Začínáme s rozpoznáváním obrazu pomocí TensorFlow a Raspberry Pi

TensorFlow je knihovna neuronové sítě Google. Vzhledem k tomu, že strojové učení je v současné době nejžhavější věcí, není překvapením, že Google patří mezi přední výrobce této nové technologie.

V tomto článku se naučíte, jak nainstalovat TensorFlow na Raspberry Pi, a spouštět jednoduchou klasifikaci obrazu na předem trénované neuronové síti.

Začínáme

Chcete-li začít s rozpoznáváním obrazu, budete potřebovat Raspberry Pi (jakýkoli model bude fungovat) a SD kartu s operačním systémem Raspbian Stretch (9.0+) (pokud jste novým v Raspberry Pi, použijte našeho instalačního průvodce).

Spusťte systém Pi a otevřete okno terminálu. Ujistěte se, že váš Pi je aktuální a zkontrolujte verzi Pythonu.

sudo apt-get update python --verze python3 --verze

Pro tento tutoriál můžete použít Python 2.7 nebo Python 3.4+. Tento příklad je pro Python 3. Za Python 2.7 vyměňte Python3 s Krajta, a pip3 s pip v tomto tutoriálu.

Pip je správce balíčků pro Python, obvykle nainstalovaný jako standard v distribucích Linuxu.

Pokud zjistíte, že to nemáte, postupujte podle pokynů pro instalaci Linuxu Jak nainstalovat Python PIP na Windows, Mac a Linux Jak nainstalovat Python PIP na Windows, Mac a Linux Mnoho vývojářů Pythonu spoléhá na nástroj nazvaný PIP pro Python, aby bylo vše jednodušší a rychlejší. Zde je návod, jak nainstalovat Python PIP. v tomto článku jej nainstalujte.

Instalace TensorFlow

Instalace TensorFlow byla docela frustrující proces, ale díky nedávné aktualizaci je to neuvěřitelně jednoduché. I když můžete tento tutoriál sledovat bez jakýchkoli předchozích znalostí, může být užitečné porozumět základům strojového učení, než to vyzkoušíte.

Před instalací TensorFlow nainstalujte Atlas knihovna.

sudo apt install libatlas-base-dev

Po dokončení nainstalujte TensorFlow přes pip3

pip3 install --user tensorflow

To nainstaluje TensorFlow pro přihlášeného uživatele. Pokud dáváte přednost použití virtuálního prostředí Naučte se, jak používat virtuální prostředí Python Naučte se, jak používat virtuální prostředí Python Ať už jste zkušený vývojář Pythonu, nebo právě začínáte, naučit se, jak nastavit virtuální prostředí, je zásadní pro všechny Projekt Python. , upravte zde svůj kód tak, aby to odrážel.

Testování TensorFlow

Po instalaci můžete vyzkoušet, zda pracuje s ekvivalentem TensorFlow a Ahoj světe!

Z příkazového řádku vytvořte nový skript Python pomocí nano nebo vim (Pokud si nejste jisti, který z nich má použít, oba mají výhody) a pojmenujte to něco snadno zapamatovatelného.

sudo nano tftest.py 

Zadejte tento kód poskytnutý společností Google pro testování TensorFlow:

import tensorflow jako tf hello = tf.constant ('Ahoj, TensorFlow!') sess = tf.Session () tisk (sess.run (hello)) 

Pokud používáte nano, ukončete stisknutím Ctrl + X a uložte soubor zadáním Y na výzvu.

Spusťte kód z terminálu:

python3 tftest.py 

Měl bys vidět “Dobrý den, TensorFlow” tištěné.

Pokud používáte Python 3.5, dostanete několik varování za běhu. Oficiální návody TensorFlow uznávají, že k tomu dochází, a doporučujeme, abyste je ignorovali.

Funguje to! Nyní udělat něco zajímavého s TensorFlow.

Instalace klasifikátoru obrázků

V terminálu vytvořte adresář projektu ve svém domovském adresáři a přejděte do něj.

mkdir tf1 cd tf1 

TensorFlow má úložiště git s ukázkovými modely, které si můžete vyzkoušet. Klonování úložiště do nového adresáře:

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

Chcete použít příklad klasifikace obrázků, který najdete na modely / návody / image / imagenet. Přejděte do této složky nyní:

modely CD / návody / image / imagenet 

Standardní skript pro klasifikaci obrázků se spustí s poskytnutým obrazem panda:

Chcete-li spustit standardní klasifikátor obrázků s poskytnutým obrazem panda, zadejte:

python3 classify_image.py 

Toto přivede obraz pandy do neuronové sítě, která vrací odhady toho, co je obraz, s hodnotou pro svou úroveň jistoty.

Jak ukazuje výstupní obrázek, neuronová síť uhodla správně, s téměř 90 procentní jistotou. Také si myslel, že obraz může obsahovat pudinkové jablko, ale nebylo to s touto odpovědí příliš jisté.

Použití vlastního obrázku

Obrázek panda dokazuje, že TensorFlow funguje, ale to je možná nepřekvapivé, protože je to příklad, který projekt poskytuje. Pro lepší test můžete neuronové síti přiřadit svůj vlastní obrázek pro klasifikaci.

V tomto případě uvidíte, zda neuronová síť TensorFlow dokáže George identifikovat.

Seznamte se s Georgem. George je dinosaurus. Chcete-li tento obrázek (k dispozici zde v oříznuté podobě) do neuronové sítě, přidejte při spuštění skriptu argumenty.

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

image_file = následující název skriptu umožňuje přidání libovolného obrázku podle cesty. Podívejme se, jak to neuronová síť udělala.

Není špatné! Zatímco George není triceratops, neuronová síť klasifikovala obraz jako dinosaura s vysokou mírou jistoty ve srovnání s jinými možnostmi.

TensorFlow a Raspberry Pi, připraveni jít

Tato základní implementace TensorFlow již má potenciál. Toto rozpoznávání objektů se odehrává na Pi a pro jeho fungování nepotřebuje připojení k internetu. To znamená, že s přidáním kamerového modulu Raspberry Pi a bateriové jednotky vhodné pro Raspberry Pi by celý projekt mohl být přenosný.

Většina výukových programů pouze poškrábe povrch předmětu, ale nikdy to nebylo pravdivější než v tomto případě. Strojové učení je neuvěřitelně hustý předmět.

Jedním ze způsobů, jak dále rozvíjet své znalosti, by bylo absolvování vyhrazeného kurzu. Tyto kurzy strojového učení pro vás připraví kariérní cestu Tyto strojové kurzy učení vám připraví kariérní cestu pro vás Tyto vynikající online kurzy strojového učení vám pomohou pochopit dovednosti potřebné k zahájit kariéru v strojovém učení a umělé inteligenci. . Mezitím si s těmito projekty TensorFlow můžete vyzkoušet sami strojové učení a Raspberry Pi..