Започнете с разпознаването на изображения с помощта на TensorFlow и Raspberry Pi

реклама

TensorFlow е библиотеката на Google за невронни мрежи. Като се има предвид, че машинното обучение е най-горещото нещо в момента, не е изненада, че Google са сред лидерите в тази нова технология.

В тази статия ще научите как да инсталирате TensorFlow на Raspberry Pi и да стартирате проста класификация на изображения в предварително обучена невронна мрежа.

Приготвяме се да започнем

За да започнете с разпознаването на изображението, ще ви трябва Raspberry Pi (всеки модел ще работи) и SD карта с операционната система Raspbian Stretch (9.0+) (ако сте нов в Raspberry Pi, използвайте нашата ръководство за инсталиране).

Стартирайте Pi и отворете прозорец на терминала. Уверете се, че вашият Pi е актуален и проверете вашата Python версия.

sudo apt-get update. python --версия. python3 --версия

Можете да използвате както Python 2.7, така и Python 3.4+ за този урок. Този пример е за Python 3. За Python 2.7 заменете Python3 с Питон, и PIP3 с пиукане през целия този урок.

Pip е мениджър на пакети за Python, обикновено инсталиран като стандарт в Linux дистрибуциите.

Ако откриете, че нямате, следвайте това инсталирайте за инструкции за Linux Как да инсталирате Python PIP на Windows, Mac и LinuxМного разработчици на Python разчитат на инструмент, наречен PIP за Python за оптимизиране на разработката. Ето как да инсталирате Python PIP. Прочетете още в тази статия, за да го инсталирате.

Инсталиране на TensorFlow

Инсталирането на TensorFlow беше доста разочароващ процес, но скорошна актуализация го прави невероятно проста. Въпреки че можете да следвате този урок без предварителни познания, може би си струва да разберете основи на машинното обучение преди да го изпробвате.

Преди да инсталирате TensorFlow, инсталирайте атлас библиотека.

sudo apt инсталирате libatlas-base-dev

След като това приключи, инсталирайте TensorFlow чрез pip3

pip3 install - използвайте tensorflow

Това ще инсталира TensorFlow за влезлия потребител. Ако предпочитате да използвате a виртуална среда Научете как да използвате Python виртуалната средаНезависимо дали сте опитен разработчик на Python или просто започвате, научаването как да настроите виртуална среда е от съществено значение за всеки проект на Python. Прочетете още , променете кода си тук, за да отразявате това.

Тестване на TensorFlow

След като го инсталирате, можете да тествате дали работи с еквивалента на TensorFlow на a Здравей свят!

От командния ред създайте нов Python скрипт, използвайки нано или Вим (Ако не сте сигурни кой да използвате, и двамата имат предимства) и го наречете нещо лесно за запомняне.

sudo nano tftest.py. 

Въведете този код, предоставен от Google за тестване на TensorFlow:

внос tensorflow като tf. hello = tf.constant ('Здравей, TensorFlow!') sess = tf. Сесия() печат (sess.run (здравей))

Ако използвате нано, излезте с натискане Ctrl + X и запишете вашия файл, като напишете Y когато бъдете подканени.

Стартирайте кода от терминала:

python3 tftest.py. 

Трябва да видите „Здравей, TensorFlow“ отпечатано.

Ако използвате Python 3.5, ще получите няколко предупреждения за изпълнение. Официалните уроци за TensorFlow признават, че това се случва, и ви препоръчват да го игнорирате.

Работи! Сега да направим нещо интересно с TensorFlow.

Инсталиране на класификатора на изображения

В терминала създайте директория за проекта в домашната си директория и отидете в нея.

mkdir tf1. cd tf1. 

TensorFlow има git хранилище с примерни модели, които да изпробвате. Клонирайте хранилището в новата директория:

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

Искате да използвате примера за класификация на изображения, който можете да намерите на модели / уроци / изображение / imagenet. Навигирайте до тази папка сега:

cd модели / уроци / image / imagenet. 

Стандартният скрипт за класифициране на изображения работи с предоставено изображение на панда:

За да стартирате стандартния класификатор на изображения с предоставеното изображение на панда, въведете:

python3 classify_image.py. 

Това захранва изображение на панда към невронната мрежа, което връща предположения за това какво е изображението със стойност за неговото ниво на сигурност.

Както показва изходното изображение, невронната мрежа предположи правилно, с почти 90 процента сигурност. Освен това тя смяташе, че изображението може да съдържа ябълка с крем, но не беше много уверена в този отговор.

Използване на персонализирано изображение

Изображението на пандата доказва, че TensorFlow работи, но това може би не е изненадващо, като се има предвид примера, който проектът предоставя. За по-добър тест можете да дадете собствено изображение на невронната мрежа за класификация.

В този случай ще видите дали невронната мрежа TensorFlow може да идентифицира Джордж.

Запознайте се с Джордж. Георги е динозавър. За да подадете това изображение (предлага се в изрязан вид тук) в невронната мрежа, добавете аргументи, когато стартирате скрипта.

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

Най- image_file = следването на името на скрипта позволява добавянето на всяко изображение по път. Да видим как се справи тази невронна мрежа.

Не е зле! Докато Джордж не е трицератопс, невронната мрежа класифицира изображението като динозавър с висока степен на сигурност в сравнение с другите опции.

TensorFlow и Raspberry Pi, Ready to Go

Тази основна реализация на TensorFlow вече има потенциал. Това разпознаване на обекти се случва на Pi и няма нужда от интернет връзка, за да функционира. Това означава, че с добавянето на a Raspberry Pi модул за камера и a Raspberry Pi-подходящ акумулатор, целият проект може да стане преносим.

Повечето уроци само надраскват повърхността на дадена тема, но тя никога не е била по-вярна, отколкото в случая. Машинното обучение е невероятно гъста тема.

Един от начините да продължите знанията си по-нататък ще бъде по специален курс Тези курсове за машинно обучение ще подготвят път за кариера за васТези отлични онлайн курсове за машинно обучение ще ви помогнат да разберете уменията, необходими за стартиране на кариера в машинното обучение и изкуствения интелект. Прочетете още . Междувременно се заемете с машинно обучение и Raspberry Pi с тези проекти на TensorFlow, които можете да опитате сами.