Rozpocznij z rozpoznawaniem obrazu za pomocą TensorFlow i Raspberry Pi

TensorFlow to biblioteka Google Neural Network. Biorąc pod uwagę, że uczenie maszynowe jest obecnie najgorętszą rzeczą, nic dziwnego, że Google należy do liderów tej nowej technologii.

W tym artykule dowiesz się, jak zainstalować TensorFlow na Raspberry Pi i uruchomić prostą klasyfikację obrazów we wstępnie wyszkolonej sieci neuronowej.

Pierwsze kroki

Aby rozpocząć rozpoznawanie obrazu, potrzebujesz Raspberry Pi (dowolny model będzie działał) i karty SD z systemem operacyjnym Raspbian Stretch (9.0+) (jeśli jesteś nowy w Raspberry Pi, skorzystaj z naszego przewodnika instalacji).

Uruchom Pi i otwórz okno terminala. Upewnij się, że twoje Pi jest aktualne i sprawdź swoją wersję Pythona.

sudo apt-get update python --version python3 --version

W tym samouczku możesz używać zarówno języka Python 2.7, jak i Python 3.4+. Ten przykład dotyczy Python 3. W przypadku Python 2.7 zamień Python3 z Pyton, i pip3 z pypeć w tym samouczku.

Pip to menedżer pakietów dla Pythona, zwykle instalowany standardowo w dystrybucjach Linuksa.

Jeśli okaże się, że go nie masz, postępuj zgodnie z instrukcjami instalacji dla systemu Linux Jak zainstalować Python PIP na Windows, Mac i Linux Jak zainstalować Python PIP na Windows, Mac i Linux Wielu programistów Python korzysta z narzędzia o nazwie PIP dla Python, aby wszystko było łatwiejsze i szybsze. Oto jak zainstalować Python PIP. w tym artykule, aby go zainstalować.

Instalowanie TensorFlow

Zainstalowanie TensorFlow było kiedyś dość frustrującym procesem, ale ostatnia aktualizacja czyni go niezwykle prostym. Chociaż możesz wykonać ten samouczek bez wcześniejszej wiedzy, warto wypróbować podstawy uczenia maszynowego przed wypróbowaniem go.

Przed zainstalowaniem TensorFlow zainstaluj Atlas biblioteka.

sudo apt install libatlas-base-dev

Po zakończeniu zainstaluj TensorFlow przez pip3

instalacja pip3 - tensorflow użytkownika

Spowoduje to zainstalowanie TensorFlow dla zalogowanego użytkownika. Jeśli wolisz korzystać ze środowiska wirtualnego Dowiedz się, jak korzystać ze środowiska wirtualnego Python Dowiedz się, jak korzystać ze środowiska wirtualnego Python Niezależnie od tego, czy jesteś doświadczonym programistą Python, czy dopiero zaczynasz, nauka konfigurowania środowiska wirtualnego jest niezbędna dla każdego Projekt Python. , zmodyfikuj kod tutaj, aby to odzwierciedlić.

Testowanie TensorFlow

Po zainstalowaniu możesz sprawdzić, czy działa z TensorFlow odpowiednikiem a Witaj świecie!

Z wiersza poleceń utwórz nowy skrypt Pythona za pomocą nano lub krzepkość (Jeśli nie jesteś pewien, którego użyć, oba mają zalety) i nazwij to czymś łatwym do zapamiętania.

sudo nano tftest.py 

Wpisz ten kod dostarczony przez Google do testowania TensorFlow:

importuj tensorflow jako tf hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hello)) 

Jeśli używasz nano, wyjdź, naciskając Ctrl + X i zapisz plik, pisząc Y kiedy pojawi się monit.

Uruchom kod z terminala:

python3 tftest.py 

Powinieneś zobaczyć “Witaj, TensorFlow” wydrukowano.

Jeśli korzystasz z Python 3.5, otrzymasz kilka ostrzeżeń w czasie wykonywania. Oficjalne samouczki TensorFlow potwierdzają, że tak się dzieje, i zalecamy zignorowanie tego.

To działa! Teraz zrób coś interesującego z TensorFlow.

Instalowanie klasyfikatora obrazów

W terminalu utwórz katalog projektu w katalogu domowym i przejdź do niego.

mkdir tf1 cd tf1 

TensorFlow ma repozytorium git z przykładowymi modelami do wypróbowania. Sklonuj repozytorium do nowego katalogu:

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

Chcesz użyć przykładu klasyfikacji obrazu, który można znaleźć na stronie modele / tutoriale / obraz / imagenet. Przejdź teraz do tego folderu:

modele cd / tutoriale / obraz / imagenet 

Standardowy skrypt klasyfikujący obraz działa z dostarczonym obrazem pandy:

Aby uruchomić standardowy klasyfikator obrazów z dostarczonym obrazem panda, wpisz:

python3 classify_image.py 

Powoduje to przekazanie obrazu pandy do sieci neuronowej, która zwraca domysły co do tego, czym jest obraz z wartością dla jego poziomu pewności.

Jak pokazuje obraz wyjściowy, sieć neuronowa zgadła poprawnie, z prawie 90-procentową pewnością. Pomyślał również, że obraz może zawierać jabłko kremowe, ale nie był zbyt pewny tej odpowiedzi.

Korzystanie z niestandardowego obrazu

Obraz pandy dowodzi, że TensorFlow działa, ale może to nie dziwić, biorąc pod uwagę, że jest to przykład projektu. Aby uzyskać lepszy test, możesz podać własny obraz sieci neuronowej w celu klasyfikacji.

W tym przypadku zobaczysz, czy sieć neuronowa TensorFlow może zidentyfikować George'a.

Poznaj George'a. George jest dinozaurem. Aby wprowadzić ten obraz (dostępny tutaj w formie przyciętej) do sieci neuronowej, dodaj argumenty podczas uruchamiania skryptu.

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

The plik_obrazu = przestrzeganie nazwy skryptu pozwala na dodanie dowolnego obrazu według ścieżki. Zobaczmy, jak działała ta sieć neuronowa.

Nie jest zły! Chociaż George nie jest triceratopsem, sieć neuronowa sklasyfikowała obraz jako dinozaura z wysokim stopniem pewności w porównaniu z innymi opcjami.

TensorFlow i Raspberry Pi, Ready to Go

Ta podstawowa implementacja TensorFlow ma już potencjał. Rozpoznawanie obiektów odbywa się na Pi i do działania nie wymaga połączenia z Internetem. Oznacza to, że dzięki dodaniu modułu kamery Raspberry Pi i odpowiedniego akumulatora Raspberry Pi cały projekt może być przenośny.

Większość samouczków rysuje tylko powierzchnię przedmiotu, ale nigdy nie było to bardziej prawdziwe niż w tym przypadku. Uczenie maszynowe jest niezwykle gęstym przedmiotem.

Jednym ze sposobów na poszerzenie wiedzy byłoby uczestnictwo w dedykowanym kursie. Te kursy uczenia maszynowego przygotują dla Ciebie ścieżkę kariery Te kursy uczenia maszynowego przygotują dla Ciebie ścieżkę kariery Te doskonałe kursy uczenia maszynowego online pomogą Ci zrozumieć umiejętności potrzebne do rozpocząć karierę w uczeniu maszynowym i sztucznej inteligencji. . W międzyczasie zapoznaj się z uczeniem maszynowym i Raspberry Pi dzięki projektom TensorFlow, które możesz wypróbować sam.