रास्पबेरी पाई 3 पर मछली की आंख का उपयोग करना: कंप्यूटर दृष्टि के लिए पूर्व-प्रशिक्षित डीएल मॉडल लॉन्च करना

शुभ दोपहर

लेखों की एक श्रृंखला की निरंतरता में: रास्पबेरी पाई 3 और आरओएस के साथ मछली आई कैमरा के उपयोग के बारे में पहला और दूसरा , मैं रास्पबेरी पाई पर मछली की आंखों के कैमरे के साथ कंप्यूटर दृष्टि के लिए पूर्व-प्रशिक्षित डीप लर्निंग मॉडल का उपयोग करने के बारे में बात करना चाहूंगा। 3. कौन परवाह करता है, मैं बिल्ली के लिए पूछता हूं।

छवि वर्गीकरण

पिछले लेखों की तरह, हम Ubuntu 16.04 का उपयोग करेंगे। काम के लिए, हमें केरस पुस्तकालय की आवश्यकता होगी। इसे यहां से निर्देशों का पालन करके उबंटू पर स्थापित किया जा सकता है ।

हम पेज पर जाएंगे और DOWNLOAD THE CODE बटन दबाएंगे! पृष्ठ के नीचे। आपको स्रोत के साथ एक ईमेल प्राप्त होगा।

संग्रह डाउनलोड करें, इसे अनज़िप करें और फ़ोल्डर पर जाएं। पहले, प्रशिक्षित GoogleNet मॉडल के आधार पर ऑब्जेक्ट वर्गीकरण स्क्रिप्ट चलाएँ:

cd pi-deep-learning/ python pi_deep_learning.py --prototxt models/bvlc_googlenet.prototxt \ --model models/bvlc_googlenet.caffemodel --labels synset_words.txt \ --image images/barbershop.png 

हमें यह निष्कर्ष टर्मिनल में मिलता है

 [INFO] loading model... [ INFO:0] Initialize OpenCL runtime... [INFO] classification took 1.7103 seconds [INFO] 1. label: barbershop, probability: 0.78055 [INFO] 2. label: barber chair, probability: 0.2194 [INFO] 3. label: rocking chair, probability: 3.4663e-05 [INFO] 4. label: restaurant, probability: 3.7257e-06 [INFO] 5. label: hair spray, probability: 1.4715e-06 

यह OpenCV 3.3 से डीप न्यूरल नेटवर्क (DNN) मॉड्यूल का उपयोग करता है। आप इसके बारे में यहां पढ़ सकते हैं।

अब पूर्व-प्रशिक्षित स्क्वीज़नेट मॉडल के साथ वस्तुओं को वर्गीकृत करने का प्रयास करें:

 python pi_deep_learning.py --prototxt models/squeezenet_v1.0.prototxt \ --model models/squeezenet_v1.0.caffemodel --labels synset_words.txt \ --image images/barbershop.png 

 [INFO] loading model... [ INFO:0] Initialize OpenCL runtime... [INFO] classification took 0.86275 seconds [INFO] 1. label: barbershop, probability: 0.80578 [INFO] 2. label: barber chair, probability: 0.15124 [INFO] 3. label: half track, probability: 0.0052873 [INFO] 4. label: restaurant, probability: 0.0040124 [INFO] 5. label: desktop computer, probability: 0.0033352 

मेरे वर्गीकरण ने 0.86 सेकंड के लिए काम किया।

आइए अब cobra.png चित्र पर प्रयास करें:

 python pi_deep_learning.py --prototxt models/squeezenet_v1.0.prototxt \ --model models/squeezenet_v1.0.caffemodel --labels synset_words.txt \ --image images/cobra.png 

निष्कर्ष:

 [INFO] classification took 0.87402 seconds [INFO] 1. label: Indian cobra, probability: 0.47972 [INFO] 2. label: leatherback turtle, probability: 0.16858 [INFO] 3. label: water snake, probability: 0.10558 [INFO] 4. label: common iguana, probability: 0.059227 [INFO] 5. label: sea snake, probability: 0.046393 

ऑब्जेक्ट डिटेक्शन

अब मछली की आंखों के कैमरे के साथ रास्पबेरी पाई के साथ वस्तुओं का पता लगाने की कोशिश करें। हम पेज पर जाएँगे और DOWNLOAD THE CODE बटन दबाएंगे! पृष्ठ के नीचे। आपको स्रोत के साथ एक ईमेल प्राप्त होगा।

वर्गीकरण के समान, डाउनलोड, अनज़िप, फ़ोल्डर पर जाएं। वस्तुओं का पता लगाने के लिए स्क्रिप्ट चलाएँ:

 python pi_object_detection.py --prototxt MobileNetSSD_deploy.prototxt.txt --model MobileNetSSD_deploy.caffemodel 

निष्कर्ष:

 [INFO] loading model... [INFO] starting process... [INFO] starting video stream... [ INFO:0] Initialize OpenCL runtime... libEGL warning: DRI3: failed to query the version libEGL warning: DRI2: failed to authenticate 

स्क्रिप्ट चलाते समय, हम निम्नलिखित त्रुटि प्राप्त कर सकते हैं:

 Error: AttributeError: 'NoneType' object has no attribute 'shape' (comment to post) 

समस्या को हल करने के लिए, फ़ाइल pi_object_detection.py खोलें और लाइन 74 पर टिप्पणी करें:

 vs = VideoStream(src=0).start() 

और अनकंफेंस लाइन 75

 vs = VideoStream(usePiCamera=True).start() 

हम देखते हैं कि स्क्रिप्ट कुछ वस्तुओं का पता लगाती है, हालांकि सभी वस्तुओं को सही ढंग से पहचाना नहीं जाता है। मेरी टिप्पणियों के अनुसार, स्क्रिप्ट बहुत तेज़ी से वस्तुओं का पता लगाती है (दुर्भाग्य से, एफपीएस तय नहीं किया जा सका)।

हम real_time_object_detection.py स्क्रिप्ट भी चला सकते हैं। एक त्रुटि के मामले में, pi_object_detection.py स्क्रिप्ट के लिए प्रक्रिया दोहराएं: लाइन 38 और अनकैपमेंट लाइन 39 पर टिप्पणी करें। परिणाम



अभी के लिए बस इतना ही। सभी को शुभकामनाएँ और आपको जल्द ही मिलते हैं!