转载

基于深度学习的自动避障小车_7_代码说明

raspberrypi基于深度学习的自动避障智能小车_目录

项目结构

.
├── car 
│   ├── cam_motion.py
│   ├── Car.py
│   ├── config.ini
│   └── socket_server.py
├── darknet
│   ├── a.py
│   ├── darknet
│   ├── data
│   │   └── labels
│   │       ├── 100.png
...
│   │       ├── 99.png
│   │       └── make_labels.py
│   ├── predictions.png
│   ├── run.sh
│   ├── test.jpg
│   ├── tiny-yolo.cfg
│   └── tiny-yolo.weights
├── Design.fzz
├── devlog.md
├── pc_control
│   ├── config.ini
│   └── control_client.py
├── README.md
└── web_server
    ├── config.ini
    ├── data
    │   └── labels
    │       ├── 100.png
...
    │       ├── 99.png
    │       └── make_labels.py
    ├── entry.py
    ├── predictions.png
    ├── static
    ├── templates
    │   └── cam.html
    └── test.jpg

car/ 目录是小车上运行的项目, config.ini 文件需要自己参考 config_example.ini 新建。

darknet 目录是深度学习框架所需文件,注意在 web_server 项目里还有个 data 文件夹,因为在通过web_server调用darknet时,运行目录是web_server,而darknet里面运行时需要一些参数和配置文件等,可以在darknet命令行参数里指定的可以直接写固定路径,但是有些是darknet里面固定的相对路径,队友没有修改,所以需要将部分内容copy过去。在github项目里,我去掉了,可以从data.zip里解压出来。

Design.fzz 是设计图纸,用Fritzing打开

devlog.md 是开发日志。

pc_control 是手动控制的测试项目。

web_server 则是运行在PC的server, templates 文件夹是tornado框架所用的,里面的 cam.html 只是内嵌了moiton的页面。 test.jpg 是接收到的图片文件, prediction.jpg 是darknet运行时产生的图片文件,用红框标出了识别出的物体。 config.ini 文件同理,仿照example新建即可。

在小车上运行时,如果是csi摄像头,一定要记得先 modporbe 加载到 /dev/video0 上去。

总结

整体来说,代码还是过于简陋了,最后实现的避障效果也很差。不过赶作业来说,足够了。后续还希望能继续优化。

欢迎勘误。

原文  http://www.findspace.name/easycoding/1829
正文到此结束
Loading...