Détection d'objets Raspberry Pi : 7 étapes

2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:06

Ce guide fournit des instructions détaillées sur la configuration de l'API de détection d'objets de TensorFlow sur le Raspberry Pi. En suivant les étapes de ce guide, vous pourrez utiliser votre Raspberry Pi pour effectuer une détection d'objet sur une vidéo en direct à partir d'une webcam Picamera ou USB. L'apprentissage automatique manuel n'est pas requis tel qu'il est utilisé dans la base de données en ligne pour la détection d'objets. Vous pouvez détecter la plupart des objets couramment utilisés dans le monde.

Veuillez vous référer à ma photo ci-dessus, nous avons utilisé une souris, une pomme et des ciseaux et avons parfaitement détecté l'objet.

Le guide parcourt les étapes suivantes:

Mettre à jour le Raspberry Pi

Installer TensorFlowInstaller OpenCV

Compiler et installer Protobuf

Configurer la structure de répertoires TensorFlow

Détectez les objets

Étape 1: Mettre à jour Raspberry Pi

Votre Raspberry Pi doit être mis à jour

Étape 1:

Tapez dans le terminal de commande, sudo apt-get mise à jour

Et puis Tapez

sudo apt-get dist-upgrade

Cela peut prendre beaucoup de temps en fonction de votre Internet et de votre Raspberry Pi

C'est tout ce dont vous avez besoin, vous avez terminé la mise à jour de votre Raspberry pi

Étape 2: Installez TensorFlow

Maintenant, nous allons installer Tensorflow.

Tapez cette commande suivante, pip3 installer TensorFlow

TensorFlow a également besoin du package LibAtlas. Tapez la commande suivante

sudo apt-get install libatlas-base-dev

Et tapez également cette commande suivante, sudo pip3 installer coussin lxml jupyter matplotlib cythonsudo apt-get installer python-tk

Nous avons maintenant terminé l'installation de Tensorflow.

Étape 3: Installez OpenCV

Nous travaillons maintenant à l'installation de la bibliothèque OpenCV car les exemples de détection d'objets de TensorFlow utilisent matplotlib pour afficher des images, mais j'ai choisi de pratiquer OpenCV car il est plus facile à utiliser et moins d'erreurs. Nous devons donc installer OpenCV. Maintenant, OpenCV ne prend pas en charge RPI, nous allons donc installer l'ancienne version.

Nous travaillons maintenant à installer quelques dépendances qui doivent être installées via 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

Enfin, maintenant nous pouvons installer OpenCV en tapant, pip3 installer opencv-python==3.4.6.27

C'est tout, nous avons maintenant installé OpenCV

Étape 4: Installer Protobuf

L'API de détection d'objets TensorFlow utilise Protobuf, un package qui s'adapte au format de données Protocol Buffer de Google. Vous devez compiler à partir des sources, vous pouvez maintenant l'installer facilement.

sudo apt-get install protobuf-compiler

Exécutez protoc --version une fois cela fait. Vous devriez obtenir une réponse de libprotoc 3.6.1 ou similaire.

Étape 5: Configurer la structure du répertoire TensorFlow

Nous avons installé tous les packages, nous souhaitons créer un répertoire pour le TensorFlow. À partir du répertoire personnel, créez un nom de répertoire appelé "tensorflow1", Tapez ce qui suit, mkdir tensorflow1cd tensorflow1

Téléchargez maintenant TensorFlow en tapant, git clone --depth 1

Nous souhaitons modifier la variable d'environnement PYTHONPATH pour diriger vers certains répertoires du référentiel TensorFlow. Nous avons besoin que PYTHONPATH soit défini à chaque fois. Nous devons ajuster le fichier.bashrc. Nous devons l'ouvrir en tapant

sudo nano ~/.bashrc

À la fin du fichier et à la dernière ligne, ajoutez la commande, comme dans l'image du haut qui est marquée sur la case de couleur rouge.

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

Maintenant, enregistrez et quittez. Nous devons utiliser Protoc pour compiler les fichiers Protocol Buffer (.proto) utilisés par l'API de détection d'objets. Les fichiers.proto sont situés dans /research/object_detection/protos, nous voulons exécuter la commande depuis le répertoire /research. Tapez la commande suivante

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

Cette commande change tous les fichiers "name".proto en fichiers "name_pb2".py.

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

Nous devons télécharger le modèle SSD_Lite à partir du zoo de modèles TensorFlowdetection. Pour cela, nous souhaitons utiliser SSDLite-MobileNet, qui est le modèle le plus rapide existant pour le RPI.

Google publie sans cesse des modèles avec une vitesse et des performances améliorées, alors vérifiez souvent s'il existe des modèles améliorés.

Tapez la commande suivante pour télécharger le modèle SSDLite-MobileNet.

wget

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

Maintenant, nous pouvons pratiquer les modèles Object_Detction !

Nous avons presque terminé !

Étape 6: Détecter l'objet

Maintenant, tout est configuré pour la détection d'objets d'exécution sur le Pi !

Object_detection_picamera.py détecte les objets en direct depuis une webcam Picamera ou USB.

Si vous utilisez une Picamera, modifiez la configuration du Raspberry Pi dans un menu comme dans l'image ci-dessus marquée en rouge.

Tapez la commande suivante pour télécharger le fichier Object_detection_picamera.py dans le répertoire 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

Tapez la commande suivante pour la caméra USB

python3 Object_detection_picamera.py --usbcam

Sa commande est exécutée, après 1 minute une nouvelle fenêtre s'ouvre qui va commencer à détecter les objets !!!

Étape 7: Problèmes et remerciements

S'il vous plaît laissez-moi savoir si vous avez des questions

Courriel: [email protected]

Merci, Rithik