树莓派安装Tensorflow并利用SSDLite-MobileNet实现object detection小白教程

置顶 已于 2022-07-07 01:25:36 修改
阅读量3.9k 收藏 76
点赞数 13
分类专栏： 树莓派 文章标签： tensorflow 目标检测 人工智能
于 2020-05-12 10:01:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42673396/article/details/106068361
版权

树莓派安装Tensorflow并利用SSDLite-MobileNet实现object detection小白教程

简介

对象检测是机器视觉领域最常用的功能之一，即对探测的目标分辨出是何物，本教程使用当前最常用的单片机树莓派3B+，设置安装tensorflow并实现利用较小的神经网络SSDLite-MobileNet进行识物。

本教程参考了国外一个大神的GitHub，并对其中的相关错误进行纠正以及补充，主要工作有利用虚拟环境实现更好的python环境管理，纠正相关错误。这篇教程适合深度学习初学者，通过这篇教程，你将实现tensorflow的安装、opencv的安装、虚拟环境的使用、深度网络的调用与使用，最终实现让你的树莓派实现辨物的智慧。

树莓派安装Tensorflow并利用SSDLite-MobileNet实现object detection效果

情按照一下教程步骤实现，如不意外时间约为半天。update（2020.5.12）

  1. 更新你的树莓派（pi3B+/4B)
  2. 安装虚拟环境
  3. 安装tensorflow以及opencv
  4. 编译安装protobuf以及设置PYTHONPATH变量
  5. 对象检测！

步骤

0. 更新你的树莓派（pi3B+/4B)

首先，Raspberry Pi需要完全更新。打开终端并发出：

sudo apt-get update
sudo apt-get upgrade

根据您更新Pi的时间长短，升级可能需要一分钟到一个小时。
在这里插入图片描述

1. 安装虚拟环境

在您的主目录，创建一个名为“ tensorflow”的目录，并将其cd进入。

mkdir tensorflow
cd tensorflow1

通过git clone命令从GitHub下载tensorflow存储库：

git clone --depth 1 https://github.com/tensorflow/models.git

本指南的其余部分将在此/ home / pi / tensorflow目录中工作。下一步是创建一个称为“ tf-env”的虚拟环境。

在本指南中使用的是虚拟环境，因为它可以防止您的Pi上已经安装的软件包库版本之间发生任何冲突。将其安装在自己的环境中可以避免此问题。

通过发出以下命令安装virtualenv：

sudo pip3 install virtualenv

然后，通过发出以下命令来创建“ tf-env”虚拟环境：

python3 -m venv tf-env

这将在tensorflow目录中创建一个名为tf-env的文件夹。tf-env文件夹将包含此环境的所有软件包库。接下来，通过发出以下命令激活环境：

source tf-env/bin/activate

每次打开新的终端或者重启工作时需要重新激活环境，需要在/ home / pi / tensorflow目录中发出上述命令。
在这里插入图片描述

2. 安装tensorflow以及opencv

按照原教程走下来会有几个bug，经过多次实践已经一一排除，为了简化操作，我仿照EdjeElectronics的GitHub编写了一个Shell脚本，该脚本将自动下载并安装所有软件包和依赖项。
首先需要下载bash文件

git clone https://github.com/xxlbigbrother/TensorFlow-Object-Detection-on-Raspberry-Pi-Embedded-Visual-Hardware.git

打开文件夹复制tf_get_pi_requirements.sh以及Object_detection_picamera.py到/home/pi/tensorflow/models/research/object_detection目录下。

通过发出以下命令运行bash文件自动安装tensorflow以及opencv：

bash tf_get_pi_requirements.sh

或者逐行运行下列命令行

#!/bin/bash

# 安装tensorflow（1.下载tensorflow 2.安装LibAtlas软件包3~7.安装依赖项）

pip3 install tensorflow
sudo apt-get install libatlas-base-dev
sudo pip3 install pillow
sudo pip3 install  lxml 
sudo pip3 install  jupyter
sudo pip3 install matplotlib
sudo pip3 install cython

#相比于原教程需分开安装，防止漏掉安装pillow以及matplotlib

# 安装opencv（先安装依赖项，这里需要安装老版本3.4.6.27，因为版本4有错误不兼容，import cv2报错）
sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libxvidcore-dev libx264-dev
sudo apt-get install qt4-dev-tools libatlas-base-dev

pip3 install opencv-python==3.4.6.27

将下载超过200M的文件，需要一段时间，如果运行bash tf_get_pi_requirements.sh命令时遇到错误，则可能是由于Internet连接超时或下载的软件包数据已损坏。如果出现错误，请尝试重新运行该命令几次。

这里温馨提示:深夜或者大清晨下载速度较快，达到20~30k/s.
在这里插入图片描述

3. 编译安装protobuf以及设置PYTHONPATH变量

TensorFlow对象检测API使用Protobuf，这是一个实现Google协议缓冲区数据格式的软件包。您以前需要从源代码进行编译，但是现在安装很简单！

sudo apt-get install protobuf-compiler

完成后通过下述命令验证其是否安装成功。您应该得到libprotoc 3.6.1或类似的答复。

protoc --version

接下来，我们需要修改PYTHONPATH环境变量以指向刚下载的TensorFlow信息库内的某些目录。我们希望每次打开终端时都设置PYTHONPATH，因此我们必须修改的.bashrc文件。通过发出以下命令打开它：

sudo nano ~/.bashrc

移至文件末尾，并在最后一行添加：

export PYTHONPATH=$PYTHONPATH:/home/pi/tensorflow1/models/research:/home/pi/tensorflow1/models/research/slim

在这里插入图片描述

然后，保存并退出文件。这样一来，每次您打开新终端时都会调用“ export PYTHONPATH”命令，因此将始终正确设置PYTHONPATH变量。关闭，然后重新打开终端。
现在，我们需要使用Protoc来编译对象检测API使用的协议协议（.proto）文件。.proto文件放在/ research / object_detection / protos中，但是我们需要从/ research目录执行命令。执行以下命令：

cd /home/pi/tensorflow1/models/research
protoc object_detection/protos/*.proto --python_out=.

此命令将所有“名称” .proto文件转换为“ name_pb2” .py文件。接下来，进入object_detection目录：

cd /home/pi/tensorflow1/models/research/object_detection

现在，我们将从TensorFlow检测模型库中下载SSD_Lite模型。模型动物园是谷歌的预训练对象检测模型的集合，这些模型具有不同水平的速度和准确性。树莓派的处理器较弱，因此我们需要使用处理能力较小的模型。尽管该模型将运行得更快，但要以降低精度为代价。在本教程中，我们将使用SSDLite-MobileNet，这是最快的模型。
Google不断发布具有改进速度和性能的模型，经常回访模型库，看看是否有更好的模型。
下载SSDLite-MobileNet模型并通过发出以下命令解压缩：

wget http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
tar -xzvf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

现在，该模型位于object_detection目录中，可以使用了。

4. 检测物体！

好的，现在一切就绪，可以在Pi上执行对象检测！此存储库中的Python脚本Object_detection_picamera.py用于检测来自Picamera或USB网络摄像头的实时供稿中的对象。基本上，脚本会设置模型和标签映射的路径，将模型加载到内存中，初始化Picamera，然后开始对Picamera中的每个视频帧执行对象检测。

  • 如果您使用的是Picamera，请确保在Raspberry Pi配置菜单中将其启用。
    在这里插入图片描述
    在/object_detection目录下发出命令
python Object_detection_picamera.py
  • 若你使用的是USB摄像头，则在上述命令添加–usbcam
python3 Object_detection_picamera.py --usbcam

脚本初始化后（最多可能需要30秒），您将看到一个窗口，显示相机实时取景。视图内的公共对象将被识别并在其周围绘制一个矩形。
在这里插入图片描述

注意事项：

  • 判断tensorflow是否安装成功，在tf-env虚拟环境下输入：
python

import tensorflow as tf

若无报错，即安装成功，若错误，请重新运行bash脚本，可能是下载时间过长断开。

  • 判断opencv是否安装成功，在tf-env虚拟环境下输入：
python

import cv2

若无显示导入cv2错误，即安装成功，若错误，请重新运行bash脚本，可能是下载时间过长断开。

该教程识别帧率过低，在0.8帧左右，建议在树莓派使用tensorflowlite以及corel tpu加速器,帧率较高。
在这里插入图片描述

博主会录制一期帧率以及效果对比视频，欢迎关注！

XxlBigbrother
关注
  • 13
    点赞
  • 踩
  • 76
    收藏
    觉得还不错? 一键收藏
  • 32
    评论
专栏目录
树莓派相关（2）：树莓派实现目标检测识别(树莓派4+opencv4.1.1+tensorflow1.14.0+ssd_mobilenet_v1_coco)
Hankerchen的博客
12-17 1万+
前面笔者爬了许多坑安装完了opencv4.1.1（链接https://blog.csdn.net/Hankerchen/article/details/103510024）， 本次主要想实现目标检测，并将其识别出来，接下来一步一步将讲述如何部署tensorflow1.14.0+ssd_mobilenet_v1_coco ...
树莓派5使用PCIe接口连接NVME M.2固态硬盘SSD
timelockerCSDN的博客
01-24 5830
打开Imager，选择好要写入的系统（除官方系统外也可以选择Ubuntu或者其他系统）并选择要写入到的位置，即需要选择固态硬盘，开始后可能提示要输入一个密码，这个密码就是你登录树莓派的密码，输入即开始烧录，烧录好后不要卸载硬盘，如果自动帮你弹出了就重启一下。无论何种PCIe的使用方式，在树莓派实际使用的启动存储介质的boot分区中，必须确保config.txt文件中使能了PCIe接口，因为树莓派官方系统是默认关闭PCIe的。使用硬盘盒的话就将固态硬盘连接到电脑，烧写后再将固态硬盘安装到PCIe扩展板上。
在树莓派上搭建TensorFlow：官方支持的AI开发之旅
最新发布
gitblog_00075的博客
05-12 340
在树莓派上搭建TensorFlow：官方支持的AI开发之旅 项目地址:https://gitcode.com/samjabrahams/tensorflow-on-raspberry-pi 1、项目介绍 随着TensorFlow 1.9的到来，树莓派现在有了官方支持！这个项目的目标是让开发者在小巧而强大的树莓派平台上也能轻松安装和使用TensorFlow。虽然这个特定的仓库不再被推荐用于树莓派上的...
树莓派5使用PCIE M.2 NVME SSD固态硬盘扩展版HAT制作小电脑
weixin_41589183的博客
12-27 4956
杭州野芯科技（Mcuzone)生产的树莓派许多周边产品是受到爱好者的喜欢，最近树莓派官方开源了PCIE的应用，他们推出了一款PCIE M.2 NVME SSD固态硬盘扩展版HAT。我选择了支持2242尺寸的规格，此外还购买了三星PM991A 1T 2242 M.2 NVME固态硬盘和Lexar铝合金NVMe移动M2固态硬盘盒。树莓派5使用USB外接M2接口1TB固态硬盘作启动盘，正常开机。
树莓派安装基地Debian-Pi-Aarch64系统 SSD启动
weixin_42263093的博客
08-30 1283
树莓派SSD启动
树莓派上使用Tensorflow
weixin_43850784的博客
03-19 1199
树莓派上使用TensorflowTensorflow环境安装树莓派运行Tensorflow模型 本文介绍如何在树莓派上安装tensorflow，介绍如何在树莓派上运行tensorflow模型。 本文适用于树莓派3B、4B Tensorflow环境安装 1.pip更换国内源 国外源下载速度太慢容易超时出错。 清华源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 豆瓣源 pip config set globa
树莓派 + SSD启动 + CentOS 8 64位 + 内网穿透 + 自动温控风扇 + SMB服务 + 文件分类备份
CodeZenPlayground
12-26 1444
功能描述 上闲鱼拿下了个树莓派4B 8G，300块，我仿佛听见有人说“哇”？哦，其实它的外显输出有点问题，但我是不关心，真香。 到手之后自然是传统装机，点到为止，64位centos安排起来，smb服务给装上，再整个风扇降降温。后续小功能慢慢安排，请勿期待。 进入主题前说下我过的一个小弯。 本来嘛我是装了NextCloud的，这里简单提一句，我在centos7 x86上是能通过自己找httpd/php/mariadb等模块自己一个个装的，但在树莓派上，因为是arm架构，又用了64位，真心不好找资源，所幸有宝塔
百度地图毕业设计源码-TensorFlow-1.15--Custom-Object-Detection-Tutorial:利用TensorFl
06-06
TensorFlow-TensorFlow-Custom-Object-Detection 利用 TensorFlow 训练自己的目标识别器。本文内容来自于我的毕业设计，基于 TensorFlow 1.15.0，其他 TensorFlow 版本运行可能存在问题。 实现效果： 环境配置 ...
tensorflow-face-detection：基于mobilenet SSD的面部检测器，由tensorflow对象检测api驱动，由WIDERFACE数据集训练
02-06
提供基于Mobilenet SSD（单发多盒检测器）的人脸检测器并提供预训练模型，由tensorflow，由训练。 产品特点 速度，在nvidia GTX1080 GPU上运行60fps。 内存，单次推理所需的GPU内存少于364Mb。 健壮，适应不同的...
tensorflow-object-detection-api-model.zip.001
12-31
这个是tensorflow的object-detection-api模块，是tensorflow的github上的models文件。这里是里面为训练mobilnet-ssd改了些文件和又些数据集和图片，方便自己测试，和重现我博客中的训练例子。由于文件较大我分卷压缩...
tensorflow-object-detection-api-model.zip.002
12-31
这个是tensorflow的object-detection-api模块，是tensorflow的github上的models文件。这里是里面为训练mobilnet-ssd改了些文件和一些数据集和图片，方便自己测试，和重现我博客中的训练例子。由于文件较大我分卷压缩...
Tensorflow-Object-Detection-with-Tensorflow-2.0:将Tensorflow对象检测API与Tensorflow 2一起使用
05-02
使用Tensorflow 2进行Tensorflow对象检测 在此存储库中，您可以找到有关如何在Tensorflow 2中使用Tensorflow OD API的一些示例。有关更多信息，请查看我的文章...docker build -f research/object_detection/dockerfil
树莓派3B+ tensorflow目标检测API SSD
xyc2690的博客
06-22 5648
整个工程已经上传到Github上了https://github.com/xyc2690/Raspberry_ObjectDetection_Camera环境准备：摄像头，OpenCV首先在树莓派上安装最新的TensorFlowhttps://github.com/lhelontra/tensorflow-on-arm/releases下载SSDmobile模型http://download.ten...
树莓派3B+上用Tensorflow lite跑moblienet分类网络（Raspberry Pi 3 Model B+、TFlite r1.13、Raspbian、mobilenet）
dia323的博客
04-18 3518
写在前面： 对于像我这样的入门菜鸟来说，可能需要这样一篇入门级的博客来分享经验。 （按照我的惯例，把参考的重要资源放在前面，以示尊重） 安装系统参考： https://blog.csdn.net/kxwinxp/article/details/78370913 build参考： https://tensorflow.google.cn/lite/guide/build_rpi 跑la...
MobileNetv2-SSDlite训练自己的数据集（二）——训练MSSD
qq_43150911的博客
12-25 3846
一、编译caffe-ssd 关于如何编译caffe-ssd，可以参考我的上一篇文章。。。 二、下载MobileNetv2-SSDlite代码 你可以在github上下载chuanqi305的MobileNetv2-SSDlite代码 git clone https://github.com/chuanqi305/MobileNetv2-SSDLite.git 三、将你的数据集转换为VOC数据集格...
TensorFlow object detection api------ssd_mobilenet使用
热门推荐
xiji321的博客
08-14 1万+
谷歌发布object detection api（https://github.com/tensorflow/models）已经有一段时间了，这个api的发布，让我们不用自己再去为faster-rcnn、ssd、rfcn单独造轮子了。 现记录一下以ssd_mobilenet这个模型的object detection api使用。 一、安装TensorFlow、以及用到的库     按照官方指
将TensorFlow安装到树莓派中
Greyhatjzy的博客
03-18 4174
看到一个有趣的项目，在树莓派上利用TensorFlow搭建图像识别系统（参考这里），手头正好有个树莓派在吃灰，反正也要入坑TensorFlow，不如就此开头吧。硬件版本是pi 3B, 系统版本为 raspbian jessie with pixel(即 未精简版本)，利用pip3,安装较为方便。 本教程主要参考GitHub，链接。 。。。。。。。。。。。。。。。。。。。分割线。。。。。。。。。
TensorFlow Lite 开发手册（1）——TensorFlow 2.0安装
Friedrich Yuan的博客
10-22 2176
TensorFLow Lite 开发手册（1）——TensorFlow 2.0安装与使用（一） TensorFlow 2.0安装（二） TensorFlow 2.0 新特性简介 （一） TensorFlow 2.0安装 创建虚拟环境： conda create --name py36-tf20 python=3.6 conda activate py36-tf20 目前conda源尚未维护至2....
benchmarks/object_detection/tensorflow/ssd-mobilenet
07-29
对于目标检测任务，SSD-MobileNet是一种常用的模型架构。它结合了Single Shot MultiBox Detector (SSD)和MobileNet两个技术，旨在实现高效且准确的目标检测。 SSD是一种单阶段目标检测器，可以直接在图像上预测目标的位置和类别。它通过在不同尺度的特征图上应用卷积滑动窗口来实现多尺度目标检测。这种设计使得SSD在速度和精度之间取得了良好的平衡。 MobileNet是一种轻量级卷积神经网络结构，特点是具有较小的模型参数和计算量。它采用了深度可分离卷积（depthwise separable convolution）来减少参数和计算量，同时保持良好的特征提取能力。 将SSD和MobileNet结合起来，SSD-MobileNet在保持较高检测精度的同时，大大降低了模型的复杂度，适用于在资源受限的设备上进行实时目标检测任务。 关于SSD-MobileNet的TensorFlow实现，你可以参考CSDN开发者社区提供的相关教程和代码示例。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 32
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值