Bildigenkänning med TensorFlow på Raspberry Pi: 6 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:45

Google TensorFlow är ett bibliotek med öppen källkod för numerisk beräkning med hjälp av dataflödesdiagram. Den används av Google på sina olika områden inom maskininlärning och djupinlärningsteknologi. TensorFlow utvecklades ursprungligen av Google Brain Team och publiceras på det offentliga området som GitHub.

För mer handledning besök vår blogg. Skaffa Raspberry Pi från FactoryForward - Godkänd återförsäljare i Indien.

Läs denna handledning på vår blogg här.

Steg 1: Maskininlärning

Maskininlärning och djupinlärning kommer att omfattas av artificiell intelligens (AI). En maskininlärning kommer att observera och analysera tillgänglig data och förbättra resultaten med tiden.

Exempel: YouTube -rekommenderade videofunktion. Den visar relaterade videor som du har tittat på tidigare. Prognosen är endast begränsad till textbaserade resultat. Men djupinlärning kan gå djupare än så här.

Steg 2: Deep Learning

Den djupa inlärningen liknar nästan den, men den fattar ett mer exakt beslut på egen hand genom att samla in olika information om ett objekt. Den har många analyslager och tar ett beslut enligt den. För att fästa processen använder den Neural Network och ger oss ett mer exakt resultat som vi behövde (betyder bättre förutsägelse än ML). Något som hur en mänsklig hjärna tänker och fattar beslut.

Exempel: Objektdetektering. Det upptäcker vad som är tillgängligt i en bild. Något liknande som du kan skilja på en Arduino och Raspberry Pi genom sitt utseende, storlek och färger.

Det är ett brett ämne och har olika tillämpningar.

Steg 3: Förkunskaper

TensorFlow meddelade officiellt stöd för Raspberry Pi, från version 1.9 kommer det att stödja Raspberry Pi med pip -paketinstallation. Vi kommer att se hur du installerar det på vår Raspberry Pi i denna handledning.

• Python 3.4 (rekommenderas)
• Raspberry Pi
• Strömförsörjning
• Raspbian 9 (stretch)

Steg 4: Uppdatera din Raspberry Pi och dess paket

Steg 1: Uppdatera din Raspberry Pi och dess paket.

sudo apt-get uppdatering

sudo apt-get uppgradering

Steg 2: Testa att du har den senaste python -versionen med det här kommandot.

python3 –- version

Det rekommenderas att ha minst Python 3.4.

Steg 3: Vi måste installera libatlas -biblioteket (ATLAS - Automatically Tuned Linear Algebra Software). Eftersom TensorFlow använder numpy. Så installera det med följande kommando

sudo apt installera libatlas-base-dev

Steg 4: Installera TensorFlow med pip3 installera kommandot.

pip3 installera tensorflow

Nu är TensorFlow installerat.

Steg 5: Förutsäga en bild med hjälp av Imagenets modellexempel:

TensorFlow har publicerat en modell för att förutsäga bilder. Du måste ladda ner modellen först och sedan köra den.

Steg 1: Kör följande kommando för att ladda ner modellerna. Du kan behöva ha git installerat.

git -klon

Steg 2: Navigera till imagenet -exempel.

cd -modeller/självstudier/image/imagenet

Pro -tips: På den nya Raspbian Stretch kan du hitta filen 'classify_image.py' manuellt och sedan 'Högerklicka' på den. Välj "Kopiera sökvägar". Klistra sedan in det i terminalen efter "cd" och tryck på enter. På så sätt kan du navigera snabbare utan några fel (vid stavfel eller filnamnet ändras i nya uppdateringar).

Jag använde metoden "Kopieringsväg (er)" så den innehåller den exakta sökvägen på bilden (/home/pi).

Steg 3: Kör exemplet med det här kommandot. Det tar cirka 30 sekunder att visa det förutsagda resultatet.

python3 classify_image.py

Steg 6: Anpassad bildprognos

Du kan också ladda ner en bild från internet eller använda din egen bild på din kamera för förutsägelser. För bättre resultat använder du mindre minnesbilder.

För att använda anpassade bilder, använd följande sätt. Jag har bildfilen på platsen '/home/pi/Downloads/TensorImageTest1.jpg'. Ersätt bara detta med din filplats och namn. Använd ‘Kopiera sökvägar’ för enklare navigering.

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

Du kan också testa andra exempel. Men du måste installera nödvändiga paket innan körning. Vi kommer att täcka några intressanta TensorFlow -ämnen i de kommande självstudierna.