کنید ، آموزش را به اشتراک بگذارید و مخزن github ما را که در اینجا ذکر شده ستاره گذاری کنید.
توصیه شده:
تشخیص چهره ، آموزش و تشخیص Opencv: 3 مرحله
تشخیص چهره ، آموزش و تشخیص Opencv: OpenCV یک کتابخانه بینایی رایانه منبع باز است که برای انجام کارهای اصلی پردازش تصویر مانند تار شدن ، ترکیب تصویر ، افزایش تصویر و همچنین کیفیت فیلم ، آستانه و غیره بسیار محبوب است. علاوه بر پردازش تصویر ، اثبات می کند
تشخیص و تشخیص چهره - Arduino Face ID با استفاده از OpenCV Python و Arduino .: 6 مرحله
تشخیص و تشخیص چهره | شناسه صورت آردوینو با استفاده از OpenCV پایتون و آردوینو.: تشخیص چهره AK ID چهره یکی از مهمترین ویژگی های تلفن های همراه امروزه است. بنابراین ، من یک سوال داشتم & quot؛ آیا می توانم برای پروژه آردوینو خود شناسه چهره داشته باشم & quot؛ و پاسخ بله است … سفر من به شرح زیر آغاز شد: مرحله 1: دسترسی به ما
تشخیص چهره در زمان واقعی: یک پروژه پایان به پایان: 8 مرحله (همراه با تصاویر)
تشخیص چهره در زمان واقعی: پروژه ای به پایان اکنون ما از PiCam خود برای تشخیص چهره در زمان واقعی استفاده می کنیم ، همانطور که در زیر مشاهده می کنید: این پروژه با این & quot؛ کتابخانه چشم انداز رایانه منبع باز & quot & انجام شد
تشخیص چهره+تشخیص: 8 مرحله (همراه با تصاویر)
تشخیص چهره+تشخیص: این یک مثال ساده از اجرای تشخیص و تشخیص چهره با OpenCV از دوربین است. توجه: من این پروژه را برای مسابقه سنسور ساختم و از دوربین به عنوان سنسور برای ردیابی و شناسایی چهره ها استفاده کردم. بنابراین ، هدف ما در این جلسه ، 1. Anaconda را نصب کنید
چهره بزرگ تگزاس - طرح سه بعدی چهره چگونه: 10 مرحله (همراه با تصاویر)
چهره بزرگ تگزاس - فرافکنی چهره سه بعدی نحوه: ایجاد & quot؛ مجسمه های زنده & quot؛ با نمایش چهره خود بر روی مجسمه ها. A How To By: & nbsp؛ دیوید ساترلند ، & nbsp؛ کرک مورنو با همکاری & nbsp؛ Graffiti Research Lab Houston* چندین نظر گفته اند که برخی مشکلات صوتی وجود دارد. این است