Tensorflow lite在树莓派4B上进行图像分类和目标检测

接着前面系列博客来讲，这里来实现下官方例子

一.在Raspberry Pi 4B上进行图像分类

examples/lite/examples/image_classification/raspberry_pi at master · tensorflow/examples · GitHubTensorFlow examples. Contribute to tensorflow/examples development by creating an account on GitHub.https://github.com/tensorflow/examples/tree/master/lite/examples/image_classification/raspberry_pi下载完毕后，将examples-master整个文件夹上传到树莓派上，然后终端cd到如下目录下（结合自己的路径）

 这边博主修改了下setup.sh中的路径，不然tflite模型按照默认路径下载会失败，红框内的路径可以修改为如下：

https://storage.googleapis.com/tfhub-lite-models/tensorflow/lite-model/efficientnet/lite0/uint8/2.tflite

 完毕后，终端执行，安装一些必要库，同时下载两个tflite模型

sh setup.sh

可以看到下载的两个模型已经在当前文件夹下了

博主这边在pycharm中运行下classify.py文件

 连上一个usb的摄像头就可以取像了，实时去分类了，博主拿了一把汤勺做实验

二. 在Raspberry Pi 4B上进行目标检测

examples/lite/examples/object_detection/raspberry_pi at master · tensorflow/examples · GitHubhttps://github.com/tensorflow/examples/tree/master/lite/examples/object_detection/raspberry_pi参考上面官网进行配置，cd到目标检测目录下

 同上，这里也要修改下setup.sh中的路径

 红框内的路径修改为如下：

https://storage.googleapis.com/tfhub-lite-models/tensorflow/lite-model/efficientdet/lite0/detection/metadata/1.tflite

完毕后，运行安装必要库及下载检测模型

sh setup.sh

完毕后，可以看到目录下已经有了需要的模型

终端可直接如下命令，运行下检测demo程序

python3 detect.py --model efficientdet_lite0.tflite

 我家的小白猫被检测出来了

到此，demo结束。

仔细看下里面的代码，其实主要实现代码，在博主前面几篇博客中也用到了

Tensorflow Lite Model Maker实现图像分类和目标检测迁移学习_竹叶青lvye的博客-CSDN博客

Tensorflow Lite使用介绍_竹叶青lvye的博客-CSDN博客