Wykrywanie obiektów z Dragonboard 410c lub 820c przy użyciu OpenCV i Tensorflow.: 4 kroki

2024 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2024-01-30 11:30

Ta instrukcja opisuje, jak zainstalować OpenCV, Tensorflow i frameworki uczenia maszynowego dla Pythona 3.5, aby uruchomić aplikację Object Detection.

Krok 1: Wymagania

Będziesz potrzebować następujących rzeczy:

• DragonBoard™ 410c lub 820c;

• Czysta instalacja Linaro-alip:

  • DB410c: testowane w wersji v431. Link:
  • DB820c: testowane w wersji v228. Link:
• Karta MicroSD o pojemności co najmniej 16 GB (w przypadku korzystania z modelu 410c);

Pobierz plik (na końcu tego kroku), rozpakuj i skopiuj na kartę MicroSD;Obs: Jeśli używasz DB820c, pobierz plik, rozpakuj i przejdź do /home/*USER*/, aby ułatwić korzystanie z poleceń.

• koncentrator USB;
• Kamera USB (zgodna z systemem Linux);
• Mysz i klawiatura USB;
• Połączenie internetowe.

Obs: Postępuj zgodnie z instrukcjami w przeglądarce DragonBoard, jeśli to możliwe, ułatwiając kopiowanie poleceń

Krok 2: Montaż karty MicroSD (tylko W/DB410c)

• Otwórz terminal w Dragonboard;
• W terminalu uruchom fdisk:

$ sudo fdisk -l

• Włóż kartę MicroSD do gniazda karty MicroSD DragonBoard;
• Uruchom ponownie fdisk, szukając nazwy (i partycji) nowego urządzenia na liście (np. mmcblk1p1)

$ sudo fdisk -l

Przejdź do katalogu głównego:

$ cd ~

Utwórz folder:

$ mkdir sdfolder

Zamontuj kartę MicroSD:

$ mount /dev/ sdfolder

Krok 3: Instalowanie wymaganych frameworków

• Otwórz terminal w Dragonboard;
• W terminalu przejdź do wybranego katalogu (używając "~" dla 820c i zamontowanej karty SD dla 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Przejdź do folderu skryptów Object Detector:

$ cd object_detector_tensorflow_opencv/scripts/

Uruchom skrypt konfiguracji środowiska:

$ sudo bash set_Env.sh

Zaktualizuj system:

$ sudo apt aktualizacja

Zainstaluj te pakiety:

$ sudo apt install -y kompilator protobuf gcc-aarch64-linux-gnu

g++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip rozpakuj python python-pip g++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libhdf5* libhdf5-libpng-ake build 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 libvx4l-dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Przejdź do tego katalogu:

$ cd /usr/src

Pobierz Pythona 3.5:

$ sudo wget

Wyodrębnij pakiet:

$ sudo tar xzf Python-3.5.6.tgz

Usuń skompresowany pakiet:

$ sudo rm Python-3.5.6.tgz

Przejdź do katalogu Python 3.5:

$ cd Python-3.5.6

Włącz optymalizacje dla kompilacji Pythona 3.5:

$ sudo./configure --enable-optimizations

Skompiluj Pythona 3.5:

$ sudo make altinstall

Uaktualnij narzędzia pip i setup:

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

Zainstaluj numpy:

$ python3.5 -m pip zainstalować numpy

Przejdź do wybranego katalogu:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Pobierz Tensorflow 1.11 whl:

$ wget

Zainstaluj tensorflow:

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

Klonuj repozytoria OpenCV i OpenCV Contrib:

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

Przejdź do katalogu:

$ cd opencv

Utwórz katalog kompilacji i przejdź do niego:

$ sudo mkdir build && cd build

Uruchom 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_TABELA$. który 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 WITH -D BUILD_TESTS=OFF -D BUILD_TESTS=OFF -DBUILD_TBB=WŁ -D OPENCV_ENABLE_NONFREE=WŁ -DBUILD_opencv_xfeatures2d=WYŁ -D OPENGL=WŁ -D OPENMP=WŁ -D ENABLE_NEON=WŁ -D BUILD_PERF_TESTS= WYŁ -D BUILD_OPENCV_DNN=WŁ -D. moduły..

Skompiluj OpenCV z 4 rdzeniami:

$ sudo make -j 4

Zainstaluj OpenCV:

$ sudo make zainstaluj

Przejdź do wybranego katalogu:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Przejdź do katalogu skryptów:

$ cd object_detector_tensorflow_opencv/scripts/

Zainstaluj wymagania Python3.5:

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

Importy testowe:

$ Python3, 5

> importuj cv2 >> importuj tensorflow

Obs: Jeśli cv2 zwraca błąd importu, uruchom make install w folderze kompilacji OpenCV i spróbuj ponownie

Przejdź do wybranego katalogu:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Pobierz repozytorium cocoapi:

$ klon git

Pobierz repozytorium modeli Tensorflow:

$ klon git

Przejdź do tego katalogu:

$ cd cocoapi/PythonAPI

Edytuj plik Makefile, zmieniając python na python3.5 w wierszach 3 i 8, a następnie zapisz plik (na przykładzie nano):

$Nano Makefile

Skompiluj cocoapi:

$ marka sudo

Obs: Jeśli polecenie „make” nie skompiluje się, spróbuj ponownie zainstalować cython za pomocą:

$ sudo python3.5 -m pip install cython

Skopiuj pycocotools do katalogu tensorflow /models/research:

(820c) $ cp -r pycocotools ~/modele/badania/

(410c) $ cp -r pycocotools ~/sdfolder/modele/badania/

Przejdź do wybranego katalogu:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Przejdź do katalogu modeli/badań:

$ modele cd/badania

Skompiluj z protokołem:

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

Eksportuj zmienną środowiskową:

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

Przetestuj środowisko:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Musi zwrócić OK, w przeciwnym razie aplikacja nie będzie działać. Jeśli nie, dokładnie szukaj błędów w procesie instalacji wymaganych frameworków

Krok 4: Uruchamianie API do wykrywania obiektów

Po skonfigurowaniu wszystkich frameworków możliwe jest teraz uruchomienie API do wykrywania obiektów, które wykorzystuje OpenCV wraz z Tensorflow.

Przejdź do wybranego katalogu:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Przejdź do katalogu wykrywania obiektów:

$ cd object_detector_tensorflow_opencv/

Teraz uruchom aplikację:

$ python3.5 aplikacja.py

Teraz Dragonboard będzie przesyłać strumieniowo wideo przez sieć. Aby zobaczyć wyjściowe wideo, otwórz przeglądarkę w DB i przejdź do „0.0.0.0:5000”.