Kezdje el a képfelismerést a TensorFlow és a Raspberry Pi használatával

Hirdetés

A TensorFlow a Google Neural Network könyvtára. Mivel a gépi tanulás jelenleg a legforróbb dolog, nem meglepő, hogy a Google az élen jár az új technológia vezetésében.

Ebben a cikkben megtudhatja, hogyan telepítheti a TensorFlow-ot a Raspberry Pi-re, és hogyan futtathatja az egyszerű képosztályozást egy előre képzett neurális hálózaton.

Elkezdeni

A képfelismerés elindításához szüksége lesz egy Raspberry Pi-re (bármely modell működni fog) és egy SD-kártyára a Raspbian Stretch (9.0+) operációs rendszerrel (ha még nem ismeri a Raspberry Pi-t, akkor használja a Telepítési útmutató).

Indítsuk el a Pi-t, és nyissuk meg a terminál ablakot. Ellenőrizze, hogy a Pi naprakész-e, és ellenőrizze a Python verzióját.

sudo apt-get frissítés. python - fordítás. python3 - fordítás

Ehhez az oktatóanyaghoz egyaránt használhatja a Python 2.7-et vagy a Python 3.4+ -ot. Ez a példa a Python 3-ra vonatkozik. A Python 2.7 esetén cserélje ki Python3 val vel Pitonés PIP3 val vel csipog ezen oktatóanyag egészében.

A Pip a Python csomagkezelője, általában a Linux disztribúciókon alapértelmezetten telepítve.

Ha úgy találja, hogy még nem rendelkezik, kövesse a telepítés Linux utasításokhoz A Python PIP telepítése Windows, Mac és Linux rendszerekenSzámos Python-fejlesztő a PIP nevû eszközre támaszkodik a Python számára, hogy ésszerûsítse a fejlesztést. A következőképpen telepítheti a Python PIP-t. Olvass tovább ebben a cikkben a telepítéshez.

A TensorFlow telepítése

A TensorFlow telepítése korábban nagyon bosszantó folyamat volt, ám a legújabb frissítés hihetetlenül egyszerűvé teszi. Noha ezt az oktatóanyagot bármilyen előzetes ismeret nélkül követheti, érdemes lehet megérteni a a gépi tanulás alapjai mielőtt kipróbálná.

A TensorFlow telepítése előtt telepítse a Atlasz könyvtár.

sudo apt install libatlas-base-dev

Ha ez befejeződött, telepítse a TensorFlow fájlt a pip3-on

pip3 install - felhasználói tensorflow

Ez telepíti a TensorFlow-ot a bejelentkezett felhasználó számára. Ha inkább a virtuális környezet Tanulja meg, hogyan kell használni a Python virtuális környezetetAkár tapasztalt Python-fejlesztő, akár éppen most kezdődik, minden Python-projekthez nélkülözhetetlen a virtuális környezet beállításának megtanulása. Olvass tovább , módosítsa itt a kódját, hogy tükrözze ezt.

TensorFlow tesztelése

A telepítés után kipróbálhatja, hogy működik-e a a TensorFlow megfelelőjével Helló Világ!

A parancssorból hozzon létre egy új Python szkriptet a nano vagy életkedv (Ha nem biztos benne, melyiket használja, mindkettőnek vannak előnyei), és nevezze meg olyasmi, amit könnyen megjegyez.

sudo nano tftest.py. 

Írja be ezt a kódot, amelyet a TensorFlow teszteléséhez a Google biztosított:

import tensorflow mint tf. hello = tf.constant ('Hello, TensorFlow!') sess = tf. Ülés() nyomtatás (sess.run (hello))

Ha nano-t használ, lépjen ki a megnyomásával Ctrl + X és mentse a fájlt gépeléssel Y amikor megkérdezi.

Futtassa a kódot a terminálról:

python3 tftest.py. 

A „Hello, TensorFlow” feliratot kell látnia.

A Python 3.5 futtatásakor számos futási figyelmeztetést kap. A hivatalos TensorFlow oktatóanyagok elismerik, hogy ez történik, és azt javasolja, hogy hagyja figyelmen kívül.

Működik! Most tegyen valami érdekeset a TensorFlow-val.

A képosztály telepítése

A terminálon hozzon létre egy könyvtárat a projekthez az otthoni könyvtárban, és keresse meg azt.

mkdir tf1. CD tf1. 

A TensorFlow rendelkezik egy git tárolóval, amely példákkal szolgál a kipróbálásra. Klónozza a lerakatot az új könyvtárba:

git klón https://github.com/tensorflow/models.git. 

A képminősítési példát szeretné használni, amely megtalálható a következő webhelyen: modellek / oktató / kép / imagenet. Keresse meg a mappát most:

CD modellek / oktatóanyagok / image / imagenet. 

A szabványos képosztályozó szkript a panda adott képével fut:

A normál képosztályozó futtatásához a mellékelt panda képpel írja be:

python3 classify_image.py. 

Ez egy panda képét továbbítja az ideghálózathoz, amely kitalálást ad arra vonatkozóan, hogy mi a kép a bizonyosságának értékével.

Amint a kimeneti kép mutatja, az idegháló helyesen kitalálta, közel 90 százalékos bizonyossággal. Azt is gondolta, hogy a kép tartalmaz puding almát, de nem volt benne nagyon magabiztos a válaszban.

Egyéni kép használata

A panda képe bizonyítja, hogy a TensorFlow működik, de ez valószínűleg nem meglepő, mivel a projekt példája ez. A jobb teszt érdekében saját képet adhat az ideghálóhoz osztályozás céljából.

Ebben az esetben látni fogja, hogy a TensorFlow idegháló azonosítja-e George-ot.

Találkozz George-val. George egy dinoszaurusz. A kép betáplálása (levágott formában érhető el itt) a neurális hálózatba, adjon hozzá argumentumokat a szkript futtatásakor.

python3 classify_image.py --image_file = / home / pi / george.jpg. 

Az image_file = a szkriptnév követése lehetővé teszi bármilyen kép hozzáadását útvonalon. Lássuk, hogyan működött ez a neurális hálózat.

Nem rossz! Noha George nem triceratops, a neurális háló dinoszaurusznak minősítette a képet nagy bizonyossággal a többi lehetőséghez képest.

TensorFlow és Raspberry Pi, készen áll a használatra

A TensorFlow ezen alapvető megvalósításának már van lehetősége. Ez az objektumfelismerés a Pi-n zajlik, és működéséhez nincs internetkapcsolat. Ez azt jelenti, hogy a Raspberry Pi kamera modul és a Raspberry Pi-hez megfelelő akkumulátor, az egész projekt hordozhatóvá válhat.

A legtöbb oktatóanyag csak a tárgy felületét karcolja meg, de ez még soha nem volt igazabb, mint ebben az esetben. A gépi tanulás hihetetlenül sűrű tantárgy.

Az egyik módja az ismeretek továbbvitele a következő dedikált kurzusra Ezek a gépi tanulási tanfolyamok előkészítik a karrier utat az Ön számáraEzek a kiváló online gépi tanulási tanfolyamok segítenek megérteni a gépi tanulás és a mesterséges intelligencia karrierjéhez szükséges készségeket. Olvass tovább . Időközben vegye kezébe a gépi tanulást, és a Raspberry Pi-vel ezekkel a TensorFlow projektekkel kipróbálhatja magát.