边缘设备上的实时AI人员检测：在Raspberry Pi上启动SSD

• 下载数据-19.3 MB
• 下载模型-43.5 MB
• 下载结果-36.66 MB

在本系列的最后一篇文章中，我们编写了Python代码，用于使用SSD模型检测图像中的人物。在本文中，我们将介绍在Raspberry Pi设备上安装Python-OpenCV，然后查看如何在该设备上启动Python代码。

首先，下载并安装Raspberry Pi OS – Pi设备系列的官方操作系统。我们将Raspberry Pi OS（32位）与台式机和推荐软件一起使用。可以使用磁盘映像程序将OS安装在设备的SD卡上。对于Windows桌面，我们使用Win32DiskImager。首次启动时，系统会要求更新所有预安装的系统软件包——我们建议您这样做。更新可能需要几分钟。

现在是时候在设备上安装Python-OpenCV了。为此，有两个主要选项：在设备上编译OpenCV源或在系统上安装现有软件包。为了简单起见，我们使用了后一种选项。幸运的是，Raspberry Pi上对Python包有很好的支持。在安装OpenCV库之前，我们需要安装一些先决条件，例如HD5和Qt软件包。此后，您需要设置虚拟环境以进一步使用OpenCV软件包。我们已经安装了virtualenv和virtualenvwrapper工具，然后激活了一个名为“cv”的虚拟环境。然后，我们在该环境中安装了opencv-contrib-python软件包。强烈推荐该软件包，因为它包含所有必需的OpenCV模块。

现在，我们可以使用虚拟环境在Pi设备上启动我们在上一篇文章中开发的用于人员检测的Python代码。这些类与桌面应用程序相同。我们只需要更改DNN模型的路径和图像位置即可。这是为Pi 3设备修改的代码：

# testing SSD
proto_file = r"/home/pi/Desktop/PI_RPD/mobilenet.prototxt"
model_file = r"/home/pi/Desktop/PI_RPD/mobilenet.caffemodel"
ssd_net = CaffeModelLoader.load(proto_file, model_file)
print("Caffe model loaded from: "+model_file)
 
proc_frame_size = 300
# frame processor for MobileNet
ssd_proc = FrameProcessor(proc_frame_size, 1.0/127.5, 127.5)
person_class = 15
 
ssd = SSD(ssd_proc, ssd_net)
 
im_dir = r"/home/pi/Desktop/PI_RPD/test_images"
im_name = "woman_640x480_01.png"
im_path = os.path.join(im_dir, im_name)
image = cv2.imread(im_path)
print("Image read from: "+im_path)
 
obj_data = ssd.detect(image)
persons = ssd.get_objects(image, obj_data, person_class, 0.5)
person_count = len(persons)
print("Person count on the image: "+str(person_count))
Utils.draw_objects(persons, "PERSON", (0, 0, 255), image)
 
res_dir = r"/home/pi/Desktop/PI_RPD/results"
res_path = os.path.join(res_dir, im_name)
cv2.imwrite(res_path, image)
print("Result written to: "+res_path)

如果我们的代码驻留在单个Python文件中，例如pi_rpd_run_img.pi3.py，我们可以使用两个后续命令从终端启动它：

workon cv
python /home/pi/Desktop/PI_RPD/pi_rpd_run_img.pi3.py

这是终端响应的屏幕截图：

从上图可以看到，该代码在Pi设备上的工作方式与在台式计算机上相同。而且，正如预期的那样，它会在测试图像中产生相同的人检测：

因此，我们证明了可以在Raspberry Pi设备上使用SSD模型检测图像中的人物，其精度与台式机或笔记本电脑相同。区别在于速度。是的，边缘设备的性能可能是一个问题。

下一步

在接下来的文章中，我们将测试树莓派设备的精度和MibileNet的性能和SqueezeNet模型。我们将选择更好的选项，并将其用于在视频剪辑上的进一步测试，然后在实时模式下进行测试。