Detecção de Objetos com reTerminal e câmera Pi
Introdução
A detecção de objetos em computadores de borda tornou-se um campo fundamental em visão computacional, permitindo que dispositivos percebam e respondam autonomamente ao seu entorno. EfficientDet, um modelo de detecção de objetos de última geração, ocupa o centro das atenções nesse domínio. Projetado para ser eficiente em recursos, ele equilibra precisão e demanda computacional, tornando-o particularmente adequado para implantação em dispositivos de borda com poder de processamento limitado. A detecção de objetos em computadores de borda, exemplificada pelo EfficientDet, encontra aplicações em cenários que vão de câmeras inteligentes de vigilância e veículos autônomos a dispositivos de Internet das Coisas (IoT). Sua capacidade de identificar e localizar múltiplos objetos em tempo real o torna um elemento-chave para aprimorar a autonomia e a inteligência de sistemas de computação de borda.
Iniciando
Antes de iniciar este projeto, você precisa preparar seu hardware e software com antecedência, conforme descrito aqui.
Preparação de hardware
| reTerminal | PiCam |
|---|---|
 |  |
Preparação de software
Recomendamos instalar a versão Bullesye ou Bookworm do Raspberry Pi OS 64 bits a partir do site oficial. Se você preferir instalar um novo Raspbian OS, siga as etapas descritas neste guia.
Recomendamos fortemente que você confira nosso tutorial anterior sobre Primeiros passos com OpenCV, pois este tutorial é uma continuação da nossa série. Este guia é especificamente para Bulleseye OS e Bookworm OS. Observe as dependências de instalação, pois há dois métodos distintos descritos aqui.
TinyML
TinyML revoluciona o aprendizado de máquina ao permitir que modelos leves sejam executados em dispositivos de borda com recursos mínimos. No contexto de detecção de objetos, o TensorFlow Lite, uma estrutura fundamental em TinyML, otimiza modelos para eficiência, permitindo que sejam implantados em dispositivos como microcontroladores e sistemas embarcados. Essa integração facilita o processamento em tempo real e no próprio dispositivo para tarefas como reconhecimento de objetos, tornando TinyML com TensorFlow Lite ideal para aplicações em sensores inteligentes, wearables e dispositivos IoT sem a necessidade de conectividade constante com a nuvem.
EfficientDet
EfficientDet é um modelo de detecção de objetos altamente eficiente e preciso que se destaca por seu desempenho em dispositivos de borda. Desenvolvido pelo Google, o EfficientDet otimiza o equilíbrio entre precisão do modelo e eficiência computacional, tornando-o bem adequado para implantação em ambientes com recursos limitados, como dispositivos de borda e plataformas móveis. Ele utiliza um método de escala composta para aumentar de forma eficiente os parâmetros do modelo e alcançar melhor precisão sem comprometer a velocidade. A arquitetura do EfficientDet inclui uma rede de recursos para capturar recursos de imagem de forma eficaz e um método de escala composta para equilibrar a precisão do modelo e a eficiência computacional. Seu sucesso reside em alcançar um desempenho impressionante em vários benchmarks de detecção de objetos enquanto mantém uma estrutura leve, tornando-o uma opção preferida para aplicações que exigem detecção de objetos em tempo real em dispositivos de borda.
Vamos executar o código no Bullseye OS
Certifique-se de que você está na pasta correta. Caso não esteja
cd Seeed_Python_ReTerminal/samples/Opencv_and_piCam/ObjectDetection
Certifique-se de instalar as dependências e o modelo EfficientDet. Se você já concluiu esta etapa em nosso primeiro tutorial, não precisa se preocupar.
sh setup.sh
Execute o código
python3 detect_mod.py
Vamos executar o código no BookWorm OS
- Passo 1 Para isso, você precisa criar um ambiente virtual.
Em versões anteriores do sistema operacional, as bibliotecas Python podiam ser instaladas diretamente em todo o sistema usando o pip, o instalador de pacotes do Python. No entanto, no Bookworm e versões posteriores, ocorreu uma mudança. Para mitigar possíveis problemas durante a instalação, agora é necessário instalar pacotes via pip em um ambiente virtual Python usando venv.
Execute estes comandos um por um e você terá um ambiente virtual.
mkdir my_project
cd my_project
python -m venv --system-site-packages env
source env/bin/activate
- Passo 2 Em seguida, clone este repositório Git no ambiente virtual do seu Raspberry Pi desta forma
git clone https://github.com/Seeed-Studio/Seeed_Python_ReTerminal
- Passo 3 Em seguida, utilize nosso script para instalar facilmente os pacotes Python necessários e fazer o download do modelo EfficientDet-Lite. Navegue até esta pasta.
cd Seeed_Python_ReTerminal/samples/Opencv_and_piCam/ObjectDetection_bookworm
- Passo 3 O script instala as dependências necessárias e faz o download dos modelos TFLite para esta série de tutoriais.
sh setup.sh
Execute o código
python3 detect_picam.py
Suporte técnico
Agradecemos por escolher nossos produtos! Estamos aqui para oferecer diferentes formas de suporte para garantir que sua experiência com nossos produtos seja a mais tranquila possível. Oferecemos vários canais de comunicação para atender a diferentes preferências e necessidades.