| 【精选】在树莓派4B上使用YOLO v3 Tiny进行实时目标检测 | 您所在的位置：网站首页 › yolov3口罩识别的运行结果 › 【精选】在树莓派4B上使用YOLO v3 Tiny进行实时目标检测 |
【精选】在树莓派4B上使用YOLO v3 Tiny进行实时目标检测
|
首先尝试使用yolo官网yolo给的教程，在树莓派上测试，但是在运行时出现段错误，尝试很多方法无法解决。在国外的网站找到darknet-nnpack这个东西，可以完美的在树莓派上运行。 链接：https://pan.baidu.com/s/1-7DFRawhDDZXfrKH9aht6g 提取码：k3yp，评论说编译不通过，这里给出我用的ninja和NNPACK 参考的文章 darknet-nnpack https://github.com/zxzhaixiang/darknet-nnpackFun of DIY http://funofdiy.blogspot.com/2018/08/deep-learning-with-raspberry-pi-real.html 第二个链接是树莓派3B+上使用yolo，不过国内正常是打不开，根据这篇文章在Raspberry Pi 4上使用yolov3 tiny版本，测试结果可以达到2帧，这个结果是做了很多加速之后的。安装NNPACK，这是神经网络的加速库，可以在多核CPU上运行在Makefile中添加一些特殊配置，以在Cortex CPU和NNPACK优化上编译Darknet Yolo源代码。安装opencv C ++（在raspberry pi上非常麻烦），不过我没安装也可以使用（编译总是报错，没有成功）使用Yolo小版本（不是完整版本）运行Darknet！下载Yolov3-tiny.cfg和Yolov3-tiny.weights。 步骤0：准备工作 在树莓派4上安装系统等参考我的这篇博客准备Python和Pi相机,我用的是树莓派的相机，使用usb摄像头会慢很多。 安装OpenCV。使用最简单的方法（不要从源代码构建！）： sudo apt-get install python-opencv如果没有pip： sudo apt-get install python-pip启用pi相机: sudo raspi-config转到 Interfacing Options，然后启用 Pi/Camera,重启生效。 步骤1 安装 Ninja Building tool安装 PeachPy 和 confu sudo pip install --upgrade git+https://github.com/Maratyszcza/PeachPy sudo pip install --upgrade git+https://github.com/Maratyszcza/confu在 /home/pi目录下，安装ninja git clone https://github.com/ninja-build/ninja.git cd ninja git checkout release ./configure.py --bootstrap export NINJA_PATH=$PWD cd 步骤2 安装修改后的 NNPACK git clone https://github.com/shizukachan/NNPACK cd NNPACK confu setup python ./configure.py --backend auto用ninja构建NNPACK（需要一段时间，耐心等待，并且第一次可能崩溃。只需重新启动并再次运行）： $NINJA_PATH/ninja可以用 ls ，有文件夹 lib ， include 就成功了。 测试NNPACK是否正常工作： bin/convolution-inference-smoketest我第一次失败了，不过再次运行了测试，所有项目都通过了。因此，如果测试失败，请不要慌张，再尝试一次。 将库和头文件复制到系统环境： sudo cp -a lib/* /usr/lib/ sudo cp include/nnpack.h /usr/include/ sudo cp deps/pthreadpool/include/pthreadpool.h /usr/include/ 步骤3 安装darknet-nnpack上面这些步骤其实都是安装darknet-nnpack的准备工作，现在正式开始 cd git clone -b yolov3 https://github.com/zxzhaixiang/darknet-nnpack cd darknet-nnpack git checkout yolov3 make这就完成了，开始测试。 步骤4 用YoloV3-tiny测试运行： sudo python rpi_video.py或者： sudo python rpi_record.py也可以调一下参数： yolo_proc = Popen(["./darknet", "detect", "./cfg/yolov3-tiny.cfg", "./yolov3-tiny.weights", "-thresh", "0.1"], stdin = PIPE, stdout = PIPE)这两个python文件，只是提供了一个进出的功能。 rpi_video.py 以动画形式在屏幕上显示实时目标检测结果； rpi_record.py 会将每一帧结果保存（如之后制作git动画）。 另外YoloV3-tiny不在乎输入图像的大小。因此，只要高度和宽度均为32的整数倍，就可以随意调整相机分辨率。 #camera.resolution = (224, 224) #camera.resolution = (608, 608) camera.resolution = (544, 416)看下结果，还需要优化 |
竟然把人检测出sofa了 
检测速度可以达到每秒2帧，树莓派4的性能比3B+要强很多，3B+只能达到1帧。 总的来说非常棒了。 参考博客：http://funofdiy.blogspot.com/2018/08/deep-learning-with-raspberry-pi-real.html【本文地址】