Detección de objetos Raspberry Pi: 7 pasos

2024 Autor: John Day | [email protected]. Última modificación: 2024-01-30 08:41

Esta guía proporciona instrucciones paso a paso sobre cómo configurar la API de detección de objetos de TensorFlow en la Raspberry Pi. Si sigue los pasos de esta guía, podrá usar su Raspberry Pi para realizar la detección de objetos en video en vivo desde una cámara Picamera o una cámara web USB. No se requiere el aprendizaje automático manual como se usa en la base de datos en línea para la detección de objetos. Puede detectar la mayoría de los objetos que se utilizan comúnmente en todo el mundo.

Consulte mi imagen de arriba, usamos un mouse, Apple y tijeras y detectamos el objeto perfectamente.

La guía recorre los siguientes pasos:

Actualiza la Raspberry Pi

Instalar TensorFlowInstalar OpenCV

Compila e instala Protobuf

Configurar la estructura de directorios de TensorFlow

¡Detecta objetos

Paso 1: actualiza Raspberry Pi

Tu Raspberry Pi debe actualizarse

Paso 1:

Escriba en el terminal de comando, sudo apt-get update

Y luego escribe

sudo apt-get dist-upgrade

Esto puede llevar mucho tiempo depende de su Internet y Raspberry pi

Eso es todo lo que necesita, ha terminado de actualizar su Raspberry pi

Paso 2: instala TensorFlow

Ahora, vamos a instalar Tensorflow.

Escriba el siguiente comando, pip3 instalar TensorFlow

TensorFlow también necesita el paquete LibAtlas, escriba el siguiente comando

sudo apt-get install libatlas-base-dev

Y escriba este siguiente comando también, sudo pip3 instalar almohada lxml jupyter matplotlib cythonsudo apt-get install python-tk

Ahora, hemos terminado de instalar Tensorflow.

Paso 3: Instale OpenCV

Ahora estamos trabajando para instalar la biblioteca OpenCV porque los ejemplos de detección de objetos de TensorFlow usan matplotlib para mostrar imágenes, pero elijo practicar OpenCV porque es más fácil trabajar con él y tiene menos errores. Entonces, necesitamos instalar OpenCV. Ahora OpenCV no es compatible con RPI, por lo que instalaremos Verision anterior.

Ahora estamos trabajando para instalar algunas dependencias que deben instalarse a través de apt-get

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

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

sudo apt-get install libxvidcore-dev libx264-dev

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

Finalmente, ahora podemos instalar OpenCV escribiendo, pip3 instalar opencv-python == 3.4.6.27

Eso es todo, ahora hemos instalado OpenCV

Paso 4: Instale Protobuf

La API de detección de objetos de TensorFlow usa Protobuf, un paquete que combina el formato de datos de búfer de protocolo de Google. Necesita compilar desde el código fuente, ahora puede instalarlo fácilmente.

sudo apt-get install protobuf-compiler

Ejecute protocol --version una vez que esté hecho. Debería obtener una respuesta de libprotoc 3.6.1 o similar.

Paso 5: configurar la estructura del directorio de TensorFlow

Hemos instalado todos los paquetes, queremos configurar un directorio para TensorFlow. Desde el directorio de inicio, cree un nombre de directorio llamado "tensorflow1", Escriba lo siguiente, mkdir tensorflow1cd tensorflow1

Ahora descargue TensorFlow escribiendo, git clone --depth 1

Queremos modificar la variable de entorno PYTHONPATH para dirigirla a algunos directorios dentro del repositorio de TensorFlow. Necesitamos que PYTHONPATH se configure cada vez. Tenemos que ajustar el archivo.bashrc. Tenemos que abrirlo escribiendo

sudo nano ~ /.bashrc

Al final del archivo, y en la última línea, agregue el comando, como en la imagen superior que está marcada en el cuadro de color rojo.

exportar PYTHONPATH = $ PYTHONPATH: / home / pi / tensorflow1 / models / research: / home / pi / tensorflow1 / models / research / slim

Ahora guarda y sal. Necesitamos usar protocolos para compilar los archivos de búfer de protocolo (.proto) utilizados por la API de detección de objetos. Los archivos.proto se encuentran en / research / object_detection / protos, queremos ejecutar el comando desde el directorio / research. Escriba el siguiente comando

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

Este comando cambia todos los archivos "name".proto a archivos.py "name_pb2".

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

Necesitamos descargar el modelo SSD_Lite del zoológico de modelos de detección de TensorFlow. Para ello, queremos utilizar SSDLite-MobileNet, que es el modelo más rápido existente para el RPI.

Google lanza incesantemente modelos con velocidad y rendimiento mejorados, así que verifique con frecuencia si hay modelos mejorados.

Escriba el siguiente comando para descargar el modelo SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

¡Ahora podemos practicar los modelos Object_Detction!

¡Ya casi terminamos!

Paso 6: Detectar objeto

¡Ahora todo está configurado para la detección de objetos de ejecución en el Pi!

Object_detection_picamera.py detecta objetos en vivo desde una cámara Picamera o una cámara web USB.

Si está utilizando una Picamera, cambie la configuración de Raspberry Pi en un menú como en la imagen de arriba marcada en el cuadro de color rojo.

Escriba el siguiente comando para descargar el archivo Object_detection_picamera.py en el directorio object_detection.

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

python3 Object_detection_picamera.py

Escriba el siguiente comando para la cámara USB

python3 Object_detection_picamera.py --usbcam

Se ejecuta el comando de uno, después de 1 minuto se abre una nueva ventana que comenzará a detectar los objetos !!!

Paso 7: Problemas y gracias

Por favor hazme saber si tienes preguntas

Correo electrónico: [email protected]

Gracias, Rithik