ჟოლო Pi ობიექტის ამოცნობა: 7 ნაბიჯი

2025 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2025-01-23 14:50

ეს სახელმძღვანელო გთავაზობთ ნაბიჯ ნაბიჯ ინსტრუქციას, თუ როგორ უნდა შეიქმნას TensorFlow’s Object Detection API Raspberry Pi– ზე. ამ სახელმძღვანელოში მოცემული ნაბიჯების დაცვით, თქვენ შეძლებთ გამოიყენოთ თქვენი Raspberry Pi, რომ შეასრულოთ ობიექტის ამოცნობა პირდაპირ ვიდეოზე Picamera– დან ან USB ვებკამერიდან. მექანიკური მექანიკური სწავლება არ არის საჭირო, როგორც გამოიყენება ონლაინ მონაცემთა ბაზაში, ობიექტების გამოვლენისთვის. თქვენ შეგიძლიათ აღმოაჩინოთ ობიექტების უმეტესობა, რომლებიც ფართოდ გამოიყენება მსოფლიოში.

გთხოვთ, მიმართოთ ჩემს ზემოთ მოცემულ სურათს, ჩვენ გამოვიყენეთ თაგვი, ვაშლი და მაკრატელი და იდეალურად აღმოვაჩინეთ ობიექტი.

სახელმძღვანელო გადის შემდეგ ნაბიჯებს:

განაახლეთ Raspberry Pi

დააინსტალირეთ TensorFlow დააინსტალირეთ OpenCV

შეადგინეთ და დააინსტალირეთ Protobuf

შექმენით TensorFlow დირექტორიის სტრუქტურა

აღმოაჩინეთ ობიექტები

ნაბიჯი 1: განაახლეთ Raspberry Pi

თქვენი Raspberry Pi განახლებაა საჭირო

Ნაბიჯი 1:

ჩაწერეთ ბრძანების ტერმინალი, sudo apt-get განახლება

და შემდეგ ტიპი

sudo apt-get dist-upgrade

ეს შეიძლება დიდხანს გაგრძელდეს დამოკიდებულია თქვენს ინტერნეტზე და ჟოლოს პიზე

ეს არის ყველაფერი რაც თქვენ გჭირდებათ, თქვენ დაასრულეთ თქვენი Raspberry pi განახლება

ნაბიჯი 2: დააინსტალირეთ TensorFlow

ახლა ჩვენ ვაპირებთ Tensorflow– ის დაყენებას.

ჩაწერეთ ეს შემდეგი ბრძანება, pip3 დააინსტალირეთ TensorFlow

TensorFlow– ს ასევე სჭირდება LibAtlas პაკეტი, ჩაწერეთ ეს შემდეგი ბრძანება

sudo apt-get დააინსტალირეთ libatlas-base-dev

და ჩაწერეთ ეს შემდეგი ბრძანებაც, sudo pip3 დააინსტალირეთ ბალიში lxml jupyter matplotlib cythonsudo apt-get install python-tk

ახლა ჩვენ დავასრულეთ Tensorflow– ის ინსტალაცია.

ნაბიჯი 3: დააინსტალირეთ OpenCV

ახლა ჩვენ ვმუშაობთ OpenCV ბიბლიოთეკის დაყენებაზე, რადგან TensorFlow– ის ობიექტების გამოვლენის მაგალითები matplotlib– ს იყენებენ სურათების საჩვენებლად, მაგრამ მე ვირჩევ OpenCV– ს პრაქტიკას, რადგან უფრო ადვილია მუშაობა და ნაკლები შეცდომები. ასე რომ, ჩვენ უნდა დავაინსტალიროთ OpenCV. ახლა OpenCV არ უჭერს მხარს RPI– ს, ამიტომ ჩვენ ვაპირებთ ძველი Verision– ის დაყენებას.

ახლა ჩვენ ვმუშაობთ რამდენიმე დამოკიდებულების დაყენებაზე, რომლებიც უნდა იყოს დაინსტალირებული apt-get– ის საშუალებით

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

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

sudo apt-get დააინსტალირეთ libxvidcore-dev libx264-dev

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

დაბოლოს, ახლა ჩვენ შეგვიძლია დავაინსტალიროთ OpenCV აკრეფით, pip3 დააინსტალირეთ opencv-python == 3.4.6.27

სულ ეს არის, ჩვენ ახლა დავაინსტალირეთ OpenCV

ნაბიჯი 4: დააინსტალირეთ Protobuf

TensorFlow ობიექტის გამოვლენის API იყენებს Protobuf– ს, პაკეტს, რომელიც შეესაბამება Google– ის პროტოკოლის ბუფერის მონაცემთა ფორმატს. თქვენ უნდა შეადგინოთ წყაროდან, ახლა თქვენ შეგიძლიათ მარტივად დააინსტალიროთ.

sudo apt-get დააინსტალირეთ protobuf-compiler

გაუშვით პროტოკვერსია -დასრულებისთანავე. თქვენ უნდა მიიღოთ libprotoc 3.6.1 ან მსგავსი პასუხი.

ნაბიჯი 5: შექმენით TensorFlow დირექტორია სტრუქტურა

ჩვენ დავაყენეთ ყველა პაკეტი, ჩვენ გვინდა შევქმნათ დირექტორია TensorFlow– ისთვის. სახლის დირექტორიიდან შექმენით დირექტორიის სახელი სახელწოდებით "tensorflow1", ჩაწერეთ შემდეგი, mkdir tensorflow1cd tensorflow1

ახლა ჩამოტვირთეთ TensorFlow აკრეფით, git კლონი -სიღრმე 1

ჩვენ გვსურს შეცვალოთ PYTHONPATH გარემოს ცვლადი, რომელიც მიმართულია TensorFlow საცავის შიგნით არსებულ ზოგიერთ დირექტორიაში. ჩვენ გვჭირდება PYTHONPATH ყოველ ჯერზე დაყენებული. ჩვენ უნდა შევცვალოთ.bashrc ფაილი. ჩვენ უნდა გავხსნათ აკრეფით

sudo nano./.bashrc

ფაილის ბოლოს და ბოლო სტრიქონში დაამატეთ ბრძანება, როგორც ზედა სურათზე, რომელიც აღინიშნება წითელ ყუთში.

ექსპორტი PYTHONPATH = $ PYTHONPATH:/home/pi/tensorflow1/მოდელები/კვლევა:/home/pi/tensorflow1/მოდელები/კვლევები/თხელი

ახლა შეინახეთ და გამოდით. ჩვენ უნდა გამოვიყენოთ Protoc პროტოკოლის ბუფერის (.proto) ფაილების შესადგენად, რომელსაც იყენებს ობიექტის გამოვლენის API.. პროტო ფაილები მდებარეობს /research /object_detection /protos– ში, ჩვენ გვსურს ბრძანების შესრულება /research directory– დან. ჩაწერეთ შემდეგი ბრძანება

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

ეს ბრძანება ცვლის ყველა "name". პროტო ფაილს "name_pb2".py ფაილში.

cd/home/pi/tensorflow1/მოდელები/research/object_detection

ჩვენ უნდა გადმოვწეროთ SSD_Lite მოდელი TensorFlowdetection მოდელის ზოოპარკიდან. ამისათვის ჩვენ გვინდა გამოვიყენოთ SSDLite-MobileNet, რომელიც არის ყველაზე სწრაფი მოდელი, რომელიც არსებობს RPI– სთვის.

Google უსასრულოდ ავრცელებს მოდელებს გაძლიერებული სიჩქარითა და შესრულებით, ამიტომ ხშირად შეამოწმეთ არის თუ არა რაიმე გაუმჯობესებული მოდელი.

ჩაწერეთ შემდეგი ბრძანება SSDLite-MobileNet მოდელის ჩამოსატვირთად.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

ახლა ჩვენ შეგვიძლია ვივარჯიშოთ Object_Detction მოდელებზე!

ჩვენ თითქმის დავასრულეთ!

ნაბიჯი 6: ობიექტის ამოცნობა

ახლა ყველაფერი შექმნილია Pi- ზე აღსრულების ობიექტის გამოვლენისთვის!

Object_detection_picamera.py ამოიცნობს პირდაპირ ობიექტებს Picamera ან USB ვებკამერიდან.

თუ თქვენ იყენებთ Picamera– ს, შეცვალეთ Raspberry Pi– ის კონფიგურაცია მენიუ, როგორც ზემოთ მოცემულ სურათზე, წითელი ფერით მონიშნული.

ჩაწერეთ შემდეგი ბრძანება, რომ ჩამოტვირთოთ Object_detection_picamera.py ფაილი ობიექტის_დადგენის დირექტორიაში.

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

python3 Object_detection_picamera.py

ჩაწერეთ შემდეგი ბრძანება USB კამერისთვის

python3 Object_detection_picamera.py --usbcam

ერთის ბრძანება სრულდება, 1 წუთის შემდეგ იხსნება ახალი ფანჯარა, რომელიც დაიწყებს საგნების გამოვლენას !!!

ნაბიჯი 7: საკითხები და მადლობა

გთხოვთ შემატყობინოთ თუ გაქვთ რაიმე შეკითხვა

ელ.ფოსტა: [email protected]

Გმადლობთ, რითიკი