在交通管理中，速度检测是确保道路安全的关键环节。传统的基于雷达或激光的速度检测器成本昂贵，而且部署复杂。本文将指导如何使用深度学习技术，仅通过Raspberry Pi这样的边缘设备，构建一个准确度合理的交通速度检测器。
在开始之前，假设已经具备Python编程基础，并对人工智能及神经网络有一定的了解。将使用Visual Studio Code（VS Code）及其远程开发功能，结合Python语言支持，来在熟悉的Windows环境下为Raspberry Pi编写和调试应用程序。
首先，确保系统中安装了Python 3.7或更高版本，并将其添加到环境变量中。接下来，将在Windows 10上设置跨平台计算机视觉和机器学习项目的开发环境。
# 创建并激活虚拟环境
python -m venv cv
# 克隆TrafficCV代码库
git clone https://github.com/allisterb/TrafficCV
# 安装OpenCV依赖
sudo apt-get install python3-opencv
# 安装TrafficCV Python依赖
pip install -r requirements.txt
# 安装TensorFlow Lite运行时库
pip install tflite-runtime
# 如果需要使用Coral USB加速器，安装Edge TPU运行时
pip install edgetpu-runtime
完成上述步骤后，需要测试OpenCV是否安装成功。在Windows上，运行以下命令：
tcv --test
在Raspberry Pi或Linux计算机上，需要将X服务器显示作为tcv脚本的第一个参数传递。例如：
./tcv MYCOMP:0.0 --test
或者在本地显示上运行：
./tcv $DISPLAY --test
在Windows机器上不需要这个参数，因为OpenCV将始终使用本地桌面显示。
TrafficCV是一个跨平台的Python程序，可以在交通流量的实时流或视频上运行对象检测模型，以计算和提取交通信息，如车辆速度、车辆类别以及通过感兴趣区域（ROI）的车辆数量。可以使用--model参数指定要运行的模型，使用--video参数指定视频源，以及可选的--args参数指定模型和检测器参数。