Kom i gang med bildegjenkjenning ved hjelp av TensorFlow og Raspberry Pi
Annonse
TensorFlow er Googles bibliotek for nevrale nettverk. Gitt at maskinlæring er det hotteste i øyeblikket, er det ingen overraskelse at Google er blant lederne innen denne nye teknologien.
I denne artikkelen lærer du hvordan du installerer TensorFlow på Raspberry Pi, og kjører enkel bildeklassifisering på et ferdig trent nevralt nettverk.
Starter
For å komme i gang med bildegjenkjenning, trenger du et Raspberry Pi (hvilken som helst modell vil fungere) og et SD-kort med operativsystemet Raspbian Stretch (9.0+) (hvis du er ny på Raspberry Pi, bruk installasjonsveiledningen).
Start opp Pi og åpne et terminalvindu. Forsikre deg om at Pi-en er oppdatert, og sjekk Python-versjonen.
sudo apt-get update python --version python3 --version Du kan bruke både Python 2.7 eller Python 3.4+ for denne opplæringen. Dette eksemplet er for Python 3. For Python 2.7, erstatt Python3 med Python, og pip3 med pip gjennom denne opplæringen.
Pip er en pakkebehandler for Python, vanligvis installert som standard på Linux-distribusjoner.
Hvis du finner ut at du ikke har det, kan du følge installasjonen for Linux-instruksjoner. Hvordan installere Python PIP på Windows, Mac og Linux Slik installerer du Python PIP på Windows, Mac og Linux Mange Python-utviklere er avhengige av et verktøy som heter PIP for Python for å gjøre alt enklere og raskere. Slik installerer du Python PIP. Les mer i denne artikkelen for å installere den.
Installere TensorFlow
Det var en veldig frustrerende prosess å installere TensorFlow, men en fersk oppdatering gjør det utrolig enkelt. Selv om du kan følge denne opplæringen uten forkunnskaper, kan det være verdt å forstå det grunnleggende om maskinlæring før du prøver det.
Før du installerer TensorFlow, må du installere Atlas- biblioteket.
sudo apt install libatlas-base-dev Når det er ferdig, installer TensorFlow via pip3
pip3 install --user tensorflow Dette vil installere TensorFlow for den påloggede brukeren. Hvis du foretrekker å bruke et virtuelt miljø Lær hvordan du bruker det virtuelle Python-miljøet Lær hvordan du bruker det virtuelle Python-miljøet Enten du er en erfaren Python-utvikler, eller du bare kommer i gang, er det viktig å lære å sette opp et virtuelt miljø Python-prosjekt. Les mer, endre koden din her for å gjenspeile dette.
Testing av TensorFlow
Når den er installert, kan du teste om den fungerer med TensorFlow-ekvivalenten til en Hello, verden!
Opprett et nytt Python-skript fra kommandolinjen ved hjelp av nano eller vim (Hvis du ikke er sikker på hvilken du vil bruke, har de begge fordeler) og navngi det noe lett å huske.
sudo nano tftest.py Skriv inn denne koden, levert av Google for å teste TensorFlow:
import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello)) Hvis du bruker nano, avslutter du ved å trykke på Ctrl + X og lagre filen din ved å skrive Y når du blir bedt om det.
Kjør koden fra terminalen:
python3 tftest.py Du bør se “Hello, TensorFlow” skrevet ut.
Hvis du kjører Python 3.5, vil du få flere advarsler om kjøretid. De offisielle TensorFlow-veiledningene erkjenner at dette skjer, og anbefaler deg å ignorere det.
Det fungerer! Nå for å gjøre noe interessant med TensorFlow.
Installere Image Classifier
I terminalen lager du en katalog for prosjektet i hjemmekatalogen og navigerer inn i den.
mkdir tf1 cd tf1 TensorFlow har et git-lager med eksempler på modeller. Klon depotet i den nye katalogen:
git clone https://github.com/tensorflow/models.git Du vil bruke eksemplet på bildeklassifisering, som du finner på modeller / tutorials / image / imagenet . Naviger til den mappen nå:
cd models/tutorials/image/imagenet Det standard bildeklassifiseringsskriptet kjører med et gitt bilde av en panda:
For å kjøre standard bildeklassifiserer med det medfølgende panda-bildet, skriv:
python3 classify_image.py Dette mater et bilde av en panda til det nevrale nettverket, som gir gjetninger om hva bildet er med en verdi for dets sikkerhetsnivå.
Som utgangsbildet viser, gjettet nevrale nettet riktig, med nesten 90 prosent sikkerhet. Den trodde også at bildet kan inneholde et vaniljesaus, men det var ikke veldig selvsikkert med det svaret.
Bruke et tilpasset bilde
Pandabildet beviser at TensorFlow fungerer, men det er kanskje overraskende gitt det er eksemplet prosjektet gir. For en bedre test kan du gi ditt eget bilde til nevrale nett for klassifisering.
I dette tilfellet ser du om TensorFlow nevrale nett kan identifisere George.
Møt George. George er en dinosaur. Hvis du vil mate dette bildet (tilgjengelig i beskåret form her) i nevralt nett, legger du til argumenter når du kjører skriptet.
python3 classify_image.py --image_file=/home/pi/george.jpg Image_file = å følge skriptnavnet tillater tillegg av et bilde etter sti. La oss se hvordan dette nevrale nettet gjorde det.
Ikke verst! Mens George ikke er en triceratops, klassifiserte nevrale nettet bildet som en dinosaur med en høy grad av sikkerhet sammenlignet med de andre alternativene.
TensorFlow og Raspberry Pi, Klar til å gå
Denne grunnleggende implementeringen av TensorFlow har allerede potensiale. Denne objektgjenkjenningen skjer på Pi, og trenger ingen internettforbindelse for å fungere. Dette betyr at med tillegg av en Raspberry Pi-kameramodul og en Raspberry Pi-passende batterienhet, kan hele prosjektet bli bærbart.
De fleste opplæringsprogrammer klør bare overflaten til et emne, men det har aldri vært sannere enn i dette tilfellet. Maskinlæring er et utrolig tett fag.
En måte å ta kunnskapen videre på, var å ta et dedikert kurs. Disse maskinlæringskursene vil forberede en karrierevei for deg. Disse maskinlæringskursene vil forberede en karrierevei for deg. Disse utmerkede maskinlæringskursene online hjelper deg å forstå ferdighetene som trengs for å starte en karriere innen maskinlæring og kunstig intelligens. Les mer . I mellomtiden kan du ta hånd om maskinlæring og Raspberry Pi med disse TensorFlow-prosjektene du kan prøve selv.
Utforsk mer om: Google TensorFlow, Bildegjenkjenning, Raspberry Pi.
