步驟1：要求

您將需要以下內容：

DragonBoard?410c或820c；

Linaro-alip的全新安裝：

DB410c：已在v431版中測試。鏈接：https：//snapshots.linaro.org/96boards/dragonboard 。..

DB820c：已在v228版本中測試。鏈接：https：//snapshots.linaro.org/96boards/dragonboard8 。..

至少16GB容量的MicroSD卡（使用410c的I ）；

下載文件（在此步驟的最后），解壓縮并復制到MicroSD卡；

obs：如果使用DB820c，請下載文件，解壓縮并移至/home/* USER */以簡化命令的使用。

USB集線器；

USB攝像頭（兼容Linux）；

USB鼠標和鍵盤；

Internet連接。

提示：如果可能，請在DragonBoard瀏覽器中遵循此說明，以利于復制命令。

步驟2：安裝MicroSD卡（僅適用于W/DB410c）

在Dragonboard中打開終端；

在終端中運行 fdisk ：

$ sudo fdisk -l

將MicroSD卡插入DragonBoard MicroSD卡插槽中；

再次運行 fdisk ，在列表中查找新設備的名稱（和分區）（例如mmcblk1p1）

$ sudo fdisk -l

轉到根目錄：

$ cd ~

創建文件夾：

$ mkdir sdfolder

安裝MicroSD卡：

$ mount /dev/ sdfolder

步驟3：安裝所需的框架

在Dragonboard中打開終端；

在終端中，轉到所選目錄（對于820c使用“?”，對于410c使用已安裝的SD卡）：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

轉到“對象檢測器”腳本文件夾：

$ cd object_detector_tensorflow_opencv/scripts/

運行環境設置腳本：

$ sudo bash set_Env.sh

更新系統：

$ sudo apt update

安裝以下軟件包：

$ sudo apt install -y protobuf-compiler gcc-aarch64-linux-gnu

g++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip

unzip python python-pip g++ zlib1g-dev default-jre libhdf5-dev

libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libpng-dev

build-essential cmake libreadline-gplv2-dev libncursesw5-dev

libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev

libjpeg-dev libtiff5-dev libavcodec-dev libavformat-dev

libswscale-dev libv4l-dev libxvidcore-dev libx264-dev libgtk2.0-dev

libgtk-3-dev ffmpeg python-opengl

轉到此目錄：

$ cd /usr/src

下載Python 3.5：

$ sudo wget https://www.python.org/ftp/python/3.5.6/Python-3.。..

提取軟件包：

$ sudo tar x*** Python-3.5.6.tgz

刪除壓縮的軟件包：

$ sudo rm Python-3.5.6.tgz

轉到Python 3.5目錄：

$ cd Python-3.5.6

啟用opt Python 3.5編譯的模擬：

$ sudo 。/configure --enable-optimizations

編譯Python 3.5：

$ sudo make altinstall

升級pip和設置工具：

$ sudo python3.5 -m pip install --upgrade pip && python3.5 -m pip install --upgrade setuptools

安裝numpy：

$ python3.5 -m pip install numpy

轉到所選內容目錄：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

下載Tensorflow 1.11 whl：

$ wget https://github.com/lhelontra/tensorflow-on-arm/re.。.

安裝張量流：

$ sudo python3.5 -m pip install tensorflow-1.11.0-cp35-none-linux_aarch64.whl

克隆OpenCV和OpenCV Contrib存儲庫：

$ sudo git clone -b 3.4 https://github.com/opencv/opencv.git && sudo git clone -b 3.4 https://github.com/opencv/opencv_contrib.git

轉到目錄：

$ cd opencv

創建構建目錄并轉到它：

$ sudo mkdir build && cd build

運行CMake：

$ sudo cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D BUILD_opencv_java=OFF -D BUILD_opencv_python=OFF -D BUILD_opencv_python3=ON -D PYTHON3_DEFAULT_EXECUTABLE=$（which python3.5） -D PYTHON3_EXECUTABLE:FILEPATH=$（which python3.5） -D PYTHON_INCLUDE_DIR=/usr/local/include/python3.5m/ -D INSTALL_C_EXAMPLES=OFF -D INSTALL_PYTHON3_EXAMPLES=OFF -D BUILD_EXAMPLES=OFF -D WITH_CUDA=OFF -D BUILD_TESTS=OFF -D WITH_TBB=ON -DBUILD_TBB=ON -D OPENCV_ENABLE_NONFREE=ON -DBUILD_opencv_xfeatures2d=OFF -D OPENGL=ON -D OPENMP=ON -D ENABLE_NEON=ON -D BUILD_PERF_TESTS= OFF -D BUILD_OPENCV_DNN=ON -D OPENCV_EXTRA_MODULES_PATH=。./。./opencv_contrib/modules 。.

編譯具有4個內核的OpenCV：

$ sudo make -j 4

安裝OpenCV：

$ sudo make install

轉到所選目錄：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

轉到腳本目錄：

$ cd object_detector_tensorflow_opencv/scripts/

安裝Python3.5要求：

$ sudo python3.5 -m pip install -r requirements.txt --no-cache-dir

測試導入：

$ python3.5

》》 import cv2

》》 import tensorflow

提示：如果cv2返回導入錯誤，請在OpenCV構建文件夾中運行make install，然后重試。

轉到選定的導演y：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

下載cocoapi存儲庫：

$ git clone https://github.com/cocodataset/cocoapi.git

下載Tensorflow模型存儲庫：

$ git clone https://github.com/tensorflow/models.git

轉到此目錄：

$ cd cocoapi/PythonAPI

編輯文件Makefile，將python更改為然后在第3行和第8行中使用python3.5保存文件（以nano為例）：

$ nano Makefile

編譯cocoapi：

$ sudo make

提示：如果‘make’命令未編譯，請嘗試使用以下命令重新安裝cython：

$ sudo python3.5 -m pip install cython

將pycocotools復制到tensorflow/models/research目錄：

（820c） $ cp -r pycocotools ~/models/research/

（410c） $ cp -r pycocotools ~/sdfolder/models/research/

轉到所選目錄：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

轉到模型/研究目錄：

$ cd models/research

使用協議進行編譯：

$ protoc object_detection/protos/*.proto --python_out=。

導出環境變量：

$ export PYTHONPATH=$PYTHONPATH：`pwd`：`pwd`/slim

測試環境：

$ python3.5 object_detection/builders/model_builder_test.py

obs：必須返回 OK ，否則應用將無法執行。如果不是這樣，請在安裝所需框架的過程中仔細查找任何錯誤。

第4步：運行對象檢測API

配置了所有框架之后，現在就可以運行將Tensorflow與OpenCV一起使用的對象檢測API。

轉到所選目錄：

（820c） $ cd ~

（410c） $ cd ~/sdfolder

轉到對象檢測目錄：

$ cd object_detector_tensorflow_opencv/

現在運行應用程序：

$ python3.5 app.py

現在，Dragonboard將通過網絡流式傳輸視頻。要查看輸出視頻，請在數據庫中打開瀏覽器，然后轉到“ 0.0.0.0 ：5000”。
責任編輯：wv