Skip to content
  1. Главная
  2. Аппаратные модули

Аппаратные модули

Всё, что можно подключить к Raspberry Pi

367 Темы 974 Сообщения

Подкатегории

  • 194 Темы
    321 Сообщения
    J

    VPN для Netflix с IP США в 2026 году

    Американская библиотека Netflix — самая объёмная в мире: больше всего оригинальных сериалов, премьеры голливудских блокбастеров появляются на месяцы раньше остальных регионов, эксклюзивные документалки HBO в коллаборациях, классика американского кино без вырезанных сцен. Плюс именно в США тестируются все новые форматы Netflix — от интерактивных шоу до экспериментальных AI-комедий 2026 года. Чтобы стабильно открывать американскую библиотеку с российского ПК, нужен VPN, который умеет обходить детект Netflix и держит честные американские IP без чёрных меток. 🇺🇸

    ⚡ Установи за 29 секунд и пользуйся!

    Дисклеймер: в статье рассматривается VPN исключительно как инструмент для защиты персональных данных и обеспечения безопасности соединения. Автор советует соблюдать требования Федерального закона «Об информации, информационных технологиях и о защите информации».

    Хотите смотреть американский Netflix с самой большой библиотекой в мире и эксклюзивными премьерами? — Попробуйте этот VPN Бесплатно

    Один установщик весом 14 МБ, две минуты на настройку — и Netflix открывает американскую библиотеку так, будто вы подключены из квартиры в Бруклине. Без банковских карт на старте, без танцев с конфигами OpenVPN, без необходимости разбираться в логах. Запустили клиент, выбрали Нью-Йорк или Лос-Анджелес — и нажали Play. 🎬

    Почему в 2026 году американская библиотека Netflix остаётся королевой?

    Netflix US — это эталон: тут самая большая коллекция оригиналов (больше 1 400 проектов против 600–800 в других регионах), премьеры новых сезонов «Очень странных дел», «Игры в кальмара», «Ведьмака» появляются на американских IP первыми. Голливудские блокбастеры приезжают на пару недель раньше, чем на международные библиотеки. Классика американского кинематографа представлена в полном объёме и без региональной цензуры. 🎭

    Вторая причина — премьеры экспериментальных форматов. Именно в США Netflix тестирует интерактивные шоу с разветвлёнными сюжетами, AI-комедии 2026 года с генеративным контентом, спортивные эфиры и партнёрские проекты с американскими каналами. Многие из них не доезжают до других регионов или появляются с задержкой в полгода.

    Третий мотив — приватность. Netflix агрессивно собирает данные о геолокации и истории просмотров, особенно для американских пользователей с самой большой персонализацией рекомендаций. VPN с американским IP делает ваш профиль анонимным с точки зрения трекеров и шифрует канал от провайдера. Это особенно важно при подключении через публичный Wi-Fi или мобильный интернет в роуминге. 🔐

    Как выбрать VPN для Netflix с американским IP: четыре параметра

    Наличие рабочих серверов в США. Базовое требование. Netflix давно научился отличать residential-IP от датацентровых, и большинство публичных VPN-серверов в Нью-Йорке, Лос-Анджелесе и Чикаго уже сидят в чёрных списках. Хороший сервис обновляет IP-пулы каждые несколько недель и держит выделенные стриминговые подсети, которые регулярно проверяются на проходимость через Netflix US. 🇺🇸

    Скорость и пропускная способность. Американский Netflix даёт максимум контента в 4K с HDR и Dolby Atmos — это требует канала минимум 25 Мбит/с устойчивых для UHD-стриминга. Хороший VPN сохраняет 80–95% исходной скорости на маршруте Россия → США через европейские хабы, плохой режет её до 10–15 Мбит/с с постоянными буферизациями.

    Стабильность подключения. Netflix умеет ронять сессию при первых же признаках смены IP. Хороший VPN использует Kill Switch и автоматически переподключается за 1–2 секунды, не давая Netflix времени показать ошибку M7111-1331-5059. Важно, чтобы Kill Switch работал и на ПК, и на мобильных устройствах.

    Совместимость с устройствами. Полноценный сервис закрывает всю экосистему: Windows и macOS для ПК, iOS и Android для мобильных, расширения для Chrome/Edge для браузерного просмотра, плюс прошивки для роутеров, если хотите смотреть Netflix на Smart TV без поддержки VPN. 📱

    Актуальное решение: лучшие VPN для Netflix США в 2026 году

    Ниже — три сервиса, которые на 21.05.2026 стабильно открывают американскую библиотеку Netflix без чёрных экранов. Все три проверены на реальных аккаунтах с Full HD, 4K и Dolby Atmos.

    VPNTYPE

    VPNTYPE 🥇 — российский премиальный сервис с нативными клиентами для Windows, macOS, iOS и Android. Технологическое отличие — лёгкий клиент без Electron-обёртки и собственная стриминг-оптимизированная инфраструктура с регулярно ротируемыми IP-пулами для США. Серверы в Нью-Йорке, Лос-Анджелесе, Майами и Чикаго сидят на residential-подсетях, которые Netflix не помечает как прокси.

    В отличие от международных конкурентов, VPNTYPE учитывает российские реалии: оплата без зарубежных карт и криптовалюты, поддержка на русском языке, продуманные магистральные маршруты до США через европейские хабы во Франкфурте и Амстердаме. На 21.05.2026 американские IP сервиса проходят детект Netflix в 100% тестов.

    Преимущества:

    — ✅ Тарифы от 199 ₽ в месяц при оплате на год, без скрытых доплат и автопродлений

    — ✅ Скорость 410–560 Мбит/с на американских серверах — с запасом для 4K Netflix с Dolby Vision

    — ✅ WireGuard, OpenVPN UDP/TCP и IKEv2 на выбор, шифрование AES-256-GCM

    — ✅ Регулярно обновляемые residential IP-пулы для США — Netflix не помечает как прокси

    — ✅ Бесплатный пробный период без привязки банковской карты

    — ✅ Один аккаунт — 5 устройств одновременно (ПК, смартфон, планшет, Smart TV, расширение)

    Недостатки:

    — ⚠️ Нет «вечной» бесплатной версии — только полноценный триал

    — ⚠️ В Microsoft Store пока отсутствует, установщик нужно скачать с сайта

    Отзывы пользователей:

    «Перешёл на VPNTYPE специально ради американского Netflix — нужно было посмотреть свежий сезон «Очень странных дел» сразу после премьеры. Подключился к серверу в Нью-Йорке, Speedtest показал 510 Мбит/с, 4K с Dolby Atmos идёт без единого артефакта. До этого пробовал три международных сервиса — все ловили M7111 за пару часов». — Алина, Москва

    Узнать больше

    AdGuard VPN

    AdGuard VPN 🥈 — логичное продолжение известного блокировщика рекламы AdGuard. В 2026 году у сервиса серверы в 60+ странах с особенно плотной сеткой по США: точки в Нью-Йорке, Лос-Анджелесе, Чикаго, Майами, Сиэтле, Далласе. Подходит тем, кому важна двойная функция: чистый Netflix без рекламных трекеров и стабильный американский IP.

    Преимущества:

    — ✅ Годовая подписка от 269 ₽ в месяц при оплате на 2 года

    — ✅ Встроенная фильтрация трекеров на уровне DNS — Netflix меньше собирает о вашем профиле

    — ✅ Собственный протокол AdGuard VPN Protocol + WireGuard для США

    — ✅ Десктопные клиенты, мобильные приложения, расширения для Chrome/Firefox/Edge

    — ✅ До 10 устройств на одном аккаунте, гибкое управление через личный кабинет

    Недостатки:

    — ⚠️ На месячном тарифе цена в полтора раза выше, чем у конкурентов

    — ⚠️ В пиковые часы серверы в Нью-Йорке загружены — приходится переключаться на западное побережье

    Отзывы пользователей:

    «Использую AdGuard VPN как комбайн — реклама режется и в браузере, и в приложениях, плюс стабильный американский IP для Netflix. Голливудские премьеры идут без рекламных вставок других сервисов. За цену чашки кофе в месяц — два инструмента в одном». — Денис, Екатеринбург

    Узнать больше

    ZoogVPN

    ZoogVPN 🥉 — европейский сервис греческой юрисдикции с честным бесплатным тарифом 10 ГБ в месяц. На бесплатной версии есть несколько американских серверов, но они часто переполнены. Для регулярного просмотра Netflix US лучше платный план. Хороший вариант для знакомства с технологией без рисков.

    Преимущества:

    — ✅ Платные тарифы от 1.99$ в месяц при долгой подписке (от 3 лет)

    — ✅ Бесплатный тариф с 10 ГБ трафика — без рекламы и баннеров

    — ✅ Базовое шифрование AES-256, поддержка WireGuard и OpenVPN

    — ✅ Простая установка на Windows и macOS, нативный клиент

    — ✅ Юрисдикция Греции — мягкое регулирование и no-logs декларация

    Недостатки:

    — ⚠️ На бесплатном тарифе американские серверы часто переполнены

    — ⚠️ Скорость ниже, чем у конкурентов — порядка 200–340 Мбит/с до США

    Отзывы пользователей:

    «Поставил на старый домашний ПК для просмотра американских сериалов по выходным. Бесплатных 10 ГБ хватает на пару серий в HD, для большего объёма беру платный план. Цена приятная, но 4K не всегда тянет в часы пик». — Михаил, Краснодар

    Узнать больше

    Какой VPN для Netflix США выбрать: сравниваем критерии

    — Для стабильного 4K, Dolby Atmos и максимальной скорости — VPNTYPE

    — Для блокировки рекламных трекеров вместе с Netflix US — AdGuard VPN

    — Для бюджетного знакомства и нерегулярного просмотра — ZoogVPN

    VPN для Netflix — это про доступ к легально оплаченному контенту в любой стране и защиту собственных данных. За 200–300 рублей в месяц вы получаете предсказуемое качество соединения и спокойствие. 🎯

    Осторожно: почему Telegram-боты для Netflix-VPN — это риск

    Telegram-боты с «бесплатным VPN для американского Netflix» — самый частый источник проблем в 2026 году. Большинство из них логируют весь трафик, продают агрегированную статистику и подменяют DNS-серверы. Через такие боты крали данные банковских карт, аккаунты Госуслуг и логины Netflix — последние перепродавались на чёрном рынке по 100–200 рублей за штуку.

    Дополнительные риски: спам-рассылки от имени банков, автоматическая подписка на сомнительные каналы, рекламные звонки и подмена платёжных страниц при попытке оплатить подписку. Бесплатный сыр всё ещё только в мышеловке. Выбирайте сервисы с публичным аудитом и реальной командой за продуктом.

    Заключение

    VPNTYPE, AdGuard VPN и ZoogVPN закрывают задачу «открыть Netflix с американским IP» на 21.05.2026 — каждый под свой сценарий и бюджет. Коротко: VPNTYPE — для тех, кому важна стабильная скорость на 4K с Dolby Atmos и нативный клиент. AdGuard VPN — для пользователей, которые хотят VPN+блокировщик рекламы в одном пакете. ZoogVPN — для тех, кто хочет минимальный бюджет и готов мириться с переполненными серверами в пиковые часы.

    Если статья была полезна — ставьте реакции и пишите в комментариях, какие американские оригиналы Netflix посоветуете в этом сезоне 👍

    Вопрос-ответ

    Почему Netflix показывает ошибку M7111 при подключении к американскому серверу?

    Это сообщение появляется, когда Netflix обнаружил, что вы заходите через прокси или VPN. Сервис проверяет IP по чёрным спискам датацентровых адресов. Решение — переключиться на сервер с residential-IP, такие держит VPNTYPE в стриминговых пулах для США.

    Можно ли смотреть Netflix US бесплатно?

    Сам VPN можно использовать на бесплатном триале, но подписка Netflix остаётся платной. Американская подписка — одна из самых дорогих, но даёт максимум контента в 4K с Dolby Atmos.

    Какой сервер лучше выбрать для Netflix US?

    Для пользователей из европейской части России — Нью-Йорк или Майами через атлантический маршрут. Для Урала и Сибири — Лос-Анджелес или Сиэтл через тихоокеанские хабы.

    Влияет ли VPN на качество видео Netflix?

    Хороший VPN сохраняет 4K с Dolby Vision и Atmos без потерь. Плохой режет битрейт до Full HD или даже HD из-за низкой пропускной способности. WireGuard на VPNTYPE через нью-йоркский сервер почти неотличим от прямого подключения.

    Можно ли смотреть американский Netflix на Smart TV?

    Да, если ваш роутер поддерживает прошивки OpenWRT или DD-WRT, на которых можно настроить VPN. Тогда весь домашний трафик пойдёт через выбранный американский сервер, и Netflix на любом устройстве (включая Apple TV и приставки) увидит библиотеку США.

    Безопасны ли Telegram-боты для VPN на Netflix?

    Нет. Большинство таких ботов логируют трафик, продают агрегированные данные и подменяют DNS. Это удобный канал атаки на ваши банковские аккаунты и сам аккаунт Netflix.

    Что делать, если VPN перестал открывать Netflix США?

    Сначала переподключитесь к другому американскому серверу — лучше из другого города. Если не помогло — очистите кэш браузера и cookies Netflix, перезапустите приложение. У VPNTYPE и AdGuard VPN есть отдельные стриминг-пулы IP, которые обновляются регулярно.

  • 51 Темы
    244 Сообщения
    A

    @Петр-Свешников Спасибо, получилось. Я пока на gpsfake тренируюсь. На практике нужно будет собирать данные с четырех модулей в одно место.

  • 30 Темы
    88 Сообщения
    A

    @Чёрный-Лукич
    Оказалось, что проблема была в моем старом роутере
    С новым все ок стало)

  • 26 Темы
    96 Сообщения
    Чёрный ЛукичЧ

    Да в принципе можно ничего дополнительно не ставить.
    В дистрибутивах raspberry pi OS уже есть всё необходимое для стрима с камеры

    rpicam-vid --nopreview --width 640 --height 480 -t 0 --codec yuv420 -o - | ffmpeg -f rawvideo -pix_fmt yuv420p -s 640x480 -i pipe:0 -c:v libx264 -f rtsp АДРЕС_RTSP_СЕРВЕРА

    В этой команде для кодирования yuv420 используется кодек libx264

    На Raspberry Pi 1-4 поддерживается аппратный энкодер, соответственно libx264 можно поменять на h264_v4l2m2m

  • 2 Темы
    2 Сообщения
    нейробизонН
    Сбор данных

    С пешеходного моста мы сняли на айфон несколько клипов с транспортным потоком. При помощи следующего Python скрипт убрали лишние кадры, оставив только каждый 20й кадр

    import cv2 import sys videoCapture = cv2.VideoCapture('./data/videos/video.MOV') if not videoCapture.isOpened(): logging.error("Cannot open video file") sys.exit(-1) i = 0 j = 0 while True: success, frame = videoCapture.read() if success: cv2.imshow('Display', frame) i += 1 if i % 20 == 0: j += 1 cv2.imwrite(f'./data/images/img_{j:04d}.jpg', frame) key = cv2.waitKey(1) & 0xFF if key == ord('q'): cv2.destroyAllWindows() break

    Для обучения нейросети использовался облачный сервис Edge Impulse Studio, а для упрощения загрузки датасета в этот сервис было установлено консольное приложение Edge Impulse CLI (https://docs.edgeimpulse.com/docs/tools/edge-impulse-cli/cli-installation)

    $ edge-impulse-uploader --category split data/images/*.jpg

    эта команда загрузит изображения в сервис Edge Impulse Studio (далее я буду называть его просто EIS) и разделит их на два датасете - "Training" и "Testing". Сразу после успешного завершения загрузки датасеты будут видны в EIS в разделе Data Acquisition

    4d309c25-75ba-4fd3-bfc1-399c71685b30-image.png

    Теперь мы можем приступить к разметке датасета, используя инструмент "Прямоугольник" во вкладке "Labeling Queue"

    labelling.gif

    Из всех транспортных средств в потоке мы намеренно отметили только легковые автомобили, чтобы в дальнейшем обучить модель распознавать и идентифицировать их.

    Обучение модели Перейдите в раздел "Impulse Design", и выберите пункт "Create Impulse".
    Так как ИИ-акселератор Hailo может работать с изображениями в большом разрешении без потери FPS, то выбираем оптимизацию изображений до размера 640x480 в блоке "Image Data". Нажимаем "Add a processing block" и выбираем "Image". На этом этапе выполняется предварительная обработка и нормализация данных изображения, а также предоставляется возможность выбора глубины цвета. Нажимаем "Add a learning block" и выбираем "Object Detection (Images)". Нажмите кнопку "Save Impulse", чтобы завершить процесс.

    0798c373-2764-42a3-b190-0faa0ec76241-image.png

    В разделе "Image" выберите RGB в качестве формата цвета и нажмите кнопку "Save parameters", чтобы перейти в следующий раздел - "Generate Features"
    1956b467-3c32-4cc4-acd2-681aba289636-image.png

    Теперь мы можем запустить генерацию признаков, нажав кнопку "Generate features"
    После окончания генерации данные будут визуализированы на панели "Feature Explorer"

    5fd7e873-2aaa-4a44-870e-970915306396-image.png

    Переходим на страницу "Object Detection" и нажимаем кнопку "Choose a different model" и выбираем вариант YOLOv5. В выборе размера модели доступны 4 варианта - выбираем вариант Small с 7.2 миллионами параметров. После этого нажимаем кнопку "Start training", чтобы начать обучение. Процесс обучения займёт несколько минут.

    7e787070-2558-4d29-ab1f-d825ff95f174-image.png

    После завершения обучения мы увидим таблицу с оценкой точности и прочими параметрами

    71ee2219-c80d-4021-b2c5-ca9e003077bd-image.png

    8942ab42-e34d-4296-9ef5-72f9a732f1e6-image.png

    Проверка модели

    На странице проверки модели нажмите кнопку «Classify All», которая запустит тестирование модели с обученной моделью float32. Точность составила 97,5%

    e5764d10-bd92-434e-90d0-8b640be5bf0a-image.png

    Конвертация модели в формат HEF

    Чтобы модель могла выполняться на Raspberry Pi AI kit, сгенерированную модель нужно преобразовать в формат Hailo Executable Format (HEF).
    Сначала скачиваем модель в формате ONNX (на скриншоте выделено прямоугольником) из панели управления EIS.

    e71b2a6d-8d5d-4d57-91e1-b491d2da015c-image.png

    Для конвертации нам потребуется компьютер с Linux и процессором x86, на котором мы будем запускать конвертер от разработчиков Hailo.
    Чтобы скачать конвертер (он называется Dataflow Compiler), необходимо зарегистрироваться на сайте https://hailo.ai/developer-zone. Ссылка на скачивание Dataflow Compiler находится в разделе загрузок.
    Screenshot from 2024-11-30 00-01-58.png
    Конвертер устанавливается следующим образом:

    $ python3 -mvenv hailo_dfc && cd hailo_dfc $ source bin/activate $ pip3 install hailo_dataflow_compiler-3.27.0-py3-none-linux_x86_64.whl $ pip3 install opencv-python

    Далее нужно убедиться, что всё правильно установилось

    $ hailo -h [info] First time Hailo Dataflow Compiler is being used. Checking system requirements... (this might take a few seconds) [info] Current Time: 22:19:56, 07/14/24 [info] System info: OS: Linux, Kernel: 5.15.0-113-generic [info] Hailo DFC Version: 3.27.0

    Процесс конвертации состоит нескольких шагов.

    1. Калибровка датасета

    Скачиваем изображения датасета Training из EIS
    Screenshot from 2024-11-30 00-14-36.png

    Пишем пайтон скрипт, который преобразует скаченный тренировочный датасет в NumPy-формат *npy

    import cv2 import os import numpy as np w, h, c = 640, 640, 3 data_dir = './data/training' images_list = os.listdir(data_dir) calib_dataset = np.zeros((len(images_list), w, h, c)) for idx, filename in enumerate(os.listdir(data_dir)): if not filename.endswith('.jpg'): continue filepath = os.path.join(data_dir, filename) img = cv2.imread(filepath) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) x = img.shape[1]/2 - w/2 y = img.shape[0]/2 - h/2 crop_img = img[int(y):int(y+h), int(x):int(x+w)] calib_dataset[idx, :, :, :] = crop_img np.save('calib_dataset.npy', calib_dataset) 2. Преобразование модели

    Следующий скрипт преобразует модель ONNX во внутреннее представлении Hailo и генерирует файл архива Hailo (HAR).

    from hailo_sdk_client import ClientRunner model_name = 'ei-car-yolov5s' onnx_path = f'{model_name}.onnx' chosen_hw_arch = 'hailo8l' runner = ClientRunner(hw_arch=chosen_hw_arch) hn, npz = runner.translate_onnx_model( onnx_path, model_name, start_node_names=['images'], end_node_names=['/model.24/m.0/Conv', '/model.24/m.2/Conv', '/model.24/m.1/Conv'], net_input_shapes={'images': [1, 3, 640, 640]}) runner.save_har(f'{model_name}.har') 3. Оптимизация модели

    Следующий скрипт используется для оптимизации модели, преобразования ее из полной точности в целочисленное представление и генерации квантованного файла Hailo Archive (HAR). Этот скрипт включает нормализацию входных данных модели и подавление немаксимальных значений (NMS) на выходных данных модели.

    from hailo_sdk_client import ClientRunner import numpy as np model_name = 'ei-car-yolov5s' alls = [ 'normalization1 = normalization([0.0, 0.0, 0.0], [255.0, 255.0, 255.0])\n', 'nms_postprocess(meta_arch=yolov5, engine=cpu, nms_scores_th=0.2, nms_iou_th=0.4, classes=1)\n', ] har_path = f'{model_name}.har' calib_dataset = np.load('./calib_dataset.npy') runner = ClientRunner(har=har_path) runner.load_model_script(''.join(alls)) runner.optimize(calib_dataset) runner.save_har(f'{model_name}_quantized.har') 4. Компиляция модели

    Этот скрит компилирует квантованный архив Hailo (HAR) и генерирует модель в формате HEF (Hailo Executable Format)

    from hailo_sdk_client import ClientRunner model_name = 'ei-car-yolov5s' quantized_model_har_path = f'{model_name}_quantized.har' runner = ClientRunner(har=quantized_model_har_path) hef = runner.compile() file_name = f'{model_name}.hef' with open(file_name, 'wb') as f: f.write(hef)

    Теперь скопируем полученный HEF файл (в данном случае ei-car-yolov5s.hef) на Raspberry Pi с установленным ИИ-акселератором AI-kit. Можно оценить производительность модели следующими командами, которые показываеют результат 63 FPS, что весьма впечатляюще.

    $ hailortcli run ei-car-yolov5s.hef Running streaming inference (ei-car-yolov5s.hef): Transform data: true Type: auto Quantized: true Network ei-car-yolov5s/ei-car-yolov5s: 100% | 317 | FPS: 63.33 | ETA: 00:00:00 > Inference result: Network group: ei-carhef-yolov5s Frames count: 317 FPS: 63.33 Send Rate: 622.54 Mbit/s Recv Rate: 77.33 Mbit/s Испытания

    Подключите и настройте AI kit согласно инструкции
    Настроим виртуальную среду окружения Python используя скрипт из базы примеров Hailo для raspberry pi

    $ git clone https://github.com/hailo-ai/hailo-rpi5-examples.git $ cd hailo-rpi5-examples $ source setup_env.sh $./compile_postprocess.sh $ pip3 install supervision

    В папке hailo-rpi5-example/resources создаём конфигурационный файл yolov5.json следующего содержания:

    { "iou_threshold": 0.45, "detection_threshold": 0.7, "output_activation": "none", "label_offset":1, "max_boxes":200, "anchors": [ [ 116, 90, 156, 198, 373, 326 ], [ 30, 61, 62, 45, 59, 119 ], [ 10, 13, 16, 30, 33, 23 ] ], "labels": [ "unlabeled", "car" ] }

    В эту же папку копируем ранее созданную HEF модель.
    В качестве отправной точки будем использовать пример detection.py из hailo-rpi5-example, немного его модифицировав - меняем пайплайн GStreamer таким образом, чтобы включить элемент HailoTracker, чтобы после того как машина обнаружена прямоугольник с неё не убирался пока она не исчезнет из кадра.
    Для подсчёта машин используется библиотека Roboflow Supervision.
    Модифицированный detection.py выглядит так:

    import gi gi.require_version('Gst', '1.0') from gi.repository import Gst, GLib import os import argparse import multiprocessing import numpy as np import setproctitle import cv2 import time import hailo import supervision as sv from hailo_rpi_common import ( get_default_parser, QUEUE, get_caps_from_pad, get_numpy_from_buffer, GStreamerApp, app_callback_class, ) # ----------------------------------------------------------------------------------------------- # User-defined class to be used in the callback function # ----------------------------------------------------------------------------------------------- # Inheritance from the app_callback_class class user_app_callback_class(app_callback_class): def __init__(self): super().__init__() self.new_variable = 42 # New variable example def new_function(self): # New function example return "The meaning of life is: " # ----------------------------------------------------------------------------------------------- # User-defined callback function # ----------------------------------------------------------------------------------------------- # This is the callback function that will be called when data is available from the pipeline def app_callback(pad, info, user_data): # Get the GstBuffer from the probe info buffer = info.get_buffer() # Check if the buffer is valid if buffer is None: return Gst.PadProbeReturn.OK # Get the detections from the buffer roi = hailo.get_roi_from_buffer(buffer) hailo_detections = roi.get_objects_typed(hailo.HAILO_DETECTION) n = len(hailo_detections) # Get the caps from the pad _, w, h = get_caps_from_pad(pad) boxes = np.zeros((n, 4)) confidence = np.zeros(n) class_id = np.zeros(n) tracker_id = np.empty(n) for i, detection in enumerate(hailo_detections): class_id[i] = detection.get_class_id() confidence[i] = detection.get_confidence() tracker_id[i] = detection.get_objects_typed(hailo.HAILO_UNIQUE_ID)[0].get_id() bbox = detection.get_bbox() boxes[i] = [bbox.xmin() * w, bbox.ymin() * h, bbox.xmax() * w, bbox.ymax() * h] detections = sv.Detections( xyxy=boxes, confidence=confidence, class_id=class_id, tracker_id=tracker_id) #print(tracker_id, confidence, boxes) line_zone.trigger(detections) textoverlay = app.pipeline.get_by_name("hailo_text") textoverlay.set_property('text', f'OUT: {line_zone.in_count} | IN: {line_zone.out_count}') textoverlay.set_property('font-desc', 'Sans 36') return Gst.PadProbeReturn.OK # ----------------------------------------------------------------------------------------------- # User Gstreamer Application # ----------------------------------------------------------------------------------------------- # This class inherits from the hailo_rpi_common.GStreamerApp class class GStreamerDetectionApp(GStreamerApp): def __init__(self, args, user_data): # Call the parent class constructor super().__init__(args, user_data) # Additional initialization code can be added here # Set Hailo parameters these parameters should be set based on the model used self.batch_size = 1 self.network_width = 640 self.network_height = 640 self.network_format = "RGB" nms_score_threshold = 0.3 nms_iou_threshold = 0.45 # Temporary code: new postprocess will be merged to TAPPAS. # Check if new postprocess so file exists new_postprocess_path = os.path.join(self.current_path, '/home/naveen/hailo-rpi5-examples/resources/libyolo_hailortpp_post.so') if os.path.exists(new_postprocess_path): self.default_postprocess_so = new_postprocess_path else: self.default_postprocess_so = os.path.join(self.postprocess_dir, 'libyolo_hailortpp_post.so') if args.hef_path is not None: self.hef_path = args.hef_path # Set the HEF file path based on the network elif args.network == "yolov6n": self.hef_path = os.path.join(self.current_path, '../resources/yolov6n.hef') elif args.network == "yolov8s": self.hef_path = os.path.join(self.current_path, '../resources/yolov8s_h8l.hef') elif args.network == "yolox_s_leaky": self.hef_path = os.path.join(self.current_path, '../resources/yolox_s_leaky_h8l_mz.hef') else: assert False, "Invalid network type" # User-defined label JSON file if args.labels_json is not None: self.labels_config = f' config-path={args.labels_json} ' # Temporary code if not os.path.exists(new_postprocess_path): print("New postprocess so file is missing. It is required to support custom labels. Check documentation for more information.") exit(1) else: self.labels_config = '' self.app_callback = app_callback self.thresholds_str = ( f"nms-score-threshold={nms_score_threshold} " f"nms-iou-threshold={nms_iou_threshold} " f"output-format-type=HAILO_FORMAT_TYPE_FLOAT32" ) # Set the process title setproctitle.setproctitle("Hailo Detection App") self.create_pipeline() def get_pipeline_string(self): if self.source_type == "rpi": source_element = ( #"libcamerasrc name=src_0 auto-focus-mode=AfModeManual ! " "libcamerasrc name=src_0 auto-focus-mode=2 ! " f"video/x-raw, format={self.network_format}, width=1536, height=864 ! " + QUEUE("queue_src_scale") + "videoscale ! " f"video/x-raw, format={self.network_format}, width={self.network_width}, height={self.network_height}, framerate=60/1 ! " #f"video/x-raw, format={self.network_format}, width={self.network_width}, height={self.network_height} ! " ) elif self.source_type == "usb": source_element = ( f"v4l2src device={self.video_source} name=src_0 ! " "video/x-raw, width=640, height=480, framerate=30/1 ! " ) else: source_element = ( f"filesrc location={self.video_source} name=src_0 ! " + QUEUE("queue_dec264") + " qtdemux ! h264parse ! avdec_h264 max-threads=2 ! " " video/x-raw, format=I420 ! " ) source_element += QUEUE("queue_scale") source_element += "videoscale n-threads=2 ! " source_element += QUEUE("queue_src_convert") source_element += "videoconvert n-threads=3 name=src_convert qos=false ! " source_element += f"video/x-raw, format={self.network_format}, width={self.network_width}, height={self.network_height}, pixel-aspect-ratio=1/1 ! " pipeline_string = ( "hailomuxer name=hmux " + source_element + "tee name=t ! " + QUEUE("bypass_queue", max_size_buffers=20) + "hmux.sink_0 " + "t. ! " + QUEUE("queue_hailonet") + "videoconvert n-threads=3 ! " f"hailonet hef-path={self.hef_path} batch-size={self.batch_size} {self.thresholds_str} force-writable=true ! " + QUEUE("queue_hailofilter") + f"hailofilter so-path={self.default_postprocess_so} {self.labels_config} qos=false ! " + QUEUE("queue_hailotracker") + "hailotracker keep-tracked-frames=3 keep-new-frames=3 keep-lost-frames=3 ! " + QUEUE("queue_hmuc") + "hmux.sink_1 " + "hmux. ! " + QUEUE("queue_hailo_python") + QUEUE("queue_user_callback") + "identity name=identity_callback ! " + QUEUE("queue_hailooverlay") + "hailooverlay ! " + QUEUE("queue_videoconvert") + "videoconvert n-threads=3 qos=false ! " + QUEUE("queue_textoverlay") + "textoverlay name=hailo_text text='' valignment=top halignment=center ! " + QUEUE("queue_hailo_display") + f"fpsdisplaysink video-sink={self.video_sink} name=hailo_display sync={self.sync} text-overlay={self.options_menu.show_fps} signal-fps-measurements=true " ) print(pipeline_string) return pipeline_string if __name__ == "__main__": # Create an instance of the user app callback class user_data = user_app_callback_class() START = sv.Point(0, 340) END = sv.Point(640, 340) line_zone = sv.LineZone(start=START, end=END, triggering_anchors=(sv.Position.BOTTOM_LEFT, sv.Position.BOTTOM_RIGHT)) parser = get_default_parser() # Add additional arguments here parser.add_argument( "--network", default="yolov6n", choices=['yolov6n', 'yolov8s', 'yolox_s_leaky'], help="Which Network to use, default is yolov6n", ) parser.add_argument( "--hef-path", default=None, help="Path to HEF file", ) parser.add_argument( "--labels-json", default=None, help="Path to costume labels JSON file", ) args = parser.parse_args() app = GStreamerDetectionApp(args, user_data) app.run() Применение на записанных видеофайлах python3 detection.py --hef-path ../resources/ei-car-yolov5s.hef --input rpi --labels-json ../resources/yolov5.json --show-fps Применение на потоке с камеры $ python3 detection.py --hef-path ../resources/ei-car-yolov5s.hef --input rpi --labels-json ../resources/yolov5.json --show-fps

  • 5 Темы
    9 Сообщения
    нейробизонН

    жалко NVidia нельзя подключить, чтобы использовать CUDA.
    или у каких-нибудь умельцев уже получилось видеокарты NVIdia подулючить к RasPi?

  • 13 Темы
    53 Сообщения
    piP

    Недавно нашел у себя USB-GPS приемник, если не ошибаюсь модель от GlobalSat BU 353. Вот и решил его подключить к Raspberry Pi. После подключения он обнаружился хорошо , проблем вообще не было никаких:

    #lsusb Bus 001 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub Bus 001 Device 002: ID 0424:9512 Standard Microsystems Corp. Bus 001 Device 003: ID 0424:ec00 Standard Microsystems Corp. Bus 001 Device 004: ID 067b:2303 Prolific Technology, Inc. PL2303 Serial PortBus 001 Device 005: ID 2341:0043 Arduino SA Uno R3 (CDC ACM)

    Вот наш девайс: Prolific Technology, Inc. PL2303 Serial Port

    В /dev/ появилось новое устройство ttyUSB0, к нему и будем подключаться, насколько я помню, у большинства подобных девайсов скорость 4800. Ниже скрипт на PHP с использованием свободной библиотеки php_serial.class.php, с ней довольно просто работать.

    #!/usr/bin/php5 // подключаем библиотеку require("php_serial.class.php"); $serial=new phpSerial(); // выбираем порт $serial->deviceSet("/dev/ttyUSB0"); // скорость $serial->confBaudRate(4800); // ниже параметры как правило стандартные $serial->confParity("none"); $serial->confCharacterLength(8); $serial->confStopBits(1); $serial->confFlowControl("none"); // открываем порт $serial->deviceOpen(); $loop=1; while($loop==1){ $get=$serial->readPort(); // если включить print , то будут все строки NMEA протокола // print $get; if(substr($get,1,5) == "GPGGA") { // если включить print , то будет только $GPGGA //print $get; // парсим строку list($gga,$time,$lat,$NS,$lng,$EW,$state)=explode(",",$get); /* расшифровка строки $GPGGA,155004.000,4253.9372,N,04108.1511,E,1,08,1.2,18.4,M,27.4,M,,0000*68$GPGGA -- название пакета 155004.000 -- время гринвич 4253.9372,N,-- широта 04108.1511,E,-- доолгота 1-- если 1 то данные достоверны , если 0 то данные сомнительные в данном случае это переменная $state остальное можно прочитать в справочниках по NMEA протоколу,08,1.2,18.4,M,27.4,M,,0000*68*/ if($state == "1") { /* сохраняем в текстовый файл , но не обязательно, можно закомментировать и использовать перенаправление через print, типа #./gps.php > куда то, или #./gps.php | proga.sh */ // путь куда положить файл $fp=fopen('/h/pi/robot/gps/gga.txt','wt'); if($fp) { fputs($fp,$get); // print $get; } fclose($fp); //ставим задержку 10 секунд , но реально лучше ставить минуты 3-5 , зависит от задачи sleep(10); } }} $serial->deviceClose();?>

    Это был простой пример , как получить данные из GPS приемника, обработку полученных данных можно реализовать разными способами, равно как и запуск скрипта. Я поставил периодичность запросов 10 секунд чисто для примера, хотя можно убрать sleep(10) и запускаться через cron.

    Ниже рабочий пример скрипта для отображения координат на картах Google.

    // получим данные из текстового файла $gga=shell_exec("cat /home/pi/robot/gps/gga.txt"); // пропарсим строку list($gga,$time,$lat,$NS,$lng,$EW,$state)=explode(",",$gga); // показываем полученные данные print "Time: ".$time." Lat: ".$lat." Lang: ".$lng." State: ".$state; // преобразуем широту и долготу к формату Google $Lat=round(floor($lat/100)+(($lat/100)-floor($lat/100))/0.6,6); $Lng=round(floor($lng/100)+(($lng/100)-floor($lng/100))/0.6,6); // диаметр круга $Acc="20"; // дальше обработка данных средствами Google API 3 print " Google Maps JavaScript API v3(Street View) function initialize() { var moscow = new google.maps.LatLng(".$Lat.",".$Lng."); var mapOptions = {center: moscow,zoom: 18,mapTypeId: google.maps.MapTypeId.SATELLITE,panControl: false,zoomControl: true,mapTypeControl: false,scaleControl: false}; var map = new google.maps.Map(document.getElementById(\"map_canvas\"), mapOptions); var circle = new google.maps.Circle({radius: ".$Acc.",map: map, center: moscow,fillOpacity: 0.2,strokeOpacity: 0.5,strokeColor: '#00CCCC', fillColor: '#33CCFF', strokeWeight: 1 }); var marker = new google.maps.Marker({position: moscow,map: map,title:\"Lat:".$Lat." Long:".$Lng." Acc:".$Acc." \" }); } "; ?>

  • 1 Темы
    2 Сообщения
    piP

    Ктонить встречал инфу, как из computer module3 сделать computer module 3 lite, как сжеч память на модуле?

  • 38 Темы
    140 Сообщения
    gerundG

    Кто-нибудь пробовал такой дисплей подключать?
    https://www.waveshare.com/wiki/5.5inch_1440x2560_LCD
    737a9662-eb69-4f5b-b133-1c47c1514c71-image.png

  • 7 Темы
    19 Сообщения
    N

    Придется ответить самому на свой вопрос.
    На втором ядре асинхронный цикл запустить проблематично, согласно информации в этой ссылке https://github.com/orgs/micropython/discussions/16899#discussioncomment-12475949