Prepoznavanje slike s programom TensorFlow na Raspberry Pi: 6 korakov

2024 Avtor: John Day | [email protected]. Nazadnje spremenjeno: 2024-01-30 12:06

Google TensorFlow je odprtokodna knjižnica programske opreme za numerično izračunavanje, ki uporablja grafikone pretoka podatkov. Google ga uporablja na različnih področjih strojnega učenja in tehnologij poglobljenega učenja. TensorFlow je prvotno razvila Google Brain Team in je objavljen v javni domeni, kot je GitHub.

Za več vaj obiščite naš blog. Pridobite Raspberry Pi pri FactoryForward - odobrenem prodajalcu v Indiji.

Preberite to vadnico na našem blogu tukaj.

1. korak: Strojno učenje

Strojno učenje in poglobljeno učenje bosta vključeni v umetno inteligenco (AI). Strojno učenje bo opazovalo in analiziralo razpoložljive podatke ter sčasoma izboljšalo njihove rezultate.

Primer: funkcija YouTube priporočenih videoposnetkov. Prikazuje sorodne videoposnetke, ki ste jih gledali prej. Napoved je omejena samo na besedilne rezultate. Toda globoko učenje lahko gre globlje od tega.

2. korak: poglobljeno učenje

Globoko učenje je skoraj podobno temu, vendar se odloča bolj natančno z zbiranjem različnih informacij o objektu. Ima veliko plasti analize in se v skladu z njo odloča. Za pospešitev procesa uporablja nevronsko omrežje in nam daje natančnejši rezultat, ki smo ga potrebovali (pomeni boljšo napoved kot ML). Nekaj podobnega, kako človeški možgani razmišljajo in sprejemajo odločitve.

Primer: Zaznavanje predmetov. Zazna, kaj je na sliki na voljo. Nekaj podobnega, po čemer lahko ločite Arduino in Raspberry Pi po videzu, velikosti in barvah.

To je široka tema in ima različne aplikacije.

3. korak: Predpogoji

TensorFlow je napovedal uradno podporo za Raspberry Pi, od različice 1.9 bo podpiral Raspberry Pi z namestitvijo paketa pip. V tej vadnici bomo videli, kako ga namestiti na naš Raspberry Pi.

• Python 3.4 (priporočeno)
• Malina Pi
• Napajanje
• Raspbian 9 (raztezanje)

4. korak: Posodobite svoj Raspberry Pi in njegove pakete

1. korak: Posodobite Raspberry Pi in njegove pakete.

sudo apt-get posodobitev

sudo apt-get nadgradnja

2. korak: S tem ukazom preverite, ali imate najnovejšo različico pythona.

python3 –verzija

Priporočljivo je imeti vsaj Python 3.4.

3. korak: Namestiti moramo knjižnico libatlas (ATLAS - programska oprema za samodejno nastavljeno linearno algebro). Ker TensorFlow uporablja numpy. Torej, namestite ga z naslednjim ukazom

sudo apt install libatlas-base-dev

4. korak: Namestite TensorFlow z ukazom Pip3 install.

pip3 namestite tensorflow

Zdaj je nameščen TensorFlow.

5. korak: Predvidevanje slike z uporabo modela Imagenet Model:

TensorFlow je objavil model za napovedovanje slik. Najprej morate prenesti model in ga nato zagnati.

1. korak: Za prenos modelov zaženite naslednji ukaz. Morda boste morali imeti nameščen git.

git clone

2. korak: Pomaknite se do primera imagenet.

cd modeli/vaje/image/imagenet

Nasvet za profesionalce: Na novem Raspbian Stretchu lahko ročno poiščete datoteko ‘klasify_image.py’ in nato na njej ‘Desni klik’. Izberite »Kopiraj poti«. Nato ga prilepite v terminal za "cd" in pritisnite enter. Na ta način lahko krmarite hitreje brez napak (v primeru pravopisne napake ali spremembe imena datoteke v novih posodobitvah).

Uporabil sem metodo 'Copy Path (s)', tako da bo vključevala natančno pot na sliki (/home/pi).

3. korak: Zaženite primer s tem ukazom. Za prikaz predvidenega rezultata bo trajalo približno 30 sekund.

python3 classic_image.py

6. korak: Predvidevanje slike po meri

Lahko tudi prenesete sliko iz interneta ali uporabite lastno sliko, posneto s kamero, za napovedi. Za boljše rezultate uporabite manj pomnilniških slik.

Če želite uporabiti slike po meri, uporabite naslednji način. Slikovno datoteko imam na lokaciji '/home/pi/Downloads/TensorImageTest1.jpg'. Samo zamenjajte to z lokacijo in imenom datoteke. Za lažjo navigacijo uporabite "Kopiraj poti".

python3 classic_image.py --image_file =/home/pi/Prenosi/TensorImageTest1.jpg

Lahko preizkusite tudi druge primere. Pred izvedbo pa morate namestiti potrebne pakete. V prihajajočih vadnicah bomo obravnavali nekaj zanimivih tem programa TensorFlow.