【Raspberry Pi 4】【python】【openCV】【TensorFlow】對象檢測API安裝教學

1.更新Raspberry Pi

首先，需要對Raspberry Pi進行全面更新。打開終端並發出：

sudo apt-get update
sudo apt-get dist-upgrade

根據您更新Pi的時間長短，升級可能需要一分鐘到一個小時。





2.安裝TensorFlow


接下來，我們將安裝TensorFlow。下載量很大（超過100MB），因此可能需要重新加載。發出以下命令：

pip3 install tensorflow

TensorFlow還需要LibAtlas軟件包。通過發出以下命令進行安裝。（如果此命令不起作用，請發出“sudo易於得到更新”，然後重試）。

sudo apt-get install libatlas-base-dev

在我們討論的同時，讓我們安裝其他將由TensorFlow目標檢測API使用的依賴項。這些列在TensorFlow的目標檢測的GitHub庫存儲中的安裝說明上。問題：

sudo pip3 install pillow lxml jupyter matplotlib cython
sudo apt-get install python-tk

3.安裝OpenCV

TensorFlow的對象檢測示例通常使用matplotlib來顯示圖像，但我更喜歡使用OpenCV，因為它使用起來更容易，出錯的可能也較小。本指南的GitHub存儲庫中的對象檢測腳本使用OpenCV。因此，我們需要安裝OpenCV。


為了使OpenCV在Raspberry Pi上運行，需要通過apt-get安裝很多依賴項。如果以下任何命令不起作用，請發出“ sudo apt-get update”，然後重試。

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
現在我們已經安裝了這些，我們可以安裝OpenCV。問題：

sudo pip3 install opencv-python

4.編譯並安裝Protobuf

TensorFlow對象檢測API使用Protobuf，這是一個實現Google協議標題數據格式的串行。您以前需要從源代碼進行編譯，但是現在這很容易安裝！

sudo apt-get install protobuf-compiler

protoc --version

5.設置TensorFlow目錄結構和PYTHONPATH變量
現在我們已經安裝了所有擴展，我們需要設置TensorFlow目錄。返回到您的主目錄，然後創建一個稱為“ tensorflow1”的目錄，將其cd輸入。

mkdir tensorflow1
cd tensorflow1

通過發布從GitHub下載tensorflow存儲庫：

git clone --depth 1 https://github.com/tensorflow/models.git

接下來，我們需要修改PYTHONPATH環境變量，以指向剛下載的TensorFlow存儲庫中的某些目錄。我們希望打開終端時都設置PYTHONPATH，因此我們必須修改.bashrc文件。通過發出以下命令打開它：

sudo nano ~/.bashrc

移至文件末尾，並在最後一行添加：

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




然後，保存並退出文件。這樣一來，每次打開新終端時都會調用“ export PYTHONPATH”命令，因此將始終正確設置PYTHONPATH變量。關閉，然後重新打開終端。


現在，我們需要使用Protoc來編譯對象檢測API使用的協議協議（.proto）文件。.proto文件放在/ research / object_detection / protos中，但是我們需要從/ research目錄執行命令。問題：

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


此命令將所有“名稱” .proto文件轉換為“ name_pb2” .py文件。接下來，進入object_detection目錄：

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

現在，我們將從TensorFlow檢測模型動物園中下載SSD_Lite模型。模型動物園是谷歌的預訓練對象檢測模型的集合，這些模型具有不同水平的速度和準確性。樹莓派的處理器性能較弱，因此我們需要使用處理能力較小的模型。儘管該模型將運行得更快，但要以降低精度為代價。在本教程中，我們將使用SSDLite-MobileNet，這是目前最快的模型。

Google不斷發布具有改進速度和性能的模型，因此請經常回訪模型動物園以查看是否有更好的模型。

下載SSDLite-MobileNet模型並通過發出以下命令解壓縮：

wget http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz


6.檢測物體！

好的，現在一切就緒，可以在皮上執行對象檢測！此存儲庫中的Python的腳本Object_detection_picamera.py用於檢測來自Picamera或USB網絡攝像頭的實時供稿中的對象。基本上，腳本會設置模型和標籤映射的路徑，將模型加載到內存中，初始化Picamera，然後開始對Picamera中的每個視頻幀執行對象檢測。

如果您使用的是Picamera，請確保在Raspberry Pi配置菜單中將其啟用。

通過發出以下命令，將Object_detection_picamera.py文件下載到object_detection目錄中：


wget https://raw.githubusercontent.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi/master/Object_detection_picamera.py


通過發出以下命令來運行腳本：


python3 Object_detection_picamera.py


該腳本默認為使用附加的Picamera。如果您有USB網絡攝像頭，則在命令末尾添加--usbcam：

python3 Object_detection_picamera.py --usbcam


腳本初始化後（最多可能需要30秒），您將看到一個窗口，顯示相機實時取景。視圖內的公共對象將被識別並在其周圍繪製一個矩形。


使用SSDLite模型，Raspberry Pi 3的性能相當好，實現了高於1FPS的幀速率。對於大多數實時對象檢測應用來說，這足夠快。

注意：如果您打算長時間在Pi上運行此程序（大於5分鐘），請確保在Pi的主CPU上安裝了散熱器！所有處理都會導致CPU熱運行。沒有散熱器，由於高溫會關閉。

【中階】【MATLAB】【影像物體追蹤】【使用範例】

function [] = select()

clc ;close all;clear all;

%------------------------------------------------------------------------------------------------------------------------

%根據一幅目標全可見的圖像圈定跟蹤目標%

I=imread('1s.jpg');    %選取圖片

figure(1);             %創建一個窗口

imshow(I);             %默認色值

[temp,rect]=imcrop(I); %利用"滑鼠""剪下""視窗"

[a,b,c]=size(temp);    %長 寬 高大小=剪下

%------------------------------------------------------------------------------------------------------------------------

%計算目標圖像的權值矩陣%

y(1)=a/2;

y(2)=b/2;

tic_x =rect(1)+rect(3)/2;

tic_y=rect(2)+rect(4)/2;

m_wei=zeros(a,b);%權值矩陣

h=y(1)^2+y(2)^2 ;%帶寬

for i=1:a

for j=1:b

dist=(i-y(1))^2+(j-y(2))^2;

m_wei(i,j)=1-dist/h; %epanechnikov profile

end

end

C=1/sum(sum(m_wei));%歸一化係數

%------------------------------------------------------------------------------------------------------------------------

%計算目標權值直方圖qu

%hist1=C*wei_hist(temp,m_wei,a,b);%target model

hist1=zeros(1,a*b);

for i=1:a

for j=1:b 

%rgb顏色空間量化為16*16*16 bins

q_r=fix(double(temp(i,j,1))/16); %fix為趨近0取整函數

q_g=fix(double(temp(i,j,2))/16);

q_b=fix(double(temp(i,j,3))/16);

q_temp=q_r*256+q_g*16+q_b;%設置每像素點紅色，綠色，藍色分量所占比重

hist1(q_temp+1)= hist1(q_temp+1)+m_wei(i,j);%計算直方圖統計中每個像素點佔的權重?

end

end

hist1=hist1*C;

rect(3)=ceil(rect(3));

rect(4)=ceil(rect(4));

%------------------------------------------------------------------------------------------------------------------------

myfile=dir('*.jpg');%尋找jpg類型的資料

lengthfile=length(myfile);

for l=1:lengthfile

Im=imread(myfile(l).name);

num=0;

Y=[2,2];

%mean shift跌代

while((Y(1)^2+Y(2)^2>0.5)&num<20)%跌代條件

 num=num+1;

temp1=imcrop(Im,rect);

%計算候選區域直方圖

%hist2=C*wei_hist(temp1,m_wei,a,b);%target candidates pu

hist2=zeros(1,a*b);

for i=1:a

for j=1:b

q_r=fix(double(temp1(i,j,1))/16);

q_g=fix(double(temp1(i,j,2))/16);

q_b=fix(double(temp1(i,j,3))/16);

q_temp1(i,j)=q_r*256+q_g*16+q_b;

hist2(q_temp1(i,j)+1)= hist2(q_temp1(i,j)+1)+m_wei(i,j);

end

end

%------------------------------------------------------------------------------------------------------------------------

hist2=hist2*C;

figure(2);%創建一個窗口

subplot(1,2,1);%放置圖片位置

plot(hist2);

hold on;

w=zeros(1,a*b);

for i=1:a*b

if(hist2(i)~=0)

w(i)=sqrt(hist1(i)/hist2(i));

else

w(i)=0;

end

end

%------------------------------------------------------------------------------------------------------------------------

%變量初始化

sum_w=0;

xw=[0,0];

for i=1:a;

for j=1:b

sum_w=sum_w+w(uint32(q_temp1(i,j))+1);

xw=xw+w(uint32(q_temp1(i,j))+1)*[i-y(1)-0.5,j-y(2)-0.5];

end

end

%------------------------------------------------------------------------------------------------------------------------

Y=xw/sum_w;

%中心點位置更新

rect(1)=rect(1)+Y(2);

rect(2)=rect(2)+Y(1);

end

%------------------------------------------------------------------------------------------------------------------------

%跟蹤矩陣軌跡

tic_x=[tic_x;rect(1)+rect(3)/2];

tic_y=[tic_y;rect(2)+rect(4)/2];

v1=rect(1);

v2=rect(2);

v3=rect(3);

v4=rect(4);

%顯示跟蹤結果

%------------------------------------------------------------------------------------------------------------------------

subplot(1,2,2);%設定圖片位置

imshow(uint8(Im));%顯示圖像

title('目標跟蹤結果與運動軌跡');%命名圖像

hold on;

plot([v1,v1+v3],[v2,v2],[v1,v1],[v2,v2+v4],[v1,v1+v3],[v2+v4,v2+v4],[v1+v3,v1+v3],[v2,v2+v4],'LineWidth',2,'Color','r');

plot(tic_x,tic_y,'LineWidth',2,'Color','b');

end

%------------------------------------------------------------------------------------------------------------------------

【初階】【MATLAB】【顏色的圖像分割】【使用範例】

【初階】【LebVIEW】【是與否視窗選項】【使用範例】

【初階】【LebVIEW】【LebVIEW連接ARDUINO】【使用範例】

【初階】【python】【繪圖練習2】【使用範例】

【初階】【python】【繪圖練習】【使用範例】