server/文件夹下为电脑端Flask测试程序，pi/文件夹下为树莓派端实验示例程序（仅用于参考，准确率和性能上不作任何保证），converter/文件夹下为一个TensorFlow Lite模型转换示例。
电脑端flask server和浏览器界面、树莓派分别建立socket连接。浏览器初始化后重复以下操作：
- 浏览器通知server图片已更新
- server等待0.1s后（树莓派获取图像有延迟，可以修改等待时间
display_delay）通知树莓派进行图像识别，并开始计时 - 树莓派将识别结果和系统信息通过post方法传回server
- server检查结果、计算用时和准确率
- server通知浏览器更新
- 浏览器更新结果数据和图像
-
安装Flask、Flask-SocketIO等必要库
pip install Flask pip install Flask-SocketIO
-
安装并运行mjpg-streamer，获取树莓派视频流
-
安装：需要先安装依赖库，然后下载源码编译，参考
-
运行：
/usr/local/bin/mjpg_streamer -i "input_uvc.so -r 640x360 -d /dev/video0 -f 30" -o "output_http.so -p 8080 -w /usr/local/share/mjpg-streamer/www" -
640x360表示推流分辨率，8080表示端口号，都可以自行调整，适当调低分辨率可以减少延迟
-
浏览器打开
http://{pi_ip}:8080即为mjpg-streamer自带页面，想直接获取视频内容可以在html中使用标签<img src=http://{pi_ip}:8080/?action=stream />
-
-
安装pip3、numpy等必要依赖
- 建议pip3 install时用whl文件安装，根据地址 https://www.piwheels.org/simple/[包名]/ 可找到对应的whl，如https://www.piwheels.org/simple/numpy/，下载对应的whl文件
-
安装tf lite解释器：https://www.tensorflow.org/lite/guide/python#install_tensorflow_lite_for_python
-
安装opencv
- 直接pip3 install，python3可能会出现ImportError，需手动安装出错的依赖
- 一种可能的安装办法：参考https://zhuanlan.zhihu.com/p/46032511安装apt依赖后，用whl文件安装opencv-python，剩下的依赖再补装一下
-
安装代码运行需要的库
sudo pip3 install Pillow sudo pip3 install python-socketio
- 获取树莓派ip地址
pi_ip和电脑端ip地址server_ip - 在
server/app.py中修改pi_ip - 在
pi/classify_picamera.py中修改server_ip
-
server/文件夹下运行flask run --host='0.0.0.0'在任意终端设备浏览器上打开
http://{server_ip}:5000/显示图片界面。
-
将
pi/文件夹拷贝至树莓派，运行python3 classify_picamera.py --model model.tflite --labels synset_words.txt -
树莓派对准浏览器界面上的图像，刷新浏览器后开始运行
-
FPS的计算：树莓派传回的FPS表示进行一帧图像识别的帧率，server计算的FPS_ALL表示整个识别循环进行一轮的帧率（包括网络延迟和
display_delay），display_delay可以根据系统性能自行修改。 -
验证集包含100张图片，在界面上随机显示，全部显示一遍后重新开始下一轮随机。
-
测试集包含100张图片，同样为随机显示。测试集未公开，检查时只需要将测试集的图像和GT拷贝至电脑端
server/static文件夹，并在server/app.py中修改mode参数为"test"即可。 -
注意：存在多种版本的index和label对应关系，ILSVRC2012的label版本和Caffe提供版本的不同。
-
在本实验示例程序中用到的MobileNet使用的是Caffe版本的label
https://github.com/HoldenCaulfieldRye/caffe/blob/master/data/ilsvrc12/synset_words.txt
-
为了统一，测试程序中检查的是：识别结果和Ground Truth的synset标签是否吻合
-
-
在使用预训练模型时，注意输入数据的格式范围、输出index和label之间的对应关系