在計(jì)算機(jī)視覺(jué)領(lǐng)域，設(shè)計(jì)一個(gè)能夠在一張圖像中識(shí)別多個(gè)物體的綜合機(jī)器學(xué)習(xí)模型是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。然而，隨著深度學(xué)習(xí)和目標(biāo)識(shí)別系統(tǒng)的最新進(jìn)展，開發(fā)這種多目標(biāo)識(shí)別系統(tǒng)變得更加容易。在這里，我們將使用TensorFlow和OpenCV與樹莓派構(gòu)建對(duì)象檢測(cè)模型。

TensorFlow的對(duì)象檢測(cè)API是一個(gè)建立在TensorFlow之上的開源框架，它提供了一系列檢測(cè)模型，在COCO數(shù)據(jù)集、Kitti數(shù)據(jù)集、Open Images數(shù)據(jù)集、AVA v2.1數(shù)據(jù)集和iNaturalist物種檢測(cè)數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練。

所以在本教程中，我們將使用TensorFlow和樹莓派構(gòu)建一個(gè)對(duì)象檢測(cè)系統(tǒng)。我們將使用來(lái)自COCO的預(yù)訓(xùn)練模型，該模型包含大約330K個(gè)標(biāo)記圖像。

需求

?樹莓派3(任何版本)

?Pi相機(jī)模塊

這里只有樹莓派和Pi相機(jī)使用TensorFlow來(lái)構(gòu)建這個(gè)樹莓派對(duì)象檢測(cè)。我們以前用樹莓派相機(jī)，并建立了幾個(gè)項(xiàng)目使用它，如-

?網(wǎng)絡(luò)控制樹莓派監(jiān)視機(jī)器人

?基于物聯(lián)網(wǎng)的智能wifi門鈴

?智能閉路電視監(jiān)控系統(tǒng)

?實(shí)時(shí)車牌識(shí)別使用樹莓派和Python

在繼續(xù)項(xiàng)目之前，讓我們看一下先決條件。這里我們需要TensorFlow，對(duì)象檢測(cè)API，預(yù)訓(xùn)練對(duì)象檢測(cè)模型，OpenCV, Protobuf，以及這個(gè)項(xiàng)目中的一些其他依賴項(xiàng)。

在樹莓派上安裝TensorFlow用于對(duì)象檢測(cè)

在安裝TensorFlow和其他依賴項(xiàng)之前，需要對(duì)樹莓派進(jìn)行全面更新。使用以下命令將樹莓派升級(jí)到最新版本：

更新完成后，使用下面的命令通過(guò)pip3安裝TensorFlow：

然后安裝Atlas庫(kù)以獲得對(duì)TensorFlow、Numpy和其他依賴項(xiàng)的支持。使用以下命令安裝Atlas：

在樹莓派3上安裝OpenCV

使用以下命令安裝所需的依賴項(xiàng)，以便在樹莓派上安裝OpenCV。我們之前在一些項(xiàng)目中使用了OpenCV和樹莓派來(lái)進(jìn)行車牌識(shí)別和人臉識(shí)別。

之后，使用下面的命令在樹莓派上安裝OpenCV。

安裝Protobuf

協(xié)議緩沖區(qū)是谷歌用于序列化結(jié)構(gòu)化數(shù)據(jù)的與語(yǔ)言無(wú)關(guān)、與平臺(tái)無(wú)關(guān)的可擴(kuò)展機(jī)制——想想XML，但更小、更快、更簡(jiǎn)單。使用下面的命令在樹莓派上安裝Protobuf：

使用下面的命令安裝其余的庫(kù)。

現(xiàn)在創(chuàng)建一個(gè)項(xiàng)目目錄。我們將把TensorFlow模型和Protobuf放在一個(gè)文件夾下。使用下面的命令創(chuàng)建一個(gè)名為ObjectDetection的新項(xiàng)目目錄

現(xiàn)在使用cd命令移動(dòng)到項(xiàng)目目錄中。

并從Github下載TensorFlow的模型。

接下來(lái)，進(jìn)入ObjectDetection，然后進(jìn)入research文件夾，從那里使用以下命令運(yùn)行protobuf：

現(xiàn)在要檢查這是否有效，請(qǐng)轉(zhuǎn)到models>object_detection>protos，在那里您可以看到每個(gè)proto文件都創(chuàng)建了一個(gè)python文件。

當(dāng)本地運(yùn)行時(shí)，ObjectDetection/models/research/和slim目錄應(yīng)該被附加到PYTHONPATH。這可以通過(guò)在ObjectDetection/models/research/中運(yùn)行以下命令來(lái)完成：

在樹莓派上安裝SSD_Lite：

接下來(lái)，我們將從TensorFlow檢測(cè)模型動(dòng)物園下載SSD_Lite模型，該模型是在COCO數(shù)據(jù)集上訓(xùn)練的。Tensorflow檢測(cè)模型zoo提供了在COCO數(shù)據(jù)集、Kitti數(shù)據(jù)集、Open Images數(shù)據(jù)集、AVA v2.1數(shù)據(jù)集和iNaturalist物種檢測(cè)數(shù)據(jù)集上預(yù)訓(xùn)練的檢測(cè)模型集合。COCO代表上下文中的公共對(duì)象;這個(gè)數(shù)據(jù)集包含大約330K個(gè)帶標(biāo)簽的圖像。我們需要在object_detection目錄中安裝SSD_Lite模型，所以首先使用下面的命令導(dǎo)航到object_detection目錄：

現(xiàn)在使用以下命令下載并解壓縮SSD_Lite模型：

在安裝了所有依賴項(xiàng)和SSD_Lite模型之后，您需要在同一目錄(object_detection)中創(chuàng)建一個(gè)新的python文件。使用下面的命令創(chuàng)建一個(gè)新的python文件：

使用TensorFlow的OpenCV對(duì)象檢測(cè)的完整代碼在本頁(yè)末尾給出。復(fù)制代碼，將其粘貼到該文件中，并使用Ctrl+X > Y > Enter保存更改。

Python代碼說(shuō)明

完整的python代碼在本頁(yè)末尾給出。為了更好地解釋，我們?cè)谶@里解釋代碼的重要部分。

因此，在代碼的開頭，我們導(dǎo)入了將在這個(gè)項(xiàng)目中使用的所有必需的庫(kù)。

sys。Path函數(shù)是一個(gè)列表，用于包含指向我們想要導(dǎo)入的模塊的新文件路徑。這是必需的，因?yàn)楣ぷ髂夸浭莖bject_detection文件夾。

接下來(lái)，我們提供包含對(duì)象檢測(cè)模塊的目錄和凍結(jié)檢測(cè)圖。pb文件的路徑，其中包含用于對(duì)象檢測(cè)的模型。

現(xiàn)在，我們要加載所有的標(biāo)簽。標(biāo)簽映射將索引映射到類別名稱。

現(xiàn)在，將Tensorflow模型裝入內(nèi)存。

物體周圍的每個(gè)框表示檢測(cè)到一個(gè)特定的物體

分?jǐn)?shù)顯示在結(jié)果圖像上表示信心。

現(xiàn)在，在while循環(huán)中初始化相機(jī)對(duì)象，并將分辨率設(shè)置為(640,480)，幀率設(shè)置為10fps

然后以圖像為輸入，運(yùn)行模型，執(zhí)行目標(biāo)檢測(cè)。

通過(guò)在被檢測(cè)對(duì)象周圍畫一個(gè)帶有置信度百分比和被檢測(cè)對(duì)象的類標(biāo)簽的方框，可視化檢測(cè)結(jié)果。

測(cè)試基于TensorFlow的對(duì)象檢測(cè)

設(shè)置好一切后，導(dǎo)航到程序目錄并啟動(dòng)對(duì)象檢測(cè)程序。您將看到一個(gè)窗口，顯示您的相機(jī)的實(shí)時(shí)視圖(可能需要20到30秒)。已識(shí)別的對(duì)象周圍會(huì)畫一個(gè)矩形，如下圖所示：

本文編譯自iotdesignpro