Kuvan tunnistus TensorFlow -toiminnolla Raspberry Pi: 6 vaihetta

2024 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2024-01-30 09:02

Google TensorFlow on avoimen lähdekoodin ohjelmistokirjasto numeeriseen laskentaan, joka käyttää datavirtakaavioita. Google käyttää sitä eri koneoppimisen ja syvän oppimisen teknologioiden aloilla. TensorFlow on alun perin kehittänyt Google Brain Team ja se on julkaistu julkisesti, kuten GitHub.

Lisää opetusohjelmia löydät blogistamme. Hanki Raspberry Pi FactoryForwardilta - Hyväksytty jälleenmyyjä Intiasta.

Lue tämä opetusohjelma blogistamme täältä.

Vaihe 1: Koneoppiminen

Koneoppiminen ja syväoppiminen kuuluvat tekoälyn (AI) piiriin. Koneoppiminen tarkkailee ja analysoi saatavilla olevaa tietoa ja parantaa sen tuloksia ajan myötä.

Esimerkki: YouTuben suosittelemat videot -ominaisuus. Se näyttää aiheeseen liittyviä videoita, jotka olet katsonut aiemmin. Ennuste rajoittuu vain tekstipohjaisiin tuloksiin. Mutta syvä oppiminen voi mennä syvemmälle kuin tämä.

Vaihe 2: Syväoppiminen

Syväoppiminen on melkein samanlainen kuin se, mutta se tekee tarkemman päätöksen itse keräämällä erilaisia tietoja kohteesta. Siinä on monia analyysikerroksia ja se tekee päätöksen sen mukaan. Prosessin nopeuttamiseksi se käyttää neuroverkkoa ja antaa meille tarkemman tuloksen, jota tarvitsimme (tarkoittaa parempaa ennustusta kuin ML). Jotain sellaista kuin ihmisen aivot ajattelevat ja tekevät päätöksiä.

Esimerkki: Kohteen tunnistus. Se tunnistaa, mitä kuvassa on käytettävissä. Jotain samanlaista, että voit erottaa Arduinon ja Raspberry Pi: n ulkonäön, koon ja värien mukaan.

Se on laaja aihe ja sillä on erilaisia sovelluksia.

Vaihe 3: Esivaatimukset

TensorFlow ilmoitti virallisesta tuesta Raspberry Pi: lle, versiosta 1.9 alkaen se tukee Raspberry Pi -ohjelmaa pip -paketin asennuksella. Näemme kuinka asentaa se Raspberry Pi -laitteeseemme tässä opetusohjelmassa.

• Python 3.4 (suositus)
• Raspberry Pi
• Virtalähde
• Raspbian 9 (venytys)

Vaihe 4: Päivitä Raspberry Pi ja sen paketit

Vaihe 1: Päivitä Raspberry Pi ja sen paketit.

sudo apt-get päivitys

sudo apt-get päivitys

Vaihe 2: Tarkista tämän komennon avulla, että sinulla on uusin python -versio.

python3 -versio

On suositeltavaa käyttää vähintään Python 3.4.

Vaihe 3: Meidän on asennettava libatlas -kirjasto (ATLAS - Automatically Tuned Linear Algebra Software). Koska TensorFlow käyttää numpy. Joten asenna se käyttämällä seuraavaa komentoa

sudo apt install libatlas-base-dev

Vaihe 4: Asenna TensorFlow Pip3 -asennuskomennolla.

pip3 asenna tensorflow

Nyt TensorFlow on asennettu.

Vaihe 5: Kuvan ennustaminen Imagenet -mallin avulla Esimerkki:

TensorFlow on julkaissut mallin kuvien ennustamiseksi. Sinun on ensin ladattava malli ja suoritettava se.

Vaihe 1: Lataa mallit suorittamalla seuraava komento. Sinun on ehkä asennettava git.

git -klooni

Vaihe 2: Siirry imagenet -esimerkkiin.

cd -mallit/opetusohjelmat/image/imagenet

Asiantuntijavinkki: Uudesta Raspbian Stretchistä löydät "classify_image.py" -tiedoston manuaalisesti ja napsauta sitä sitten hiiren kakkospainikkeella. Valitse Kopioi polku (t). Liitä se sitten terminaaliin cd: n jälkeen ja paina enter. Tällä tavalla voit navigoida nopeammin ilman virheitä (jos kirjoitusvirhe tai tiedoston nimi muuttuu uusissa päivityksissä).

Käytin Kopioi polku (t) -menetelmää, joten se sisältää kuvan tarkan polun (/home/pi).

Vaihe 3: Suorita esimerkki tällä komennolla. Ennustetun tuloksen näyttäminen kestää noin 30 sekuntia.

python3 classify_image.py

Vaihe 6: Mukautettu kuvan ennustus

Voit myös ladata kuvan Internetistä tai käyttää omaa kameraasi otettua kuvaa ennustamiseen. Käytä parempia tuloksia käyttämällä vähemmän muistikuvia.

Voit käyttää mukautettuja kuvia seuraavalla tavalla. Minulla on kuvatiedosto sijainnissa "/home/pi/Downloads/TensorImageTest1.jpg". Korvaa tämä vain tiedoston sijainnilla ja nimellä. Käytä”Kopiointipolkuja” helpottaaksesi navigointia.

python3 classify_image.py --image_file =/home/pi/Lataukset/TensorImageTest1.jpg

Voit myös kokeilla muita esimerkkejä. Mutta sinun on asennettava tarvittavat paketit ennen suorittamista. Käsittelemme mielenkiintoisia TensorFlow -aiheita tulevissa opetusohjelmissa.