تشخیص شی W/ Dragonboard 410c یا 820c با استفاده از OpenCV و Tensorflow .: 4 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:55

این دستورالعمل نحوه نصب چارچوبهای OpenCV ، Tensorflow و یادگیری ماشین را برای Python 3.5 برای اجرای برنامه تشخیص شیء توضیح می دهد.

مرحله 1: الزامات

به قطعات زیر نیاز دارید:

• یک DragonBoard ™ 410c یا 820c ؛

• نصب تمیز Linaro-alip:

  • DB410c: در نسخه v431. آزمایش شده است. پیوند:
  • DB820c: در نسخه v228 آزمایش شده است. پیوند:
• حداقل یک کارت حافظه MicroSD با ظرفیت 16 گیگابایت (در صورت استفاده از 410c) ؛

فایل را بارگیری کنید (در پایان این مرحله) ، از حالت فشرده خارج کرده و در کارت MicroSD کپی کنید ؛ Obs: در صورت استفاده از DB820c ، فایل را بارگیری کرده ، از حالت فشرده خارج کرده و برای سهولت در استفاده از دستورات به/home/*USER*/بروید.

• هاب USB ؛
• دوربین USB (سازگار با لینوکس) ؛
• موس و صفحه کلید USB ؛
• اتصال به اینترنت.

توجه: در صورت امکان این دستورالعمل ها را در مرورگر DragonBoard دنبال کنید و کپی کردن دستورات را تسهیل کنید

مرحله 2: نصب کارت MicroSD (فقط W/ DB410c)

• ترمینال را در Dragonboard باز کنید ؛
• در ترمینال fdisk را اجرا کنید:

$ sudo fdisk -l

• کارت MicroSD را در شکاف کارت DragonBoard MicroSD قرار دهید.
• دوباره fdisk را اجرا کنید ، نام (و پارتیشن) دستگاه جدید را در لیست جستجو کنید (به عنوان مثال mmcblk1p1)

$ sudo fdisk -l

به فهرست اصلی بروید:

$ cd

ایجاد یک پوشه:

پوشه sd $ mkdir

نصب کارت MicroSD:

$ mount / dev / sdfolder

مرحله 3: نصب چارچوب های مورد نیاز

• ترمینال را در Dragonboard باز کنید ؛
• در ترمینال ، به فهرست انتخابی بروید (با استفاده از "~" برای 820c و SDCard نصب شده برای 410c):

(820c) $ cd

(410c) $ cd ~/پوشه sd

به پوشه اسکریپت های Object Detector بروید:

$ cd object_detector_tensorflow_opencv/scripts/

اسکریپت راه اندازی محیط را اجرا کنید:

$ sudo bash set_Env.sh

به روز رسانی سیستم:

$ sudo apt به روز رسانی

این بسته ها را نصب کنید:

$ 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-build 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

به این فهرست بروید:

$ cd /usr /src

دانلود پایتون 3.5:

$ sudo wget

استخراج بسته:

$ sudo tar xzf Python-3.5.6.tgz

پاک کردن بسته فشرده:

$ sudo rm پایتون-3.5.6.tgz

به فهرست Python 3.5 بروید:

cd $ پایتون -3.5.6

فعال سازی بهینه سازی ها برای کامپایل پایتون 3.5:

$ sudo./configure --enable-optimizations

کامپایل پایتون 3.5:

$ sudo make altinstall

ابزارهای پیپ و راه اندازی را ارتقا دهید:

$ sudo python3.5 -m pip install -upgrade pip && python3.5 -m pip instal -upgrade setuptools

numpy را نصب کنید:

$ python3.5 -m pip numpy install numpy

به فهرست انتخاب شده بروید:

(820c) $ cd

(410c) $ cd ~/پوشه sd

بارگیری Tensorflow 1.11 whl:

$ wget

tensorflow را نصب کنید:

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

کلون کردن مخازن OpenCV و OpenCV:

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

رفتن به فهرست:

$ cd opencv

دایرکتوری build را ایجاد کرده و به آن بروید:

$ sudo mkdir build && cd build

CMake را اجرا کنید:

دستور $ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX = / usr / محلی -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON -D PYTHON3_DEFAULT_EXECUTABLE = $ (که python3.5) -D PYTHON3_EXECUTABLE: FILEPATH = $ (کدام python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = خاموش -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D OFD_DUID_T = -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_EN ماژول ها..

کامپایل OpenCV با 4 هسته:

$ sudo make -j 4

OpenCV را نصب کنید:

$ sudo make install

به فهرست انتخاب شده بروید:

(820c) $ cd

(410c) $ cd ~/پوشه sd

به فهرست اسکریپت ها بروید:

$ cd object_detector_tensorflow_opencv/scripts/

الزامات Python3.5 را نصب کنید:

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

واردات آزمایشی:

پایتون $ 3.5

> واردات cv2 >> واردات tensorflow

Obs: اگر cv2 خطای واردات را برمی گرداند ، make install را در پوشه build OpenCV اجرا کرده و دوباره امتحان کنید

به فهرست انتخاب شده بروید:

(820c) $ cd

(410c) $ cd ~/پوشه sd

بارگیری مخزن cocoapi:

$ git clone

بارگیری مخزن مدل Tensorflow:

$ git clone

به این فهرست بروید:

$ cd cocoapi/PythonAPI

فایل Makefile را ویرایش کنید ، در خط 3 و 8 پایتون را به python3.5 تغییر دهید و سپس فایل را ذخیره کنید (به عنوان مثال از نانو استفاده کنید):

$ nano Makefile

کوکوپی را کامپایل کنید:

$ sudo make

Obs: اگر دستور ‘make’ کامپایل نشد ، cython را مجدداً نصب کنید:

$ sudo python3.5 -m پیپ نصب cython

pycocotools را در فهرست tensorflow /models /research کپی کنید:

(820c) $ cp -r pycocotools ~/مدل/تحقیق/

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

به فهرست انتخاب شده بروید:

(820c) $ cd

(410c) $ cd ~/پوشه sd

به دایرکتوری Model/research بروید:

مدلهای $ cd/تحقیق

کامپایل با protoc:

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

صادرات متغیر محیط:

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

محیط را آزمایش کنید:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: باید OK شود ، در غیر اینصورت برنامه کار نمی کند. در غیر اینصورت ، در هنگام نصب فریمورک های مورد نیاز ، هر گونه اشتباهی را با دقت جستجو کنید

مرحله 4: اجرای API تشخیص شیء

با پیکربندی همه چارچوب ها ، اکنون می توان API تشخیص شی را که از OpenCV به همراه Tensorflow استفاده می کند ، اجرا کرد.

به فهرست انتخاب شده بروید:

(820c) $ cd

(410c) $ cd ~/پوشه sd

به فهرست تشخیص شیء بروید:

$ cd object_detector_tensorflow_opencv/

حالا برنامه را اجرا کنید:

$ python3.5 app.py

اکنون Dragonboard ویدیو را از طریق شبکه پخش می کند. برای مشاهده ویدیوی خروجی ، مرورگر را در DB باز کنید و به "0.0.0.0: 5000" بروید.