Objekterkennung mit Dragonboard 410c oder 820c mit OpenCV und Tensorflow. - Gunook

2024 Autor: John Day | [email protected]. Zuletzt bearbeitet: 2024-01-30 07:18

Diese Anleitung beschreibt, wie Sie OpenCV-, Tensorflow- und Machine-Learning-Frameworks für Python 3.5 installieren, um die Objekterkennungsanwendung auszuführen.

Schritt 1: Anforderungen

Sie benötigen die folgenden Elemente:

• Ein DragonBoard™ 410c oder 820c;

• Eine saubere Installation von Linaro-alip:

  • DB410c: getestet in Version v431. Link:
  • DB820c: getestet in Version v228. Link:
• Mindestens eine MicroSD-Karte mit 16 GB Kapazität (bei Verwendung des 410c);

Laden Sie die Datei herunter (am Ende dieses Schritts), entpacken Sie sie und kopieren Sie sie auf die MicroSD-Karte.

• Ein USB-Hub;
• Eine USB-Kamera (Linux-kompatibel);
• Eine USB-Maus und -Tastatur;
• Eine Internetverbindung.

Obs: Befolgen Sie diese Anweisungen im DragonBoard-Browser, wenn möglich, um das Kopieren der Befehle zu erleichtern

Schritt 2: Einsetzen der MicroSD-Karte (nur W/ DB410c)

• Öffne das Terminal im Dragonboard.
• Führen Sie im Terminal fdisk aus:

$ sudo fdisk -l

• Setzen Sie die MicroSD-Karte in den MicroSD-Kartensteckplatz von DragonBoard ein.
• Führen Sie fdisk erneut aus und suchen Sie in der Liste nach dem Namen (und der Partition) des neuen Geräts (z. B. mmcblk1p1)

$ sudo fdisk -l

Gehen Sie in das Stammverzeichnis:

$ cd ~

Erstellen Sie einen Ordner:

$ mkdir sdfolder

Montieren Sie die MicroSD-Karte:

$ mount /dev/ sdfolder

Schritt 3: Erforderliche Frameworks installieren

• Öffne das Terminal im Dragonboard.
• Gehen Sie im Terminal zu einem ausgewählten Verzeichnis (mit "~" für den 820c und die gemountete SDCard für den 410c):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gehen Sie zum Ordner "Object Detector scripts":

$ cd object_detector_tensorflow_opencv/scripts/

Führen Sie das Umgebungs-Setup-Skript aus:

$ sudo bash set_Env.sh

Aktualisieren Sie das System:

$ sudo apt-Update

Installieren Sie diese Pakete:

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

g++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip entpacken python python-pip g++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libpng-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 libswscale-dev libx4dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Gehen Sie in dieses Verzeichnis:

$ cd /usr/src

Python 3.5 herunterladen:

$ sudo wget

Entpacken Sie das Paket:

$ sudo tar xzf Python-3.5.6.tgz

Löschen Sie das komprimierte Paket:

$ sudo rm Python-3.5.6.tgz

Gehen Sie zum Python 3.5-Verzeichnis:

$ cd Python-3.5.6

Aktivieren Sie Optimierungen für die Python 3.5-Kompilierung:

$ sudo./configure --enable-optimizations

Kompilieren Sie Python 3.5:

$ sudo mache altinstall

Upgrade von Pip- und Setup-Tools:

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

numpy installieren:

$ python3.5 -m pip install numpy

Gehen Sie in das gewählte Verzeichnis:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Laden Sie Tensorflow 1.11 Whl herunter:

$ wget

Tensorflow installieren:

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

Klonen Sie OpenCV- und OpenCV-Contrib-Repositorys:

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

Gehe zum Verzeichnis:

$ cd opencv

Erstellen Sie ein Build-Verzeichnis und gehen Sie dorthin:

$ sudo mkdir build && cd build

Führen Sie CMake aus:

$ 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_DEFA3=ON -D PYTHON3. welches 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_TESTSBOFF= - -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_DNNVLES.c_cont_cont_dNN/. Module..

Kompilieren Sie OpenCV mit 4 Kernen:

$ sudo make -j 4

OpenCV installieren:

$ sudo make install

Gehen Sie in das gewählte Verzeichnis:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gehen Sie zum Skriptverzeichnis:

$ cd object_detector_tensorflow_opencv/scripts/

Python3.5-Anforderungen installieren:

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

Testimporte:

$ python3.5

> cv2 importieren >> Tensorflow importieren

Obs: Wenn cv2 einen Importfehler zurückgibt, führen Sie make install im OpenCV-Build-Ordner aus und versuchen Sie es erneut

Gehen Sie in das gewählte Verzeichnis:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Cocopi-Repository herunterladen:

$ git-Klon

Laden Sie das Tensorflow-Modell-Repository herunter:

$ git-Klon

Gehen Sie in dieses Verzeichnis:

$ cd Cocoapi/PythonAPI

Bearbeiten Sie die Datei Makefile, ändern Sie Python in python3.5 in Zeile 3 und 8 und speichern Sie die Datei (am Beispiel von Nano):

$ nano Makefile

Kompilieren Sie die Cocopi:

$ sudo machen

Obs: Wenn der Befehl "make" nicht kompiliert wird, versuchen Sie, Cython neu zu installieren mit:

$ sudo python3.5 -m pip install cython

Kopieren Sie pycocotools in das Verzeichnis tensorflow /models/research:

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

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

Gehen Sie in das gewählte Verzeichnis:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gehen Sie zum Verzeichnis Modelle/Forschung:

$ CD-Modelle/Forschung

Kompilieren mit Protokoll:

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

Umgebungsvariable exportieren:

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

Testen Sie die Umgebung:

$ python3.5 object_detection/builders/model_builder_test.py

Obs: Es muss OK zurückgeben, sonst funktioniert die Anwendung nicht. Wenn nicht, suchen Sie bei der Installation der erforderlichen Frameworks sorgfältig nach Fehlern

Schritt 4: Ausführen der Objekterkennungs-API

Wenn alle Frameworks konfiguriert sind, ist es jetzt möglich, die Objekterkennungs-API auszuführen, die OpenCV zusammen mit Tensorflow verwendet.

Gehen Sie in das gewählte Verzeichnis:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Gehen Sie zum Objekterkennungsverzeichnis:

$ cd object_detector_tensorflow_opencv/

Führen Sie nun die Anwendung aus:

$ python3.5 app.py

Jetzt wird das Dragonboard das Video über das Netzwerk streamen. Um das Ausgabevideo zu sehen, öffnen Sie den Browser in der DB und gehen Sie zu "0.0.0.0:5000".