Odkrivanje objektov W/ Dragonboard 410c ali 820c z uporabo OpenCV in Tensorflow .: 4 koraki

2024 Avtor: John Day | [email protected]. Nazadnje spremenjeno: 2024-01-30 12:04

Ta navodila opisujejo, kako namestiti ogrodja OpenCV, Tensorflow in strojnega učenja za Python 3.5 za zagon aplikacije Object Detection.

1. korak: Zahteve

Potrebovali boste naslednje elemente:

• DragonBoard ™ 410c ali 820c;

• Čista namestitev Linaro-alipa:

  • DB410c: preizkušeno v različici v431. Povezava:
  • DB820c: preizkušeno v različici v228. Povezava:
• Kartica MicroSD z zmogljivostjo najmanj 16 GB (če uporabljate 410c);

Prenesite datoteko (na koncu tega koraka), razpakirajte in kopirajte na kartico MicroSD; Obs: Če uporabljate DB820c, prenesite datoteko, razpakirajte in se premaknite na/home/*USER*/, da olajšate uporabo ukazov.

• USB zvezdišče;
• Kamera USB (združljiva z Linuxom);
• Miška in tipkovnica USB;
• Internetna povezava.

Obs: Če je mogoče, sledite tem navodilom v brskalniku DragonBoard in olajšajte kopiranje ukazov

2. korak: Namestitev kartice MicroSD (samo W/ DB410c)

• Odprite terminal v Dragonboard -u;
• V terminalu zaženite fdisk:

$ sudo fdisk -l

• Kartico MicroSD vstavite v režo za kartico MicroSD DragonBoard;
• Znova zaženite fdisk in na seznamu poiščite ime (in particijo) nove naprave (npr. Mmcblk1p1)

$ sudo fdisk -l

Pojdite v korenski imenik:

$ cd ~

Ustvari mapo:

sdmapa $ mkdir

Namestite kartico MicroSD:

$ mount / dev / sdfolder

3. korak: Namestitev potrebnih okvirov

• Odprite terminal v Dragonboard -u;
• V terminalu pojdite v izbrani imenik (z uporabo "~" za 820c in nameščeno kartico SDCard za 410c):

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Pojdite v mapo Skripti detektorja objektov:

$ cd object_detector_tensorflow_opencv/scripts/

Zaženite skript za nastavitev okolja:

$ sudo bash set_Env.sh

Posodobite sistem:

$ sudo apt posodobitev

Namestite te pakete:

$ 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 privzeto-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdfmake cb bistveno zgraditi libreadline-gplv2-dev libncursesw5-dev libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev libjpeg-dev libtiff5-dev libavcodec-dev libavformat-deb-liv-deb-liv-dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Pojdite v ta imenik:

$ cd /usr /src

Prenesite Python 3.5:

$ sudo wget

Izvlecite paket:

$ sudo tar xzf Python-3.5.6.tgz

Izbrišite stisnjeni paket:

$ sudo rm Python-3.5.6.tgz

Pojdite v imenik Python 3.5:

$ cd Python-3.5.6

Omogoči optimizacije za zbirko Python 3.5:

$ sudo./configure --enable-optimizations

Prevedite Python 3.5:

$ sudo naredi altinstall

Nadgradite pip in orodja za nastavitev:

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

Namesti numpy:

$ python3,5 -m pip install numpy

Pojdite v izbrani imenik:

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Prenesite Tensorflow 1.11 whl:

$ wget

Namestite napetostni tok:

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

Kloniraj skladišča OpenCV in OpenCV Contrib:

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

Pojdi v imenik:

$ cd opencv

Ustvarite gradbeni imenik in pojdite nanj:

$ sudo mkdir build && cd build

Zaženite CMake:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX =/usr/local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_pyTONY3_PLEX3 kateri python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = OFF -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D WITH_CUDA = OFF_DB -OFF -DBUILD_TBB = ON -D OPENCV_ENABLE_NONFREE = ON -DBUILD_opencv_xfeatures2d = OFF -D OPENGL = ON -D OPENMP = ON -D ENABLE_NEON = ON -D BUILD_N_BUX_ moduli..

Sestavite OpenCV s 4 jedri:

$ sudo make -j 4

Namestite OpenCV:

$ sudo naredi namestitev

Pojdite v izbrani imenik:

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Pojdite v imenik skriptov:

$ cd object_detector_tensorflow_opencv/scripts/

Namestite zahteve Python3.5:

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

Preskusni uvoz:

$ python3,5

> uvoz cv2 >> uvoz tensorflow

Obs: Če cv2 vrne napako pri uvozu, zaženite make install v mapi za gradnjo OpenCV in poskusite znova

Pojdite v izbrani imenik:

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Prenesite skladišče cocoapi:

klon $ git

Prenesite skladišče modelov Tensorflow:

klon $ git

Pojdite v ta imenik:

$ cd cocoapi/PythonAPI

Uredite datoteko Makefile in v vrsticah 3 in 8 spremenite python v python3.5, nato pa datoteko shranite (z uporabo nano kot primer):

$ nano Makefile

Sestavite kakav:

$ sudo make

Obs: Če se ukaz 'make' ne prevede, poskusite znova namestiti cython z:

$ sudo python3,5 -m pip namestite cython

Kopiraj pycocotools v imenik tensorflow /models /research:

(820c) $ cp -r pycocotools ~/models/research/

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

Pojdite v izbrani imenik:

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Pojdite v imenik modelov/raziskav:

$ cd modeli/raziskave

Prevedite s protoc:

$ protoc zaznavanje objekta/protos/*. proto --python_out =.

Izvozi spremenljivko okolja:

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

Preizkusite okolje:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Vrniti se mora v redu, sicer aplikacija ne bo delovala. V nasprotnem primeru previdno poiščite napako pri nameščanju zahtevanih okvirov

4. korak: Zaženite API za zaznavanje objektov

Ko so konfigurirani vsi okviri, je zdaj mogoče zagnati API za odkrivanje objektov, ki uporablja OpenCV skupaj s programom Tensorflow.

Pojdite v izbrani imenik:

(820c) $ cd ~

(410c) $ cd ~/sdmapa

Pojdite v imenik odkrivanja objektov:

$ cd object_detector_tensorflow_opencv/

Zdaj zaženite aplikacijo:

$ python3.5 app.py

Zdaj bo Dragonboard pretakal video po omrežju. Če si želite ogledati izhodni video, odprite brskalnik v bazi podatkov in pojdite na "0.0.0.0: 5000".