การตรวจจับวัตถุด้วย Dragonboard 410c หรือ 820c โดยใช้ OpenCV และ Tensorflow.: 4 ขั้นตอน

2024 ผู้เขียน: John Day | [email protected]. แก้ไขล่าสุด: 2024-01-30 13:05

คำแนะนำนี้อธิบายวิธีการติดตั้งเฟรมเวิร์ก OpenCV, Tensorflow และการเรียนรู้ของเครื่องสำหรับ Python 3.5 เพื่อเรียกใช้แอปพลิเคชัน Object Detection

ขั้นตอนที่ 1: ข้อกำหนด

คุณจะต้องมี itens ต่อไปนี้:

• DragonBoard™ 410c หรือ 820c;

• การติดตั้ง Linaro-alip ใหม่ทั้งหมด:

  • DB410c: ทดสอบในเวอร์ชัน v431. Link:
  • DB820c: ทดสอบในเวอร์ชัน v228. Link:
• การ์ด MicroSD ความจุอย่างน้อย 16GB (หากใช้ 410c)

ดาวน์โหลดไฟล์ (ในตอนท้ายของขั้นตอนนี้) เปิดเครื่องรูดและคัดลอกไปยังการ์ด MicroSD;Obs: หากใช้ DB820c ให้ดาวน์โหลดไฟล์ คลายซิปและย้ายไปที่ /home/*USER*/ เพื่อทำให้การใช้คำสั่งง่ายขึ้น

• ฮับ USB;
• กล้อง USB (รองรับ Linux);
• เมาส์และคีย์บอร์ด USB;
• การเชื่อมต่ออินเทอร์เน็ต

Obs: ทำตามคำแนะนำนี้ในเบราว์เซอร์ DragonBoard ถ้าเป็นไปได้ อำนวยความสะดวกในการคัดลอกคำสั่ง

ขั้นตอนที่ 2: การติดตั้งการ์ด MicroSD (เฉพาะ W/ DB410c)

• เปิดเทอร์มินัลใน Dragonboard;
• ในเทอร์มินัลรัน fdisk:

$ sudo fdisk -l

• ใส่การ์ด MicroSD ลงในช่องเสียบการ์ด DragonBoard MicroSD;
• เรียกใช้ fdisk อีกครั้ง โดยมองหาชื่อ (และพาร์ติชัน) ของอุปกรณ์ใหม่ในรายการ (เช่น mmcblk1p1)

$ sudo fdisk -l

ไปที่ไดเรกทอรีราก:

$ cd ~

สร้างโฟลเดอร์:

$ mkdir sdfolder

ติดตั้งการ์ด MicroSD:

$ mount /dev/sdfolder

ขั้นตอนที่ 3: การติดตั้งเฟรมเวิร์กที่จำเป็น

• เปิดเทอร์มินัลใน Dragonboard;
• ในเทอร์มินัล ไปที่ไดเร็กทอรีที่เลือก (โดยใช้ "~" สำหรับ 820c และ SDCard ที่ต่อเชื่อมสำหรับ 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ไปที่โฟลเดอร์สคริปต์ Object Detector:

$ cd object_detector_tensorflow_opencv/scripts/

เรียกใช้สคริปต์การตั้งค่าสภาพแวดล้อม:

$ sudo bash set_Env.sh

อัพเดทระบบ:

$ sudo apt update

ติดตั้งแพ็คเกจเหล่านี้:

$ sudo apt ติดตั้ง -y protobuf-compiler gcc-aarch64-linux-gnu

g++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip เปิดเครื่องรูด python python-pip g++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* build-libespng-cm 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 libxcore-dev libv4l-vid libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

ไปที่ไดเร็กทอรีนี้:

$ cd /usr/src

ดาวน์โหลด Python 3.5:

$ sudo wget

แยกแพ็คเกจ:

$ sudo tar xzf Python-3.5.6.tgz

ลบแพ็คเกจที่บีบอัด:

$ sudo rm Python-3.5.6.tgz

ไปที่ไดเร็กทอรี Python 3.5:

$ cd Python-3.5.6

เปิดใช้งานการปรับให้เหมาะสมสำหรับการรวบรวม Python 3.5:

$ sudo./configure --enable-optimizations

รวบรวม Python 3.5:

$ sudo สร้าง altinstall

อัปเกรด pip และเครื่องมือตั้งค่า:

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

ติดตั้งจำนวน:

$ python3.5 -m pip ติดตั้ง numpy

ไปที่ไดเร็กทอรีที่เลือก:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ดาวน์โหลด Tensorflow 1.11 whl:

$ wget

ติดตั้งเทนเซอร์โฟลว์:

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

โคลนที่เก็บ OpenCV และ OpenCV Contrib:

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

ไปที่ไดเรกทอรี:

$ cd opencv

สร้างไดเร็กทอรี build และไปที่:

$ sudo mkdir build && cd build

เรียกใช้ 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_python3=ON -UthABLETHLE_ON3_DE_$ ซึ่ง EXpython3_D: $ sudo cmake ซึ่ง 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 -D BUILD -_TEST_=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_PERF_TESTS= ปิด -D BUILD_OPENCV_DNC_DON. โมดูล..

รวบรวม OpenCV ด้วย 4 คอร์:

$ sudo make -j 4

ติดตั้ง OpenCV:

$ sudo ทำการติดตั้ง

ไปที่ไดเร็กทอรีที่เลือก:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ไปที่ไดเรกทอรีสคริปต์:

$ cd object_detector_tensorflow_opencv/scripts/

ติดตั้งข้อกำหนด Python3.5:

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

นำเข้าทดสอบ:

$ python3.5

> นำเข้า cv2 >> นำเข้าเทนเซอร์โฟลว์

Obs: หาก cv2 ส่งคืนข้อผิดพลาดในการนำเข้า ให้เรียกใช้ make install ในโฟลเดอร์บิลด์ OpenCV แล้วลองอีกครั้ง

ไปที่ไดเร็กทอรีที่เลือก:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ดาวน์โหลดที่เก็บโคโคปี:

$ git clone

ดาวน์โหลดที่เก็บโมเดล Tensorflow:

$ git clone

ไปที่ไดเร็กทอรีนี้:

$ cd cocoapi/PythonAPI

แก้ไขไฟล์ Makefile เปลี่ยน python เป็น python3.5 ในบรรทัดที่ 3 และ 8 จากนั้นบันทึกไฟล์ (โดยใช้ nano เป็นตัวอย่าง):

$ nano Makefile

รวบรวมโกโก้ปิ:

$ sudo make

Obs: หากคำสั่ง 'make' ไม่คอมไพล์ให้ลองติดตั้ง cython ใหม่ด้วย:

$ sudo python3.5 -m pip ติดตั้ง cython

คัดลอก pycocotools ไปยังไดเร็กทอรี tensorflow /models/research:

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

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

ไปที่ไดเร็กทอรีที่เลือก:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ไปที่รุ่น/ไดเร็กทอรีการวิจัย:

$ cd รุ่น/งานวิจัย

รวบรวมด้วยโปรโตคอล:

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

ตัวแปรสภาพแวดล้อมการส่งออก:

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

ทดสอบสภาพแวดล้อม:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: ต้องส่งคืน OK มิฉะนั้น aplication จะไม่ทำงาน หากไม่เป็นเช่นนั้น ให้ค้นหาข้อผิดพลาดในกระบวนการติดตั้งเฟรมเวิร์กที่ต้องการอย่างระมัดระวัง

ขั้นตอนที่ 4: เรียกใช้ API การตรวจจับวัตถุ

เมื่อกำหนดค่าเฟรมเวิร์กทั้งหมดแล้ว ตอนนี้คุณสามารถเรียกใช้ API การตรวจหาวัตถุที่ใช้ OpenCV ร่วมกับ Tensorflow ได้แล้ว

ไปที่ไดเร็กทอรีที่เลือก:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

ไปที่ไดเร็กทอรีการตรวจจับวัตถุ:

$ cd object_detector_tensorflow_opencv/

ตอนนี้เรียกใช้แอปพลิเคชัน:

$ python3.5 app.py

ตอนนี้ Dragonboard จะสตรีมวิดีโอผ่านเครือข่าย หากต้องการดูวิดีโอที่ส่งออก ให้เปิดเบราว์เซอร์ในฐานข้อมูลและไปที่ "0.0.0.0:5000"