Sådan bygges DIY AI-projekter ved hjælp af Google TensorFlow og Raspberry Pi

Reklame

Maskinlæring er emnet på alles læber. Det er let at se hvorfor. Det er fremtiden for datamanipulation og bruges allerede i næsten alle moderne forretningsindstillinger. Men kan det kombineres med en Raspberry Pi? Er Pi op til opgaven med at opretholde et fungerende neuralt netværk? Med Google TensorFlow kan det!

Sådan installeres TensorFlow på en Raspberry Pi med nogle eksempler på brug.

Hvad er TensorFlow?

Før du dykker ned i eksempler på, hvordan TensorFlow bruges, er det værd at vide, hvad det faktisk er.

Kort sagt, TensorFlow er Googles træne neurale netværk, der kan udføre mange forskellige opgaver. Ved aktivt at lære fra et brugerkurateret datasæt, giver TensorFlow neurale netværk nøjagtige forudsigelser, når de får nye data.

Kort sagt TensorFlow neurale netværk tænke.

Tjek vores liste over Eksempler på tensorflow Hvad er Google TensorFlow? Open-source eksempler og tutorialsTensorFlow, maskinlæring og neurale netværk. Her er en hurtig oversigt over, hvad det er, hvorfor det er nyttigt, og hvordan man lærer det. Læs mere for mere information.

Sådan installeres TensorFlow

Mens forståelse af emnet maskinlæring tager alvorlig undersøgelse, er grundlæggende TensorFlow-brug let at følge. Vores Billedgenkendelse med TensorFlow-tutorial Kom i gang med billedgenkendelse ved hjælp af TensorFlow og Raspberry PiVil du få fat i billedgenkendelse? Takket være Tensorflow og en Raspberry Pi kan du komme i gang med det samme. Læs mere dækker installation af biblioteket på din Pi. Det dækker også testning og kørsel af det grundlæggende Inception-billedklassificeringsprogram.

I dette tilfælde leverer TensorFlow et allerede trænet neuralt netværk. Alt, hvad brugeren skal gøre, er at indtaste den korrekte datatype, og TensorFlow vil gætte, hvad billedet indeholder. Selv den grundlæggende implementering af TensorFlow er i stand til at klassificere billeder i 1000 klasser. Det får et overraskende beløb korrekt!

Men hvad kan du ellers gøre med TensorFlow på Raspberry Pi?

Vi har dækket hvordan man laver et smart webcam DIY Pan and Tilt Network Security Cam med Raspberry PiLær, hvordan du laver eksternt synlig panoramavip og vip sikkerhedskamera med en Raspberry Pi. Dette projekt kan afsluttes om morgenen med kun den enkleste del. Læs mere før, men denne talende mobile billedklassificering bringer det til et nyt niveau.

Dette detaljerede indlæg beskriver hardwareopsætningen og brugerdefineret software integreret med Inception-billedklassificeren. Eksempelkoden viser, hvor nemt det er at integrere TensorFlow med et projekt (forudsat at du er tilpas med det grundlæggende i Python-programmeringssproget 5 kurser, der tager dig fra Python Beginner til ProDisse fem kurser lærer dig alt om programmering i Python, et af de hotteste sprog derude lige nu. Læs mere ). Artiklen går i detaljer i processen med billedgenkendelse. Det er en fremragende ressource generelt for alle interesserede i området.

Et fremragende element i denne opsætning er muligvis ikke oprindeligt klart:

"En ekstra bonus, som mange påpegede, er, at når den først er installeret, er der ikke brug for internetadgang."

Tidligere billedgenkendelse har altid været afhængig af en enorm mængde behandlingstid eller en internetforbindelse. En Pi kan ikke altid videregive information til skyen og har begrænset behandlingskraft. Dette er løsningen, en selvstændig offline genkendelse af genstand, som du kan lave derhjemme. Den fortæller dig endda, hvad den ser på. Er fremtiden ikke vidunderlig?

Hjemmelavede smarte (eller “magiske”) spejle er om den sejeste ting, du kan bygge Sådan drejes en gammel bærbar skærm til et magisk spejlSmart spejle er unikke enheder, som du kan bruge til at injicere noget magi i dit hjem. Vi viser dig, hvordan du bygger en med en Raspberry Pi. Læs mere . Kræver det kun en Pi og en gammel bærbar skærm sammen med basale DIY-forsyninger, er det et fantastisk begynderprojekt. Alasdair Allan besluttede ikke at nøjes med det gennemsnitlige smarte spejl og byggede TensorFlow magisk spejl med stemmegenkendelse.

Ikke tilfreds med omkostningerne ved webbaseret talegenkendelse besluttede Alasdair om TensorFlow som et offline alternativ. Integrering af TensorFlows foruddannede stemmegenkendelsesmodel i den allerede anvendte AIY-sæt kode tilføjer tilpassede vågne ord til projektet.

Google samlede et datasæt med over 65.000 crowddsourced ord. Dette open-source datasæt trænede neuralnet til at forstå nogle ord.

I dette tilfælde tilføjede det flere mulige vågne ord, men løber stadig ind i et velkendt maskinindlæringsproblem: det kræver en masse data at træne et neuralt netværk.

Medmindre du er villig til at oprette et unikt datasæt med titusinder af poster, er du begrænset til hvad der er frit tilgængeligt. Dette projekt viser begrænsningerne af TensorFlow på Pi i dens nuværende tilstand. Det er fuldt funktionelt, men skubber Pi's beregningsmuligheder. Som med alle nye teknologier er denne tidlige implementering et glimt af fremtiden for smart home-enheder.

I betragtning af Googles historie med selvkørende biler Sådan fungerer selvkørende biler: møtrikkerne og boltene bag Googles autonome bilprogramAt være i stand til at pendle frem og tilbage til arbejde, mens du sover, spiser eller indhenter din favorit blogs er et koncept, der er lige så tiltalende og tilsyneladende langt væk og for futuristisk til faktisk ske. Læs mere , det er ingen overraskelse, at TensorFlow er velegnet til autonom kørsel.

Det DeepPiCar er et fremragende eksempel på denne type neurale netværk i aktion. Ved siden af ​​standard fjernbetjening har denne Raspberry Pi-robot noget helt klogere. Trænet på et datasæt, der findes på GitHub-projektsiden, lærer netværket at forblive på et forudbestemt spor.

Dette projekt er ikke for begyndere. Den krævede hardware findes i næsten ethvert billigt robotkit. Softwareimplementeringen tager noget mere dybdegående viden. Du skal have et godt greb om maskinlæring, før du tager den på.

En af de mest kendte implementeringer af TensorFlow på Pi, Makoto Koikes agurksorter er et tegn på de kommende ting.

Sorteringen af ​​friske produkter til forskellige markeder er en enorm omkostning for mindre udbydere. Sortering af agurker efter størrelse og kvalitet er en opgave, der indtil for nylig kun kunne udføres af en menneskelig operatør. Maskinsortering var meget vanskelig at opnå og kostbar. TensorFlow løser dette problem ved at kategorisere agurker i realtid via kamera.

Ved hjælp af over 7000 billeder af agurker uddannede Makoto et neuralt netværk til at skelne mellem forskellige typer. Under drift optager webcams billeder fra tre vinkler. Pi klassificerer billederne, før de videresendes til en Linux-server for yderligere klassificering. Resultatet udløser et transportbånd og et servosystem, der sorterer agurkerne i kasser.

Begyndelsen på noget smart

Vi har set Raspberry Pi bruges til alt 26 Fantastiske anvendelser til en hindbærpiHvilket Raspberry Pi-projekt skal du starte med? Her er vores roundup af de bedste Raspberry Pi anvendelser og projekter omkring! Læs mere , så det er ikke overraskende, at TensorFlow er kommet på det. Pi kæmper for at følge med kravene om maskinlæring, men det er det fantastisk til at lære det grundlæggende Hvad er maskinlæring? Googles gratis kursus bryder det ned for digGoogle har designet et gratis onlinekursus for at lære dig de grundlæggende elementer i maskinlæring. Læs mere .