Kom i gang med billedgenkendelse ved hjælp af TensorFlow og Raspberry Pi

Reklame

TensorFlow er Googles bibliotek på Neural Network. I betragtning af at maskinlæring er den hotteste ting i øjeblikket, er det ingen overraskelse, at Google er blandt de førende inden for denne nye teknologi.

I denne artikel lærer du, hvordan du installerer TensorFlow på Raspberry Pi og kører enkel billedklassificering på et foruddannet neuralt netværk.

Kom godt i gang

For at komme i gang med billedgenkendelse skal du bruge et Raspberry Pi (enhver model fungerer) og et SD-kort med Raspbian Stretch (9.0+) operativsystemet (hvis du er ny til Raspberry Pi, så brug vores installationsvejledning).

Start Pi op og åbn et terminalvindue. Sørg for, at din Pi er opdateret, og kontroller din Python-version.

sudo apt-get-opdatering. python - modstand. python3 - version

Du kan bruge både Python 2.7 eller Python 3.4+ til denne tutorial. Dette eksempel er til Python 3. Udskift for Python 2.7 Python3 med Python, og PIP3 med pip gennem denne tutorial.

Pip er en pakkeadministrator for Python, som normalt installeres som standard i Linux-distributioner.

Hvis du finder ud af, at du ikke har det, skal du følge installere til Linux-instruktioner Sådan installeres Python PIP på Windows, Mac og LinuxMange Python-udviklere er afhængige af et værktøj kaldet PIP for Python til at strømline udviklingen. Sådan installeres Python PIP. Læs mere i denne artikel for at installere den.

Installation af TensorFlow

Det var tidligere en frustrerende proces at installere TensorFlow, men en nylig opdatering gør det utroligt enkelt. Selvom du kan følge denne tutorial uden nogen forudgående viden, kan det være værd at forstå grundlæggende i maskinlæring før du prøver det.

Inden du installerer TensorFlow, skal du installere Atlas bibliotek.

sudo apt install libatlas-base-dev

Når dette er færdigt, skal du installere TensorFlow via pip3

pip3 install - brugerens tensorflow

Dette installerer TensorFlow for den loggede bruger. Hvis du foretrækker at bruge en virtuelt miljø Lær hvordan du bruger det virtuelle Python-miljøUanset om du er en erfaren Python-udvikler, eller du lige er kommet i gang, er det vigtigt at lære at konfigurere et virtuelt miljø for ethvert Python-projekt. Læs mere , ændre din kode her for at afspejle dette.

Test af TensorFlow

Når den er installeret, kan du teste, om den fungerer med TensorFlow-ækvivalenten til a Hej Verden!

Opret et nyt Python-script fra kommandolinjen ved hjælp af nano eller vim (Hvis du ikke er sikker på, hvilken du skal bruge, de har begge fordele) og navngiv det som let at huske.

sudo nano tftest.py. 

Indtast denne kode leveret af Google til test af TensorFlow:

import tensorflow som tf. hallo = tf.constant ('Hej, TensorFlow!') sess = tf. Session() print (sess.run (hej))

Hvis du bruger nano, skal du afslutte ved at trykke på Ctrl + X og gem din fil ved at skrive Y når du bliver bedt om det.

Kør koden fra terminalen:

python3 tftest.py. 

Du skal se “Hej, TensorFlow” trykt.

Hvis du kører Python 3.5, får du adskillige runtime-advarsler. De officielle TensorFlow-tutorials anerkender, at dette sker, og anbefaler dig at ignorere det.

Det virker! Nu for at gøre noget interessant med TensorFlow.

Installation af Image Classifier

Opret i biblioteket et bibliotek til projektet i dit hjemmekatalog og naviger ind i det.

mkdir tf1. cd tf1. 

TensorFlow har et git-lager med eksempler på modeller. Klon depotet i det nye bibliotek:

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

Du ønsker at bruge billedklassificeringseksemplet, som kan findes på modeller / tutorials / billede / IMAGEnet. Naviger til den mappe nu:

cd-modeller / tutorials / image / imagenet. 

Standardskriptet til klassificering af billedet kører med et medfølgende billede af en panda:

For at køre standardbilledklassifikatoren med det medfølgende pandabillede skal du indtaste:

python3 classify_image.py. 

Dette føder et billede af en panda til det neurale netværk, der returnerer gætte om, hvad billedet er med en værdi for dets sikkerhedsniveau.

Som outputbilledet viser, gætte det neurale net korrekt, med næsten 90 procent sikkerhed. Den troede også, at billedet muligvis indeholdt et vaniljesaus, men det var ikke særlig sikker på det svar.

Brug af et brugerdefineret billede

Panda-billedet beviser, at TensorFlow fungerer, men det er måske ikke overraskende, da det er det eksempel, projektet giver. For en bedre test kan du give dit eget billede til det neurale net til klassificering.

I dette tilfælde ser du, om TensorFlow-neurale netværk kan identificere George.

Mød George. George er en dinosaur. For at fodre dette billede (fås i beskåret form) her) i det neurale net, tilføj argumenter, når du kører scriptet.

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

Det image_file = at følge scriptnavnet tillader tilføjelse af ethvert billede ved sti. Lad os se, hvordan dette neurale net gjorde det.

Ikke dårligt! Mens George ikke er en triceratops, klassificerede det neurale net billedet som en dinosaur med en høj grad af sikkerhed sammenlignet med de andre muligheder.

TensorFlow og Raspberry Pi, klar til at gå

Denne grundlæggende implementering af TensorFlow har allerede potentiale. Denne genkendelse af objekt sker på Pi og behøver ingen internetforbindelse for at fungere. Dette betyder, at med tilføjelsen af ​​en Raspberry Pi-kamera-modul og a Raspberry Pi-passende batterienhed, kunne hele projektet gå bærbart.

De fleste tutorials skraber kun overfladen på et emne, men det har aldrig været mere sandt end i dette tilfælde. Maskinlæring er et utroligt tæt emne.

En måde at bringe din viden videre på ville være ved tage et dedikeret kursus Disse maskinlæringskurser vil forberede en karrierevej til digDisse fremragende online maskinuddannelseskurser vil hjælpe dig med at forstå de færdigheder, der er nødvendige for at starte en karriere inden for maskinlæring og kunstig intelligens. Læs mere . I mellemtiden, få hænder på med maskinlæring og Raspberry Pi med disse TensorFlow-projekter, du kan prøve selv.