Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Автономное обнаружение движущихся объектов на Raspberry Pi 4!
Автономное обнаружение движущихся объектов на Raspberry Pi 4!
В этом руководстве инструктор демонстрирует шаги, необходимые для настройки Raspberry Pi 4 для обнаружения объектов с помощью нейронной сети, обученной автономному вождению. Это включает в себя клонирование репозитория, настройку виртуальной среды, установку таких зависимостей, как GPIO, OpenCV и TensorFlow, а также настройку модуля камеры Raspberry Pi. Затем инструктор демонстрирует подключение светодиода и кнопки к Pi и запуск скрипта Python для захвата изображений с обнаружением объектов. Наконец, пользователь может внести изменения в пакетный rc-файл, чтобы запустить сценарий при загрузке и записать кадры с изображениями, сохраненными в пути вывода.
Как запустить TensorFlow Lite на Raspberry Pi для обнаружения объектов
Как запустить TensorFlow Lite на Raspberry Pi для обнаружения объектов
В этом руководстве объясняется, как настроить TensorFlow Lite на Raspberry Pi для обнаружения объектов. Это включает в себя обновление Pi, включение интерфейса камеры, загрузку репозитория GitHub, создание виртуальной среды, установку TensorFlow и OpenCV и запуск сценария оболочки для установки всех необходимых пакетов и зависимостей. Пользователи могут загрузить образец модели, предоставленный Google, или обучить свою собственную модель. Как только модель будет готова, пользователи могут запустить код на Python 3, чтобы увидеть свой сценарий обнаружения веб-камеры в реальном времени, обнаружение на видео и изображениях. Улучшенная скорость TensorFlow Lite делает его полезным для приложений обнаружения в реальном времени, таких как интеллектуальные камеры или системы сигнализации. Создатель также упоминает свой собственный проект детектора домашних животных и призывает зрителей следить за их следующим видео о настройке ускорителя Coral USB.
в описании и запустите его на терминале, используя «W git» для загрузки и «unzip» для извлечения. Кроме того, спикер предоставляет письменное руководство на GitHub для пользователей, которые хотят обучить модель обнаружения и преобразовать ее в TensorFlow Lite. Как только модель будет готова, пользователи могут запустить код на Python 3, чтобы увидеть свой сценарий обнаружения веб-камеры в реальном времени, обнаружение на видео и изображениях. Спикер также упомянул, что в следующем видео они объяснят, как значительно повысить скорость обнаружения с помощью хорового USB-ускорителя Google.
Учебное пособие по обнаружению объектов с помощью Raspberry Pi
Учебное пособие по обнаружению объектов с помощью Raspberry Pi
В этом учебном пособии по обнаружению объектов Raspberry Pi ведущий показывает, как установить Tensorflow Lite на Raspberry Pi и использовать его для классификации изображений с включенной демонстрацией классификации в реальном времени. Они также объясняют, что такое lib atlas, важнейший компонент машинного обучения для линейной алгебры, и как исправить связанные ошибки на Raspberry Pi. Ведущий отмечает, что ускоритель Coral USB можно использовать для увеличения скорости проекта, но это не обязательно. В целом докладчик подчеркивает гибкость сценария, подходящего для различных вариантов использования или моделей.
Обнаружение объектов OpenCV Python | Легко и быстро (2020)
Обнаружение объектов OpenCV Python | Легко и быстро (2020)
В этом видеоруководстве под названием «Обнаружение объектов OpenCV Python | Легко и быстро (2020)» докладчик демонстрирует, как создать детектор объектов с помощью библиотеки OpenCV в Python. Видео посвящено созданию детектора с балансом между точностью и скоростью, который может обнаруживать несколько часто встречающихся объектов в режиме реального времени. Модель MobileNet SSD используется для обнаружения объектов из-за ее скорости и точности, а набор данных кокоса используется для обнаружения таких классов, как человек, велосипед и автомобиль. В видео показано, как перебирать различные переменные с помощью функции zip, чтобы создать прямоугольник вокруг обнаруженного объекта, и как изменить код для запуска обнаружения объектов на веб-камере. Докладчик также объясняет, как настроить пороговое значение и добавить значения достоверности к обнаруженным объектам, чтобы понять вероятность каждого объекта.
Как настроить обнаружение объектов TensorFlow на Raspberry Pi
Как настроить обнаружение объектов TensorFlow на Raspberry Pi
В этом видео шаг за шагом объясняется процесс настройки API обнаружения объектов TensorFlow на Raspberry Pi. Сначала устанавливаются необходимые пакеты, включая TensorFlow, OpenCV и protobuf. Затем настраивается структура TensorFlow, и модели SSD Lite загружаются из зоопарка моделей обнаружения TensorFlow. Предоставляется скрипт Python для обнаружения объектов, и зрителям показывают, как использовать его с камерой Pi или веб-камерой USB. Видео также охватывает более сложные темы, такие как загрузка и использование пользовательской модели. Raspberry Pi рекомендуется для творческих проектов, требующих низкой стоимости и мобильности, таких как цифровая крышка для кошек, которая может отправлять сообщение, когда обнаруживает живую кошку снаружи.
Распознавание лиц с Raspberry Pi + OpenCV + Python
Распознавание лиц с Raspberry Pi + OpenCV + Python
Core Electronics демонстрирует, как создать систему распознавания лиц с помощью OpenCV и пакета распознавания лиц Python на Raspberry Pi. Учебное пособие включает в себя обучение системы с использованием кода Python с именем «train_model.py» и тестирование ее с помощью идентификационного кода с именем «facial_req.py». Система может различать незнакомые и известные лица, а также может вращать сервопривод, как только система распознает известное лицо. Создатель благодарит команды разработчиков пакетов OpenCV и распознавания лиц, а также Кэролин Данн за то, что они сделали возможным такое программное обеспечение, и возлагает большие надежды на его потенциал в своих будущих проектах.
Как установить TensorFlow 2 и OpenCV на Raspberry Pi
Как установить TensorFlow 2 и OpenCV на Raspberry Pi
В этом видео представлено пошаговое руководство по установке TensorFlow 2 и OpenCV на Raspberry Pi. Докладчик подчеркивает важность наличия более новой версии Pi, в частности, 64-разрядной версии Pi 4, и дает инструкции о том, как установить ОС Raspberry Pi, обновить и обновить систему, а также выбрать подходящий сценарий оболочки TensorFlow для своей системы. В видео также объясняется, как изменить версию Python на 3.7 для тех, у кого возникли проблемы с установкой, и приводятся подробные инструкции по установке виртуальных сред, системных пакетов, TensorFlow и OpenCV. На протяжении всего видео ведущий дает полезные советы и решения возможных ошибок. Видео завершается тестированием установки OpenCV и TensorFlow с использованием команд импорта и призывает зрителей оставлять отзывы или запросы.
Идентификация объектов и распознавание животных с помощью Raspberry Pi + OpenCV + Python
Идентификация объектов и распознавание животных с помощью Raspberry Pi + OpenCV + Python
Видео демонстрирует проект Raspberry Pi 4, в котором используется обученная библиотека и камера Pi для идентификации широкого круга животных и объектов из 91 в режиме реального времени с рейтингом достоверности. Докладчик подробно демонстрирует, как настроить оборудование, настроить Raspberry Pi и установить программное обеспечение OpenCV, чтобы обеспечить компьютерное зрение и операции обработки изображений в реальном времени. На примере чашки в качестве цели зрители узнают, как изменить код для отправки сигналов через контакты GPIO Raspberry Pi для выполнения определенных действий, когда OpenCV идентифицирует цель. Докладчик подчеркивает потенциал программного обеспечения для интересных проектов и выражает благодарность командам OpenCV и CoCo.
Обнаружение объектов Raspberry Pi с использованием OpenCV Python
Обнаружение объектов Raspberry Pi с использованием OpenCV Python
Видео YouTube «Обнаружение объектов Raspberry Pi с использованием OpenCV Python» демонстрирует, как получить доступ и изменить код для обнаружения объектов, в частности SSD MobileNet. В руководстве особое внимание уделяется модульному кодированию и приводятся советы по использованию кода на разных платформах, включая Raspberry Pi. В видео показано, как превратить код в модуль и создать функцию, которая обнаруживает определенные объекты и контролирует, что выводит модель. Докладчик также демонстрирует, как изменить код для обнаружения объектов, добавив такие параметры, как пороговое значение и немаксимальное подавление. Видео предоставляет необходимые файлы и инструкции для настройки обнаружения объектов на Raspberry Pi и предлагает демонстрацию обнаружения конкретных объектов. Ведущий приглашает зрителей посетить свой веб-сайт для загрузки и получения информации о подписке.
Установите и соберите OpenCV python из исходного кода на Raspberry pi 4 и 3
Установите и соберите OpenCV python из исходного кода на Raspberry pi 4 и 3
Видео на YouTube объясняет два метода установки OpenCV для Python на Raspberry Pi: первый включает в себя одну команду терминала для установки предварительно созданных двоичных файлов, а второй метод требует сборки OpenCV из исходного кода. После загрузки исходного кода из репозитория Github последние шаги сборки OpenCV из исходного кода на Raspberry Pi включают запуск команд cmake и make, выполнение которых может занять несколько часов, перед вводом команды «sudo make install». Видео демонстрирует, как проверить успешную установку с помощью команды Python. Видео заканчивается призывом поставить лайк, подписаться и задать любые вопросы в разделе комментариев.