Обнаружение объектов с помощью Dragonboard 410c или 820c с использованием OpenCV и Tensorflow .: 4 шага

2024 Автор: John Day | [email protected]. Последнее изменение: 2024-01-30 11:51

В этой инструкции описывается, как установить OpenCV, Tensorflow и фреймворки машинного обучения для Python 3.5 для запуска приложения Object Detection.

Шаг 1. Требования

Вам понадобятся следующие предметы:

• DragonBoard ™ 410c или 820c;

• Чистая установка Linaro-alip:

  • DB410c: протестирован в версии v431. Ссылка:
  • DB820c: протестировано в версии v228. Ссылка:
• Карта MicroSD емкостью не менее 16 ГБ (при использовании 410c);

Загрузите файл (в конце этого шага), распакуйте и скопируйте на карту MicroSD; Замечания: при использовании DB820c загрузите файл, распакуйте и перейдите в / home / * USER * /, чтобы упростить использование команд.

• USB-концентратор;
• USB-камера (совместимая с Linux);
• USB-мышь и клавиатура;
• Интернет-соединение.

Примечания: Следуйте этим инструкциям в браузере DragonBoard, если это возможно, облегчая копирование команд

Шаг 2: Установка карты MicroSD (только для W / DB410c)

• Откройте терминал в Dragonboard;
• В терминале запустите fdisk:

$ sudo fdisk -l

• Вставьте карту MicroSD в слот для карты DragonBoard MicroSD;
• Снова запустите fdisk, ища имя (и раздел) нового устройства в списке (например, mmcblk1p1)

$ sudo fdisk -l

Переходим в корневой каталог:

$ cd ~

Создайте папку:

$ mkdir sdfolder

Установите карту MicroSD:

$ mount / dev / sdfolder

Шаг 3. Установка необходимых фреймворков

• Откройте терминал в Dragonboard;
• В терминале перейдите в выбранный каталог (используя "~" для 820c и подключенную SDCard для 410c):

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Перейдите в папку скриптов детектора объектов:

$ cd object_detector_tensorflow_opencv / скрипты /

Запустите сценарий настройки среды:

$ sudo bash set_Env.sh

Обновите систему:

$ sudo подходящее обновление

Установите эти пакеты:

$ 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 * libpng-dev build-essential 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 libv4l-dev libxvidcore libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Перейдите в этот каталог:

$ cd / usr / src

Скачать Python 3.5:

$ sudo wget

Распакуйте пакет:

$ sudo tar xzf Python-3.5.6.tgz

Удалите сжатый пакет:

$ sudo rm Python-3.5.6.tgz

Перейдите в каталог Python 3.5:

$ cd Python-3.5.6

Включите оптимизацию для компиляции Python 3.5:

$ sudo./configure --enable-optimizations

Скомпилируйте Python 3.5:

$ sudo сделать altinstall

Инструменты обновления и настройки:

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

Установите numpy:

$ python3.5 -m pip install numpy

Перейти в выбранный каталог:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Скачать Tensorflow 1.11 whl:

$ wget

Установите tensorflow:

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

Клонируйте репозитории OpenCV и OpenCV Contrib:

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

Перейти в каталог:

$ cd opencv

Создайте каталог сборки и перейдите в него:

$ sudo mkdir build && cd build

Запустите 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 PEFAUTABLE_CV_PYTHON_3 = ON_DEXPUTABLE_PYTHON3 который 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_D WITH_TESTS -DBUILD_TBB = ВКЛ. -D OPENCV_ENABLE_NONFREE = ВКЛ. -DBUILD_opencv_xfeatures2d = ВЫКЛ. -D OPENGL = ВКЛ. -D OPENMP = ВКЛ. -D ENABLE_NEON = ВКЛ. модули..

Скомпилируйте OpenCV с 4 ядрами:

$ sudo make -j 4

Установите OpenCV:

$ sudo make install

Перейти в выбранный каталог:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Перейдите в каталог скриптов:

$ cd object_detector_tensorflow_opencv / скрипты /

Установите требования Python3.5:

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

Тестовый импорт:

$ python3.5

> импорт cv2 >> импорт тензорного потока

Замечания: Если cv2 возвращает ошибку импорта, запустите make install в папке сборки OpenCV и повторите попытку

Перейти в выбранный каталог:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Скачайте репозиторий cocoapi:

$ git clone

Скачайте репозиторий моделей Tensorflow:

$ git clone

Перейдите в этот каталог:

$ cd cocoapi / PythonAPI

Отредактируйте файл Makefile, изменив python на python3.5 в строках 3 и 8, затем сохраните файл (используя nano в качестве примера):

$ nano Makefile

Скомпилируйте cocoapi:

$ sudo make

Замечания: если команда «make» не компилируется, попробуйте переустановить cython с помощью:

$ sudo python3.5 -m pip install cython

Скопируйте pycocotools в каталог tensorflow / models / research:

(820c) $ cp -r pycocotools ~ / модели / исследования /

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

Перейти в выбранный каталог:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Перейти в каталог моделей / исследований:

$ cd модели / исследования

Скомпилируйте с помощью протокола:

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

Переменная среды экспорта:

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

Протестируйте среду:

$ python3.5 object_detection / builders / model_builder_test.py

Замечания: он должен вернуть ОК, иначе приложение не будет работать. Если нет, внимательно ищите ошибки в процессе установки необходимых фреймворков

Шаг 4. Запуск API обнаружения объектов

После настройки всех фреймворков теперь можно запускать API обнаружения объектов, использующий OpenCV вместе с Tensorflow.

Перейти в выбранный каталог:

(820c) $ cd ~

(410c) $ cd ~ / sdfolder

Перейти в каталог обнаружения объектов:

$ cd object_detector_tensorflow_opencv /

Теперь запустим приложение:

$ python3.5 app.py

Теперь Dragonboard будет передавать видео по сети. Для просмотра выходного видео откройте браузер в БД и перейдите к «0.0.0.0: 5000».