電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>使用Google Coral回收分揀機(jī)器人

使用Google Coral回收分揀機(jī)器人

2513671 2022-10-31 | zip | 0.08 MB | 次下載 | 免費(fèi)

資料介紹

描述

您是否知道社區(qū)和企業(yè)的平均污染率高達(dá) 25%？這意味著您丟棄的每四件可回收物品中就有一件不會(huì)被回收。這是由于回收中心的人為錯(cuò)誤造成的。傳統(tǒng)上，工人會(huì)根據(jù)材料將垃圾分類到不同的垃圾箱中。人類必然會(huì)犯錯(cuò)誤，最終無法正確分類垃圾，從而導(dǎo)致污染。隨著污染和氣候變化在當(dāng)今社會(huì)變得更加重要，回收在保護(hù)我們的星球方面發(fā)揮著重要作用。通過使用機(jī)器人分揀垃圾，污染率將大幅下降，更不用說更便宜和更可持續(xù)了。為了解決這個(gè)問題，我創(chuàng)建了一個(gè)回收分揀機(jī)器人，它使用機(jī)器學(xué)習(xí)在不同的回收材料之間進(jìn)行分類。

代碼：

請(qǐng)克隆我的 GitHub存儲(chǔ)庫(kù)以跟隨本教程。

第 1 步，獲取數(shù)據(jù)：

為了訓(xùn)練可以檢測(cè)和識(shí)別不同回收材料的對(duì)象檢測(cè)模型，我使用了包含 2527 張圖像的垃圾網(wǎng)數(shù)據(jù)集：

501玻璃
594 紙
403紙板
482塑料
410金屬
137 垃圾

這是一個(gè)示例圖像：

該數(shù)據(jù)集非常小，無法訓(xùn)練對(duì)象檢測(cè)模型。只有大約 100 張垃圾圖像太少而無法訓(xùn)練準(zhǔn)確的模型，所以我決定將其排除在外。

您可以使用此 google drive文件夾下載數(shù)據(jù)集。確保下載 dataset-resized.zip 文件。它包含已經(jīng)調(diào)整為較小尺寸的圖像集，以允許更快的訓(xùn)練。如果您想根據(jù)自己的喜好調(diào)整原始圖像的大小，請(qǐng)隨時(shí)下載 dataset-original.zip 文件。

第 2 步，標(biāo)記圖像：

接下來，我們需要標(biāo)記不同回收材料的幾張圖像，以便我們可以訓(xùn)練對(duì)象檢測(cè)模型。為此，我使用了免費(fèi)軟件labelImg，它允許您在圖像中標(biāo)記對(duì)象邊界框。

用適當(dāng)?shù)?a target='_blank' class='arckwlink_none'>標(biāo)簽標(biāo)記每個(gè)圖像。本教程向您展示如何。確保使每個(gè)邊界框盡可能靠近每個(gè)對(duì)象的邊界，以確保檢測(cè)模型盡可能準(zhǔn)確。將所有 .xml 文件保存到一個(gè)文件夾中。

以下是如何標(biāo)記圖像：

這是一個(gè)非常乏味和令人麻木的體驗(yàn)。感謝您，我已經(jīng)為您標(biāo)記了所有圖像！你可以在這里找到它。

第三步，訓(xùn)練：

在訓(xùn)練方面，我決定使用 Tensorflow進(jìn)行遷移學(xué)習(xí)。這使我們能夠在沒有大量數(shù)據(jù)的情況下訓(xùn)練出相當(dāng)準(zhǔn)確的模型。

我們有幾種方法可以做到這一點(diǎn)。我們可以在云上的本地桌面計(jì)算機(jī)上完成。在我們的本地機(jī)器上進(jìn)行訓(xùn)練將需要很長(zhǎng)時(shí)間，具體取決于您的計(jì)算機(jī)有多強(qiáng)大以及您是否擁有強(qiáng)大的 GPU。在我看來，這可能是最簡(jiǎn)單的方法，但同樣存在速度的缺點(diǎn)。

關(guān)于遷移學(xué)習(xí)，有一些關(guān)鍵的事情需要注意。您需要確保用于訓(xùn)練的預(yù)訓(xùn)練模型與 Coral Edge TPU 兼容。您可以在此處找到兼容的型號(hào)。我使用了 MobileNet SSD v2 (COCO) 模型。也可以隨意嘗試其他人。

要在本地機(jī)器上進(jìn)行訓(xùn)練，如果在 Windows 10 上運(yùn)行，我建議遵循Google 的教程或EdjeElectronics教程。就我個(gè)人而言，我已經(jīng)測(cè)試了 EdjeElectronics 教程并在我的桌面上取得了成功。我無法確認(rèn) Google 的教程是否有效，但如果沒有，我會(huì)感到驚訝。

要在云中訓(xùn)練，您可以使用 AWS 或 GCP。我找到了這個(gè)教程，你可以試試。它使用谷歌的云 TPU，可以超快速地訓(xùn)練你的對(duì)象檢測(cè)模型。也可以隨意使用 AWS。

無論您是在本地機(jī)器上還是在云端進(jìn)行訓(xùn)練，最終都應(yīng)該得到一個(gè)經(jīng)過訓(xùn)練的 tensorflow 模型。

第 4 步，編譯訓(xùn)練模型：

為了使您的訓(xùn)練模型能夠與 Coral Edge TPU 一起使用，您需要對(duì)其進(jìn)行編譯。

這是工作流程的圖表：

訓(xùn)練后，您需要將其保存為凍結(jié)圖（.pb 文件）。然后，您需要將其轉(zhuǎn)換為 Tensorflow Lite 模型。請(qǐng)注意它是如何說“訓(xùn)練后量化”的。如果您在使用遷移學(xué)習(xí)時(shí)使用了兼容的預(yù)訓(xùn)練模型，則無需這樣做。在此處查看有關(guān)兼容性的完整文檔。

使用 Tensorflow Lite 模型，您需要將其編譯為 Edge TPU 模型。在此處查看有關(guān)如何執(zhí)行此操作的詳細(xì)信息。

回收檢測(cè)模型：

如果您不想重復(fù)訓(xùn)練、轉(zhuǎn)換和編譯對(duì)象檢測(cè)模型的麻煩，請(qǐng)?jiān)?/font>此處查看我的回收檢測(cè)模型。

第 5 步，部署模型：

下一步是設(shè)置 Raspberry Pi (RPI) 和 Edge TPU 以運(yùn)行經(jīng)過訓(xùn)練的對(duì)象檢測(cè)模型。

首先，使用本教程設(shè)置 RPI 。

接下來，按照本教程設(shè)置 Edge TPU 。

最后，將 RPI 攝像頭模塊連接到樹莓派。

您現(xiàn)在已準(zhǔn)備好測(cè)試您的對(duì)象檢測(cè)模型！

如果您已經(jīng)克隆了我的存儲(chǔ)庫(kù)，您將需要導(dǎo)航到 RPI 目錄并運(yùn)行test_detection.py文件：

python test_detection.py --model recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/detect_edgetpu.tflite --labels recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/labels.txt

應(yīng)該會(huì)彈出一個(gè)小窗口，如果你放一個(gè)塑料水瓶或其他回收材料，它應(yīng)該像這樣檢測(cè)它：