Sisällysluettelo:
2025 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2025-01-23 14:44
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.
Suositeltava:
Tekoäly ja kuvan tunnistus HuskyLens -objektiivilla: 6 vaihetta (kuvilla)
Tekoäly ja kuvan tunnistus HuskyLensin avulla: Hei, mitä kuuluu, kaverit! Tässä projektissa aiomme tarkastella DFRobotin HuskyLens -objektiivia. Se on tekoälykäyttöinen kameramoduuli, joka pystyy suorittamaan useita tekoälyoperaatioita, kuten kasvojentunnistusta
Kuvan tunnistus K210 -levyillä ja Arduino IDE/Micropython: 6 vaihetta (kuvilla)
Kuvan tunnistus K210 -levyillä ja Arduino IDE/Micropythonilla: Kirjoitin jo yhden artikkelin OpenMV -demojen suorittamisesta Sipeed Maix Bitillä ja tein myös videon objektin havaitsemisdemosta tällä levyllä. Yksi monista kysymyksistä, joita ihmiset ovat esittäneet, on - kuinka voin tunnistaa objektin, jota hermoverkko ei ole
Kuvankäsittely Raspberry Pi: llä: OpenCV: n asentaminen ja kuvan värin erotus: 4 vaihetta
Kuvankäsittely Raspberry Pi: llä: OpenCV: n ja kuvan värin erottamisen asentaminen: Tämä viesti on ensimmäinen useista kuvankäsittelyoppaista, joita on tarkoitus seurata. Katsomme tarkemmin kuvan muodostavia pikseleitä, opimme asentamaan OpenCV: n Raspberry Pi -laitteeseen ja kirjoitamme myös testikomentosarjoja kuvan ottamiseksi ja myös
Kasvojen tunnistus ja tunnistus - Arduino -kasvotunnus OpenCV Pythonin ja Arduinon avulla .: 6 vaihetta
Kasvojen tunnistus ja tunnistus | Arduino -kasvotunnus OpenCV Pythonin ja Arduinon avulla .: Kasvontunnistus AKA -kasvotunnus on yksi tärkeimmistä ominaisuuksista matkapuhelimissa nykyään. Joten minulla oli kysymys " voinko saada kasvotunnuksen Arduino -projektilleni " ja vastaus on kyllä … Matkani alkoi seuraavasti: Vaihe 1: Pääsy
Kohteen tunnistus W/ Dragonboard 410c tai 820c OpenCV: n ja Tensorflow: n avulla: 4 vaihetta
Objektien tunnistus W/ Dragonboard 410c tai 820c OpenCV: n ja Tensorflow: n avulla: Tässä ohjeessa kuvataan, miten asennetaan OpenCV-, Tensorflow- ja koneoppimiskehykset Python 3.5: lle Objektitunnistus -sovelluksen suorittamiseksi