Billedgenkendelse med TensorFlow på Raspberry Pi: 6 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:28

Google TensorFlow er et Open Source-softwarebibliotek til numerisk beregning ved hjælp af dataflowgrafer. Det bruges af Google på sine forskellige områder inden for maskinlæring og dyb læringsteknologi. TensorFlow blev oprindeligt udviklet af Google Brain Team, og det udgives på det offentlige område som GitHub.

For flere tutorials besøg vores blog. Få Raspberry Pi fra FactoryForward - Godkendt forhandler i Indien.

Læs denne vejledning på vores blog her.

Trin 1: Machine Learning

Maskinlæring og dyb læring vil falde ind under kunstig intelligens (AI). En maskinlæring vil observere og analysere de tilgængelige data og forbedre resultaterne over tid.

Eksempel: Funktionen YouTube -anbefalede videoer. Det viser relaterede videoer, som du har set før. Forudsigelsen er kun begrænset til tekstbaserede resultater. Men dyb læring kan gå dybere end dette.

Trin 2: Deep Learning

Den dybe indlæring ligner næsten den, men den træffer mere præcis beslutning alene ved at indsamle forskellige oplysninger om et objekt. Det har mange analyselag og tager en beslutning i henhold til det. For at fastgøre processen bruger den Neural Network og giver os et mere præcist resultat, som vi havde brug for (betyder bedre forudsigelse end ML). Noget som hvordan en menneskelig hjerne tænker og træffer beslutninger.

Eksempel: Objektregistrering. Det registrerer, hvad der er tilgængeligt i et billede. Noget lignende, at du kan differentiere en Arduino og Raspberry Pi ved dens udseende, størrelse og farver.

Det er et bredt emne og har forskellige applikationer.

Trin 3: Forudsætninger

TensorFlow annoncerede officiel support til Raspberry Pi, fra version 1.9 understøtter den Raspberry Pi ved hjælp af pip -pakkeinstallation. Vi vil se, hvordan du installerer det på vores Raspberry Pi i denne vejledning.

• Python 3.4 (anbefales)
• Hindbær Pi
• Strømforsyning
• Raspbian 9 (stretch)

Trin 4: Opdater din Raspberry Pi og dens pakker

Trin 1: Opdater din Raspberry Pi og dens pakker.

sudo apt-get opdatering

sudo apt-get opgradering

Trin 2: Test, at du har den nyeste python -version ved hjælp af denne kommando.

python3 –- version

Det anbefales at have mindst Python 3.4.

Trin 3: Vi skal installere libatlas bibliotek (ATLAS - Automatisk tunet lineær algebra software). Fordi TensorFlow bruger numpy. Så installer det ved hjælp af følgende kommando

sudo apt installere libatlas-base-dev

Trin 4: Installer TensorFlow ved hjælp af Pip3 installeringskommando.

pip3 installer tensorflow

Nu er TensorFlow installeret.

Trin 5: Forudsigelse af et billede ved hjælp af Imagenet Model Eksempel:

TensorFlow har udgivet en model til forudsigelse af billeder. Du skal først downloade modellen og derefter køre den.

Trin 1: Kør følgende kommando for at downloade modellerne. Du skal muligvis have git installeret.

git -klon

Trin 2: Naviger til imagenet eksempel.

cd -modeller/tutorials/image/imagenet

Pro tip: På den nye Raspbian Stretch kan du finde filen 'classify_image.py' manuelt og derefter 'Højreklik' på den. Vælg 'Kopier sti'. Indsæt det derefter i terminalen efter 'cd'en, og tryk på enter. På denne måde kan du navigere hurtigere uden fejl (i tilfælde af stavefejl eller filnavnet ændres i nye opdateringer).

Jeg brugte metoden 'Kopier sti', så den vil indeholde den nøjagtige sti på billedet (/home/pi).

Trin 3: Kør eksemplet ved hjælp af denne kommando. Det vil tage cirka 30 sekunder at vise det forudsagte resultat.

python3 classify_image.py

Trin 6: Tilpasset billedforudsigelse

Du kan også downloade et billede fra internettet eller bruge dit eget billedbillede på dit kamera til forudsigelser. For bedre resultater skal du bruge mindre hukommelsesbilleder.

For at bruge brugerdefinerede billeder skal du bruge følgende måde. Jeg har billedfilen på stedet '/home/pi/Downloads/TensorImageTest1.jpg'. Bare erstat dette med din filplacering og navn. Brug 'Kopier sti' til lettere navigation.

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

Du kan også prøve andre eksempler. Men du skal installere nødvendige pakker før udførelse. Vi vil dække nogle interessante TensorFlow -emner i de kommende selvstudier.