Изучаем ONNX для применения в трейдинге - страница 10

[MetaQuotes]

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.

• 00:00:00 В этом разделе инструктор по видео демонстрирует этапы настройки программного обеспечения для обнаружения объектов с помощью нейронной сети, обученной автономному вождению, на Raspberry Pi 4. Инструктор начинает с проверки актуальности Raspberry Pi, клонируя репозиторий. представленный в описании видео, и установку виртуальной среды, чтобы отделить зависимости для этого проекта от других проектов в системе. Затем инструктор активирует виртуальную среду перед установкой зависимостей, таких как пакет gpio python, OpenCV и TensorFlow, которые необходимы для проекта, путем запуска сценария bash. Наконец, инструктор показывает, как настроить модуль камеры Raspberry Pi, введя параметры конфигурации в терминал и подключив его к Raspberry Pi 4.
  
  
• 00:05:00 В этом разделе ведущий демонстрирует, как настроить модуль камеры, светодиод и кнопку на Raspberry Pi для автономного обнаружения движущихся объектов. Модуль камеры просто подключается к Pi и закрепляется на месте. Светодиод подключен к Pi с резистором 470 Ом для обеспечения визуальной обратной связи во время работы программы. Точно так же на макетную плату добавляется кнопка, позволяющая запускать и останавливать обработку изображений. Затем ведущий показывает программную часть установки, запуская сценарий Python с аргументами для нейронной сети монитора и путем вывода, который сохраняет обработанные изображения в указанном месте.
  
  
• 00:10:00 В этом разделе мы видим выходной путь и место сохранения изображений, снятых Raspberry Pi с обнаружением объектов. Затем пользователь вносит коррективы в пакетный rc-файл, чтобы скрипт Python запускался при загрузке без использования клавиатуры или мыши. Последний шаг — поместить Raspberry Pi в машину, подключить его к розетке переменного тока и начать запись отснятого материала с обработанными изображениями, сохраненными в указанном выходном пути. Пользователь предлагает превратить отснятые изображения в гифку или видео.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видеоруководство дает пошаговое руководство по настройке TensorFlow Lite на Raspberry Pi для обнаружения объектов. TensorFlow Lite — это облегченная модель машинного обучения, оптимизированная для работы на маломощных устройствах, таких как Pi, с более быстрым временем вывода и меньшей вычислительной мощностью. В руководстве рассказывается об обновлении Pi, включении интерфейса камеры, загрузке репозитория GitHub, создании виртуальной среды, установке TensorFlow и OpenCV и запуске сценария оболочки для установки всех необходимых пакетов и зависимостей. Видео также содержит советы по устранению ошибок и получению помощи, а руководство GitHub содержит список распространенных ошибок и решений.
  
  
• 00:05:00 В этом разделе спикер объясняет, как настроить модель обнаружения для TensorFlow Lite. Пользователи могут загрузить образец модели, предоставленный Google, или обучить свою собственную модель. Образец модели Google представляет собой квантованную модель мобильной сети SSD, обученную на наборе данных какао MS, что позволяет ей обнаруживать 80 общих объектов с минимальным снижением точности. Чтобы загрузить образец модели, пользователи могут щелкнуть правой кнопкой мыши ссылку
  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.
  
  
• 00:10:00 В этом разделе создатель видео упоминает, что повышенная скорость TensorFlow Lite делает его полезным для приложений обнаружения в реальном времени, таких как интеллектуальные камеры или системы сигнализации. Они также упоминают свой собственный проект, видео с детектором домашних животных, в котором они использовали обнаружение объектов, чтобы предупредить их, если их кошка хочет, чтобы ее выпустили на улицу, и говорят, что они будут публиковать больше проектов компьютерного зрения TensorFlow. В конце они благодарят зрителей за просмотр и призывают их следить за своим следующим видео о настройке ускорителя Coral USB.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео ведущий предлагает руководство по установке Tensorflow Lite на Raspberry Pi и использованию его для классификации изображений. Докладчик использует библиотеку примеров Tensorflow и отмечает, что ускоритель Coral USB можно использовать для увеличения скорости проекта, хотя это и не требуется. Для начала ведущий обновляет Raspberry Pi и создает виртуальную среду. Докладчик демонстрирует, как активировать среду и установить необходимые пакеты перед установкой среды выполнения Tensorflow Lite. Наконец, докладчик проверяет версию, чтобы убедиться, что все установлено правильно.
  
  
• 00:05:00 В этом разделе спикер запускает пример обнаружения объектов на Raspberry Pi, но сталкивается с ошибкой, связанной с атласом библиотеки. Они объясняют, что libatlas имеет решающее значение для линейной алгебры, которая является важным компонентом машинного обучения. Они показывают, как они решили проблему, запустив sudo apt-get install lib atlas bass dash dev. Затем спикер демонстрирует классификацию в реальном времени с использованием Raspberry Pi и подчеркивает, что сценарий можно модифицировать в соответствии с различными вариантами использования или моделями.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео создатель обсуждает, как создать детектор объектов с хорошим балансом между точностью и скоростью. Детектор может работать в режиме реального времени при обнаружении нескольких общих объектов и не требует запуска каких-либо сторонних библиотек, кроме OpenCV. В видео рассматриваются коды создания детектора объектов и подробно объясняется использование твердотельного накопителя MobileNet, который имеет хороший баланс между точностью и скоростью и может работать на ЦП практически в режиме реального времени, что делает его отличным выбором для обнаружение обычных объектов. Наконец, opencv-python — единственная библиотека, необходимая для запуска детектора, а набор данных coco используется для обнаружения таких классов, как человек, велосипед и автомобиль.
  
  
• 00:05:00 В этом разделе видеоурока ведущий демонстрирует, как отобразить изображение с помощью библиотеки OpenCV в Python. Они импортируют имена объектов из набора данных кокоса, используя функцию with open, и считывают их как массив. Затем они импортируют файлы конфигурации и веса и используют функцию OpenCV для создания модели. В отличие от видеоруководства YOLO, где для извлечения ограничивающей рамки нужно было применять методы, функция выполняет всю обработку за нас, и все, что нам нужно сделать, это передать изображение, и оно отобразит ограничивающую рамку и имена идентификаторов.
  
  
• 00:10:00 В этом разделе видеоруководство объясняет, как выполнять обнаружение объектов с помощью OpenCV и Python. После настройки модели обнаружения код отправляет входное изображение в модель и возвращает идентификаторы классов, уровни достоверности и ограничивающие рамки. В этом учебном пособии основное внимание уделяется настройке и запуску детектора объектов как можно быстрее и проще без сложных установок или формальностей. Код можно использовать для различных приложений, таких как самоуправляемые автомобили или роботизированные устройства. В учебнике также затрагивается важность идентификаторов классов и значение вычитания единицы из их значений при обращении к именам классов.
  
  
• 00:15:00 В этом разделе инструктор объясняет, как перебирать три разные переменные или информацию с помощью функции zip. Они используют zip для выравнивания переменных уверенности и ограничивающей рамки, а затем используют цикл for для создания прямоугольника вокруг обнаруженного объекта. Они также записывают имя обнаруженного объекта с помощью функции putText и используют переменную имен классов, чтобы вычесть единицу из идентификатора класса, чтобы получить соответствующее имя. Преподаватель добавляет другие параметры, чтобы сделать метку более заметной, и даже изменяет текст, чтобы он был весь заглавными буквами. Наконец, они успешно обнаруживают человека на изображении.
  
  
• 00:20:00 В этом разделе учебник демонстрирует, как изменить код для запуска обнаружения объектов на веб-камере вместо статических изображений. Код использует «cv2.videoCapture» для инициализации веб-камеры и установки параметров размера изображения. Цикл while используется для постоянного захвата и отображения потока веб-камеры, а также добавлено условие для проверки того, был ли обнаружен какой-либо объект перед его отображением. Система точно обнаруживает такие объекты, как клавиатура, монитор, мобильный телефон и мышь, в режиме реального времени с помощью веб-камеры.
  
  
• 00:25:00 В этом разделе автор объясняет, что алгоритм обнаружения объектов может обнаруживать объекты с хорошей скоростью и точностью, хотя это может быть и не самая высокая точность. Далее в видео показано, как изменить пороговое значение и добавить значения достоверности к обнаруженным объектам. Затем ютубер запускает программу и демонстрирует, как отображаются значения достоверности для обнаруженных объектов, которые видны и достаточно четки, чтобы понять вероятность каждого объекта.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео рассказчик рассказывает, как настроить API обнаружения объектов TensorFlow на Raspberry Pi. Шаги включают обновление Raspberry Pi, установку TensorFlow, OpenCV и protobuf, настройку структуры каталогов TensorFlow и тестирование детектора объектов. Рассказчик также рекомендует установить дополнительные зависимости, такие как numpy, подушка, scipy и matplotlib. Кроме того, видео содержит полезные советы, такие как установка libatlas и кодека libAV для плавной обработки.
  
  
• 00:05:00 В этом разделе спикер дает пошаговое руководство по установке API обнаружения объектов TensorFlow на Raspberry Pi. Они начинают с установки необходимых пакетов, включая lib xvid core dev, lib x264 dev и QT for dev tools, а затем OpenCV. Затем спикер объясняет проблемы, возникающие при установке protobuf на Raspberry Pi, и рассказывает зрителю, как скомпилировать его из исходного кода, включая получение пакетов, необходимых для компиляции исходного кода proto bruh fun, и загрузку страницы релизов protobuf. Наконец, спикер предоставляет необходимые команды пути и выдает команду для установки протокольных буферов реализации Python.
  
  
• 00:10:00 В этом разделе спикер объясняет процесс настройки каталога TensorFlow на Raspberry Pi. Это включает в себя создание каталога для TensorFlow и загрузку репозитория TensorFlow с GitHub. Переменную среды пути Python необходимо изменить, чтобы она указывала на некоторые каталоги внутри репозитория TensorFlow, и это делается путем изменения файла bash RC. Докладчик также объясняет, как загрузить модель SSD Lite из зоопарка моделей обнаружения TensorFlow и использовать Pro Talk для компиляции файлов буфера протокола, используемых API обнаружения объектов. Наконец, предоставляется скрипт Python для обнаружения объектов в прямом эфире с камеры Pi или веб-камеры USB, код которого доступен в репозитории спикера на GitHub.
  
  
• 00:15:00 В этом разделе спикер рассказывает зрителям, как использовать обнаружение объектов TensorFlow на Raspberry Pi. Сначала они инструктируют зрителей загрузить и запустить скрипт Python для обнаружения объектов, убедившись, что камера PI включена в меню конфигурации. Они также объясняют, что рекомендуется закрыть все другие приложения, особенно веб-браузер, поскольку tensorflow использует много памяти. Докладчик также показывает, как использовать модель, которую пользователь обучил самостоятельно, и в качестве примера предоставляет ссылку Dropbox на собственную модель обнаружения игральных карт. Зрителям рекомендуется запустить скрипт обнаружения объектов, инициализация которого может занять до минуты, а затем он обнаружит общие объекты и отобразит их в окне с прямоугольником. Наконец, спикер рекомендует Raspberry Pi для творческих приложений, требующих низкой стоимости и портативности, таких как цифровая заслонка для кошек, которая отправляет сообщение, когда обнаруживает живую кошку снаружи.

[MetaQuotes]

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.

• 00:00:00 В этом разделе Core Electronics демонстрирует, как использовать OpenCV и пакет распознавания лиц Python на Raspberry Pi для создания системы распознавания лиц. Во-первых, они собирают необходимые материалы, включая Raspberry Pi, официальную камеру, карту Micro SD, кабель HDMI и блок питания. После настройки Raspberry Pi и установки пакетов они показывают, как обучить систему распознавания лиц с помощью кода Python с именем «train_model.py», а затем протестировать ее с помощью идентификационного кода с именем «facial_req.py». Программа позволяет камере Raspberry Pi искать лица в реальном времени и правильно идентифицировать их, как только она их находит. Система также может различать неизвестные и известные лица, отображая «неизвестно» или имя субъекта соответственно.
  
  
• 00:05:00 В этом разделе создатель видео объясняет, как добавить шесть строк кода в сценарий для управления сервоприводом с помощью выводов GPIO Raspberry Pi, который может вращаться только тогда, когда система Raspberry Pi распознает лицо своего владельца. Система не активирует сервопривод, если он не распознает лицо или неизвестное лицо. Создатель видео скрывает свое лицо и показывает, как движется сервопривод при распознавании его лица. Он благодарит команды разработчиков пакетов OpenCV и распознавания лиц, а также Кэролин Данн за создание программного обеспечения, благодаря которому эти системы так хорошо работают вместе. Создатель видео считает, что это программное обеспечение обладает огромным потенциалом для переноса проектов в невероятные места.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео ведущий объясняет, как настроить Raspberry Pi для комплексной установки TensorFlow и OpenCV, начиная с важности наличия более нового Pi, в частности Pi 4, который является 64-битным. В видео показан процесс установки ОС Raspberry Pi и настройки имени хоста, имени пользователя, пароля и конфигурации Wi-Fi с помощью имидж-сканера Raspberry Pi. После загрузки Pi ведущий инструктирует зрителей обновить и обновить, прежде чем проверять свою версию Python и вывод «uname -m», которые важны для выбора подходящего сценария оболочки TensorFlow для их системы. Докладчик также направляет зрителей к размещенным в частном порядке сценариям оболочки и файлам колес, которые могут заставить TensorFlow работать с Raspberry Pi.
  
  
• 00:05:00 В этом разделе видео ведущий обсуждает, как изменить версию Python на 3.7 для тех, кто сталкивается с проблемами при установке TensorFlow 2 и OpenCV на Raspberry Pi. Для этого зрителям нужно использовать pi m и установить нужную версию Python. Докладчик демонстрирует, как установить pi m, добавить строки в rc-файл dot bash, установить системные пакеты и обновить pi m. Затем ведущий объясняет, как установить Python версии 3.7.12 и создать каталог проекта. Наконец, ведущий показывает зрителям, как работает pi m, и проверяет версию Python.
  
  
• 00:10:00 В этом разделе спикер объясняет, как установить TensorFlow 2 и OpenCV на Raspberry Pi. Докладчик предлагает использовать Python3.9 или Python3.7 с соответствующей командой оболочки колеса TensorFlow. Они проходят через установку пакета виртуальной среды и создание среды для работы. Затем спикер объясняет, как установить системные пакеты и TensorFlow. Предусмотрен простой тест, чтобы определить, прошла ли установка успешно. Спикер также обсуждает ошибку, с которой могут столкнуться пользователи, и представляет решение проблемы.
  
  
• 00:15:00 В этом разделе спикер дает инструкции по установке OpenCV на Raspberry Pi. Пользователям Raspberry Pi 3 он рекомендует следовать определенному методу, подробно описанному в конкретном видео, а затем выполнить одну команду: pip install opencv-python. Выполнение этой команды занимает всего десять-двадцать секунд, и спикер рекомендует не добавлять какие-либо дополнительные функции, если вы не являетесь опытным пользователем. Видео заканчивается тестированием установки OpenCV и TensorFlow с помощью команд импорта, а спикер призывает зрителей оставлять комментарии, запросы или отзывы.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео ведущий представляет проект использования Raspberry Pi 4 в сочетании с обученной библиотекой и камерой Pi для идентификации 91 уникального объекта и животного в режиме реального времени с обновлением рейтинга достоверности . Программное обеспечение Opencv используется для предоставления ресурсов, помогающих решать проблемы компьютерного зрения и обработки изображений в реальном времени. Докладчик описывает шаги, необходимые для установки оборудования, настройки Raspberry Pi и установки программного обеспечения. Затем зрителю показывают, как запускать код и как возиться с несколькими значениями кода, чтобы усовершенствовать процесс идентификации объекта и животного.
  
  
• 00:05:00 В этом разделе докладчик демонстрирует, как изменить код для отправки сигналов через контакты GPIO Raspberry Pi всякий раз, когда конкретная цель, в данном случае чашка, видна программному обеспечению OpenCV. Модифицированный код дает команду Raspberry Pi вращаться всякий раз, когда обнаруживается чашка. Подчеркивается потенциал этого программного обеспечения для выполнения удивительных проектов, а также выражается благодарность командам OpenCV и CoCo за их работу над этим программным обеспечением.

[MetaQuotes]

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.

• 00:00:00 В видео показано, как получить доступ к коду проекта обнаружения объектов и создать функцию, позволяющую пользователям получать информацию о конкретных объектах. Используемый код взят из предыдущего видео, которое обнаруживает различные объекты с помощью MobileNet SSD. В учебнике также делается упор на написание модульного кода, чтобы упростить удаление и добавление кода. Помимо объяснения кода, репетитор также дает полезные советы о том, как писать и использовать код на разных платформах, включая Raspberry Pi.
  
  
• 00:05:00 В этом разделе спикер описывает, как превратить ранее написанный код в модуль, к которому могут обращаться другие скрипты. Докладчик демонстрирует создание функции под названием «get_objects», которая принимает изображение в качестве входных данных и возвращает изображение с прямоугольниками и метками обнаружения объектов в качестве выходных данных. Докладчик также показывает, как использовать параметр «nms» для удаления перекрывающихся обнаружений объектов. К концу раздела спикер создал модульную функцию, которую можно использовать для обнаружения объектов на изображении с помощью OpenCV и Python.
  
  
• 00:10:00 В этом разделе видео демонстрируется, как добавить функциональные возможности для управления отображением ограничивающих рамок и имен классов для увеличения или уменьшения частоты кадров. В видео объясняется, что можно задать логическое значение, чтобы определить, следует ли рисовать ограничивающие рамки, а затем показано, как реализовать это в цикле for. В видео также добавлена функция отправки информации об ограничительной рамке и имени класса, что позволяет получать актуальную информацию, а не просто отображать ее. Наконец, в видео показано, как добавить функциональные возможности для обнаружения конкретных объектов и контроля того, что выводит модель.
  
  
• 00:15:00 В этом разделе видео ведущий объясняет, как настроить модуль обнаружения объектов для обнаружения конкретных объектов. Пользователь может создать список объектов для обнаружения, записав их в список объектов. Если пользователь оставит список пустым, он обнаружит все классы, на которых он обучался. Ведущий показывает пример того, как обнаружить только чашки, добавив «чашку» в список объектов. В список можно добавить несколько объектов, и программа обнаружит только эти объекты. Презентатор также предоставляет способ запуска модуля обнаружения объектов из другого модуля с помощью основного модуля.
  
  
• 00:20:00 В этом разделе видео ведущий объясняет, как изменить код обнаружения объектов, добавив такие параметры, как пороговое значение и немаксимальное подавление (NMS). Параметр NMS помогает удалить повторяющиеся обнаружения на изображении. Докладчик показывает, как добавить эти параметры в код, и демонстрирует эффекты изменения их значений. Далее в видео ведущий объясняет, что для запуска кода на Raspberry Pi требуется OpenCV версии 4.3 или новее. Если пользователь еще не устанавливал эту версию, он может следовать инструкциям докладчика на своем веб-сайте.
  
  
• 00:25:00 В этом разделе инструктор демонстрирует, как настроить обнаружение объектов на Raspberry Pi с помощью OpenCV и Python. Это включает в себя замену нескольких файлов последней версией, импорт cv2 и проверку номера версии. Инструктор также предоставляет необходимые файлы для обнаружения объектов и демонстрирует, как изменить путь к файлу, чтобы он работал правильно. Кроме того, инструктор показывает пример обнаружения объектов с помощью внешней камеры и отмечает, что это может занять некоторое время. Код выполняется успешно, и модель способна обнаруживать такие объекты, как бутылки, чашки и пульты дистанционного управления.
  
  
• 00:30:00 В этом разделе ведущий демонстрирует возможность обнаружения конкретных объектов с помощью OpenCV и Python на Raspberry Pi. Они проверяют обнаружение, меняя метку с «пульт дистанционного управления» на «чашку», а затем на «бутылку» и снова запускают обнаружение. Обнаружение работает хорошо на Raspberry Pi, но медленно. Ведущий упоминает, что в следующем видео они попробуют такое же обнаружение на Jetson Nano, чтобы увидеть, насколько лучше он работает. Они также приглашают зрителей посетить их веб-сайт, чтобы бесплатно скачать файлы и коды и подписаться на их канал.

[MetaQuotes]

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.

• 00:00:00 В этом разделе видео ведущий объясняет два метода установки OpenCV для Python на Raspberry Pi. Первый метод включает в себя установку готовых двоичных файлов с помощью одной команды терминала, что просто, но может не гарантировать наличие последней версии OpenCV. Второй метод заключается в сборке OpenCV из исходного кода, что требует сначала установки некоторых зависимостей, загрузки исходного кода из репозитория Github, а также создания и запуска команды для сборки исходного кода. Оба метода пошагово показаны на видео.
  
  
• 00:05:00 В этом разделе в видео обсуждаются последние этапы установки и сборки OpenCV Python из исходного кода на Raspberry Pi 4 или 3. После запуска команды cmake, а затем команды make, выполнение которой может занять несколько часов, последний шаг — ввести «sudo make install». Чтобы проверить, прошла ли установка успешно, в видео показано, как ввести команду «python3», а затем «импортировать cv2 как cv», за которым следует оператор печати. Если терминал возвращает сообщение с версией OpenCV, значит, установка прошла успешно. Видео призывает зрителей ставить лайки и подписываться на канал, а также задавать любые вопросы в разделе комментариев.