Détection d'objets avec Dragonboard 410c ou 820c à l'aide d'OpenCV et de Tensorflow. : 4 étapes

2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:07

Cette instruction décrit comment installer OpenCV, Tensorflow et les frameworks d'apprentissage automatique pour Python 3.5 afin d'exécuter l'application de détection d'objets.

Étape 1: Exigences

Vous aurez besoin des éléments suivants:

• Une DragonBoard™ 410c ou 820c;

• Une installation propre de Linaro-alip:

  • DB410c: testé en version v431. Lien:
  • DB820c: testé en version v228. Lien:
• Au moins une carte MicroSD d'une capacité de 16 Go (si vous utilisez le 410c);

Téléchargez le fichier (à la fin de cette étape), décompressez et copiez sur la carte MicroSD; Obs: Si vous utilisez un DB820c, téléchargez le fichier, décompressez et déplacez-vous vers /home/*USER*/ pour faciliter l'utilisation des commandes.

• Un concentrateur USB;
• Une caméra USB (compatible Linux);
• Une souris et un clavier USB;
• Une connexion internet.

Obs: Suivez ces instructables dans le navigateur DragonBoard si possible, facilitant la copie des commandes

Étape 2: Montage de la carte MicroSD (uniquement avec DB410c)

• Ouvrez le terminal dans le Dragonboard;
• Dans le terminal, exécutez fdisk:

$ sudo fdisk -l

• Insérez la carte MicroSD dans la fente pour carte DragonBoard MicroSD;
• Exécutez à nouveau fdisk, en recherchant le nom (et la partition) du nouveau périphérique dans la liste (par exemple mmcblk1p1)

$ sudo fdisk -l

Allez dans le répertoire racine:

$ cd ~

Créer un dossier:

$ mkdir sdfolder

Montez la carte MicroSD:

$ mount /dev/ sdfolder

Étape 3: Installation des frameworks requis

• Ouvrez le terminal dans le Dragonboard;
• Dans le terminal, allez dans un répertoire choisi (en utilisant "~" pour le 820c et la SDCard montée pour le 410c):

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Accédez au dossier des scripts du détecteur d'objets:

$ cd object_detector_tensorflow_opencv/scripts/

Exécutez le script de configuration de l'environnement:

$ sudo bash set_Env.sh

Mettre à jour le système:

$ sudo apt mise à jour

Installez ces packages:

$ 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 default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libhdf5* libhdf5-dev build-essential 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 libswlx264-dev libv4 libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Allez dans ce répertoire:

$ cd /usr/src

Téléchargez Python 3.5:

$ sudo wget

Extraire le paquet:

$ sudo tar xzf Python-3.5.6.tgz

Supprimez le package compressé:

$ sudo rm Python-3.5.6.tgz

Accédez au répertoire Python 3.5:

$cd Python-3.5.6

Activez les optimisations pour la compilation Python 3.5:

$ sudo./configure --enable-optimizations

Compilez Python 3.5:

$ sudo make altinstall

Mettre à niveau les outils de pip et de configuration:

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

Installez numpy:

$ python3.5 -m pip install numpy

Allez dans le répertoire choisi:

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Télécharger Tensorflow 1.11 whl:

$ wget

Installer tensorflow:

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

Clonez les dépôts OpenCV et OpenCV Contrib:

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

Aller dans le répertoire:

$ cd opencv

Créez le répertoire de construction et accédez-y:

$ sudo mkdir build && cd build

Exécutez 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 -D PYTHON3_DEFAULT_EXECUTABLE=$(PYTHON3_DEFAULT_EXECUTABLE=$) quel 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_TESTS=OFF -D WITH_TBB -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= OFF -D BUILD_OPENCV_DNN=ON -D OPENCV_EXTRA_PATH/MODULES. modules..

Compilez OpenCV avec 4 cœurs:

$ sudo make -j 4

Installez OpenCV:

$ sudo faire l'installation

Allez dans le répertoire choisi:

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Allez dans le répertoire des scripts:

$ cd object_detector_tensorflow_opencv/scripts/

Installez la configuration requise pour Python3.5:

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

Tester les importations:

$ python3.5

> importer cv2 >> importer tensorflow

Obs: si cv2 renvoie une erreur d'importation, exécutez make install dans le dossier de construction OpenCV et réessayez

Allez dans le répertoire choisi:

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Téléchargez le dépôt cacaopi:

$ git clone

Téléchargez le référentiel de modèles Tensorflow:

$ git clone

Allez dans ce répertoire:

$ cd cocopi/PythonAPI

Modifiez le fichier Makefile, en changeant python en python3.5 aux lignes 3 et 8, puis enregistrez le fichier (en utilisant nano comme exemple):

$ nano Makefile

Compilez les cocopi:

$ sudo faire

Obs: Si la commande 'make' ne compile pas, essayez de réinstaller cython avec:

$ sudo python3.5 -m pip installer cython

Copiez pycocotools dans le répertoire tensorflow /models/research:

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

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

Allez dans le répertoire choisi:

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Accédez au répertoire modèles/recherche:

$ cd modèles/recherche

Compiler avec le protocole:

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

Exporter la variable d'environnement:

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

Tester l'environnement:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Il doit retourner OK, sinon l'application ne fonctionnera pas. Si ce n'est pas le cas, recherchez soigneusement toute erreur dans le processus d'installation des frameworks requis

Étape 4: Exécuter l'API de détection d'objets

Avec tous les frameworks configurés, il est désormais possible d'exécuter l'API de détection d'objets qui utilise OpenCV avec Tensorflow.

Allez dans le répertoire choisi:

(820c) $ cd ~

(410c) $ cd ~/dossier sd

Accédez au répertoire de détection d'objet:

$ cd object_detector_tensorflow_opencv/

Lancez maintenant l'application:

$ python3.5 app.py

Maintenant, le Dragonboard diffusera la vidéo via le réseau. Pour voir la vidéo de sortie, ouvrez le navigateur dans la base de données et accédez à "0.0.0.0:5000".