Rozpoznawanie obrazu za pomocą TensorFlow na Raspberry Pi: 6 kroków

2024 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2024-01-30 11:31

Google TensorFlow to biblioteka oprogramowania typu Open Source do obliczeń numerycznych przy użyciu wykresów przepływu danych. Jest używany przez Google w różnych dziedzinach technologii uczenia maszynowego i głębokiego uczenia. TensorFlow został pierwotnie opracowany przez zespół Google Brain i jest opublikowany w domenie publicznej, takiej jak GitHub.

Więcej samouczków znajdziesz na naszym blogu. Uzyskaj Raspberry Pi od FactoryForward - zatwierdzonego sprzedawcy w Indiach.

Przeczytaj ten samouczek na naszym blogu tutaj.

Krok 1: Uczenie maszynowe

Uczenie maszynowe i głębokie uczenie zostaną objęte sztuczną inteligencją (AI). Uczenie maszynowe będzie obserwować i analizować dostępne dane i z czasem poprawiać ich wyniki.

Przykład: funkcja filmów polecanych przez YouTube. Pokazuje podobne filmy, które oglądałeś wcześniej. Prognoza jest ograniczona tylko do wyników tekstowych. Ale głębokie uczenie się może zajść głębiej.

Krok 2: Głębokie uczenie

Głębokie uczenie jest prawie podobne do tego, ale samodzielnie podejmuje trafniejsze decyzje, zbierając różne informacje o obiekcie. Ma wiele warstw analizy i na jej podstawie podejmuje decyzję. Aby przyspieszyć proces, wykorzystuje sieć neuronową i zapewnia nam dokładniejszy wynik, którego potrzebowaliśmy (oznacza lepsze przewidywanie niż ML). Coś w rodzaju tego, jak ludzki mózg myśli i podejmuje decyzje.

Przykład: Wykrywanie obiektów. Wykrywa, co jest dostępne na obrazie. Coś podobnego, co można odróżnić Arduino i Raspberry Pi po jego wyglądzie, rozmiarze i kolorach.

Jest to obszerny temat i ma różne zastosowania.

Krok 3: Wymagania wstępne

TensorFlow ogłosił oficjalne wsparcie dla Raspberry Pi, od wersji 1.9 będzie obsługiwać Raspberry Pi przy użyciu instalacji pakietu pip. W tym samouczku zobaczymy, jak zainstalować go na naszym Raspberry Pi.

• Python 3.4 (zalecane)
• Malina Pi
• Zasilacz
• Raspbian 9 (rozciągliwy)

Krok 4: Zaktualizuj swoje Raspberry Pi i jego pakiety

Krok 1: Zaktualizuj swoje Raspberry Pi i jego pakiety.

aktualizacja sudo apt-get

sudo apt-get upgrade

Krok 2: Sprawdź, czy masz najnowszą wersję Pythona, używając tego polecenia.

python3 –-wersja

Zalecane jest posiadanie przynajmniej Pythona 3.4.

Krok 3: Musimy zainstalować bibliotekę libatlas (ATLAS - Automatically Tuned Linear Algebra Software). Ponieważ TensorFlow używa numpy. Więc zainstaluj go za pomocą następującego polecenia

sudo apt zainstaluj libatlas-base-dev

Krok 4: Zainstaluj TensorFlow za pomocą polecenia instalacji Pip3.

pip3 zainstaluj tensorflow

Teraz TensorFlow jest zainstalowany.

Krok 5: Przewidywanie obrazu przy użyciu modelu Imagenet Przykład:

TensorFlow opublikował model do przewidywania obrazów. Musisz najpierw pobrać model, a następnie go uruchomić.

Krok 1: Uruchom następujące polecenie, aby pobrać modele. Być może będziesz musiał zainstalować git.

klon git

Krok 2: Przejdź do przykładu imagenet.

modele cd/samouczki/image/imagenet

Wskazówka dla profesjonalistów: W nowym Raspbian Stretch możesz ręcznie znaleźć plik „classify_image.py”, a następnie „Kliknij prawym przyciskiem myszy”. Wybierz „Kopiuj ścieżki”. Następnie wklej go w terminalu po „cd” i naciśnij enter. W ten sposób możesz nawigować szybciej bez żadnych błędów (w przypadku błędów ortograficznych lub zmiany nazwy pliku w nowych aktualizacjach).

Użyłem metody „Copy Path(s)”, aby zawierała dokładną ścieżkę na obrazie (/home/pi).

Krok 3: Uruchom przykład za pomocą tego polecenia. Wyświetlenie przewidywanego wyniku zajmie około 30 sekund.

python3 classify_image.py

Krok 6: Niestandardowe przewidywanie obrazu

Możesz także pobrać obraz z Internetu lub użyć własnego obrazu zrobionego aparatem do prognozowania. Aby uzyskać lepsze wyniki, używaj mniej obrazów pamięci.

Aby użyć niestandardowych obrazów, użyj następującego sposobu. Mam plik obrazu w lokalizacji „/home/pi/Downloads/TensorImageTest1.jpg”. Po prostu zastąp to lokalizacją i nazwą pliku. Użyj opcji „Kopiuj ścieżki”, aby ułatwić nawigację.

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

Możesz też wypróbować inne przykłady. Ale musisz zainstalować niezbędne pakiety przed wykonaniem. W nadchodzących samouczkach omówimy kilka interesujących tematów związanych z TensorFlow.