Bildegjenkjenning med TensorFlow på Raspberry Pi: 6 trinn

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:24

Google TensorFlow er et programvarebibliotek med åpen kildekode for numerisk beregning ved hjelp av datastrømningsgrafer. Den brukes av Google på de forskjellige feltene Machine Learning og Deep Learning Technologies. TensorFlow ble opprinnelig utviklet av Google Brain Team, og den er publisert på det offentlige området som GitHub.

For flere opplæringsprogrammer, besøk vår blogg. Skaff Raspberry Pi fra FactoryForward - godkjent forhandler i India.

Les denne opplæringen på bloggen vår her.

Trinn 1: Maskinlæring

Maskinlæring og dyp læring vil falle inn under kunstig intelligens (AI). En maskinlæring vil observere og analysere tilgjengelige data og forbedre resultatene over tid.

Eksempel: YouTube -anbefalte videoer. Den viser relaterte videoer som du har sett før. Spådommen er begrenset til bare tekstbaserte resultater. Men dyp læring kan gå dypere enn dette.

Trinn 2: Dyp læring

Den dype læringen er nesten lik den, men den tar en mer nøyaktig beslutning på egen hånd ved å samle inn forskjellige opplysninger om et objekt. Den har mange analyselag og tar en avgjørelse i henhold til den. For å feste prosessen bruker den Neural Network og gir oss et mer eksakt resultat vi trengte (betyr bedre forutsigelse enn ML). Noe som hvordan en menneskelig hjerne tenker og tar beslutninger.

Eksempel: Objektdeteksjon. Det oppdager hva som er tilgjengelig i et bilde. Noe lignende som du kan skille en Arduino og Raspberry Pi med utseende, størrelse og farger.

Det er et bredt tema og har forskjellige applikasjoner.

Trinn 3: Forhåndskrav

TensorFlow kunngjorde offisiell støtte for Raspberry Pi, fra versjon 1.9 vil den støtte Raspberry Pi ved hjelp av pip -pakkeinstallasjon. Vi vil se hvordan du installerer det på Raspberry Pi i denne opplæringen.

• Python 3.4 (anbefalt)
• Bringebær Pi
• Strømforsyning
• Raspbian 9 (Stretch)

Trinn 4: Oppdater Raspberry Pi og dens pakker

Trinn 1: Oppdater Raspberry Pi og pakkene.

sudo apt-get oppdatering

sudo apt-get oppgradering

Trinn 2: Test at du har den nyeste python -versjonen ved å bruke denne kommandoen.

python3 –- versjon

Det anbefales å ha minst Python 3.4.

Trinn 3: Vi må installere libatlas -biblioteket (ATLAS - automatisk innstilt lineær algebra -programvare). Fordi TensorFlow bruker numpy. Så installer den ved å bruke følgende kommando

sudo apt installere libatlas-base-dev

Trinn 4: Installer TensorFlow ved hjelp av Pip3 installasjonskommando.

pip3 installer tensorflow

Nå er TensorFlow installert.

Trinn 5: Forutsi et bilde ved hjelp av Imagenet modelleksempel:

TensorFlow har publisert en modell for å forutsi bilder. Du må laste ned modellen først og deretter kjøre den.

Trinn 1: Kjør følgende kommando for å laste ned modellene. Du må kanskje installere git.

git -klon

Trinn 2: Naviger til imagenet eksempel.

cd -modeller/opplæringsprogrammer/image/imagenet

Profftips: På den nye Raspbian Stretch kan du finne filen ‘classify_image.py’ manuelt og deretter ‘Høyreklikk’ på den. Velg 'Kopier sti'. Lim den deretter inn i terminalen etter 'cd'en og trykk enter. På denne måten kan du navigere raskere uten feil (i tilfelle stavefeil eller filnavnet endres i nye oppdateringer).

Jeg brukte metoden 'Kopier sti (er)', så den vil inneholde den eksakte banen på bildet (/home/pi).

Trinn 3: Kjør eksemplet med denne kommandoen. Det vil ta omtrent 30 sekunder å vise det forutsagte resultatet.

python3 classify_image.py

Trinn 6: Tilpasset bildeforutsigelse

Du kan også laste ned et bilde fra internett eller bruke ditt eget bilde som er tatt på kameraet for spådommer. For bedre resultater bruker du mindre minnebilder.

For å bruke egendefinerte bilder, bruk følgende måte. Jeg har bildefilen på stedet ‘/home/pi/Downloads/TensorImageTest1.jpg’. Bare erstatt dette med filplasseringen og navnet ditt. Bruk ‘Kopier sti’ for enklere navigering.

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

Du kan også prøve andre eksempler. Men du må installere nødvendige pakker før de kjøres. Vi vil dekke noen interessante TensorFlow -emner i de kommende opplæringsprogrammene.