Rozpoznávání obrazu pomocí TensorFlow na Raspberry Pi: 6 kroků

2024 Autor: John Day | [email protected]. Naposledy změněno: 2024-01-30 08:22

Google TensorFlow je softwarová knihovna s otevřeným zdrojovým kódem pro numerické výpočty využívající grafy toku dat. Google ho používá v různých oblastech strojového učení a technologií hlubokého učení. TensorFlow byl původně vyvinut týmem Google Brain Team a je publikován na volné noze jako GitHub.

Další návody najdete na našem blogu. Získejte Raspberry Pi od FactoryForward - schváleného prodejce v Indii.

Přečtěte si tento návod na našem blogu zde.

Krok 1: Strojové učení

Strojové učení a hluboké učení bude spadat pod umělou inteligenci (AI). Strojové učení bude sledovat a analyzovat dostupná data a časem výsledky zlepšovat.

Příklad: Funkce videí doporučených YouTube. Ukazuje související videa, která jste si předtím prohlíželi. Predikce je omezena pouze na výsledky založené na textu. Hluboké učení však může jít ještě hlouběji.

Krok 2: Hluboké učení

Hluboké učení se tomu téměř podobá, ale přesnější rozhodování provádí samo tím, že sbírá různé informace o předmětu. Má mnoho vrstev analýzy a podle toho se rozhoduje. K urychlení procesu používá Neural Network a poskytuje nám přesnější výsledek, který jsme potřebovali (znamená lepší predikci než ML). Něco jako to, jak lidský mozek myslí a rozhoduje.

Příklad: Detekce objektů. Detekuje, co je k dispozici na obrázku. Něco podobného, že můžete odlišit Arduino a Raspberry Pi podle vzhledu, velikosti a barev.

Je to široké téma a má různé aplikace.

Krok 3: Předběžné požadavky

TensorFlow oznámil oficiální podporu pro Raspberry Pi, od verze 1.9 bude podporovat Raspberry Pi pomocí instalace pip balíčku. V tomto tutoriálu uvidíme, jak jej nainstalovat na náš Raspberry Pi.

• Python 3.4 (doporučeno)
• Raspberry Pi
• Zdroj napájení
• Raspbian 9 (Stretch)

Krok 4: Aktualizujte svůj Raspberry Pi a jeho balíčky

Krok 1: Aktualizujte svůj Raspberry Pi a jeho balíčky.

sudo apt-get update

sudo apt-get upgrade

Krok 2: Pomocí tohoto příkazu otestujte, zda máte nejnovější verzi pythonu.

python3-verze

Doporučuje se mít alespoň Python 3.4.

Krok 3: Musíme nainstalovat knihovnu libatlas (ATLAS - automaticky laděný software lineární algebry). Protože TensorFlow používá numpy. Nainstalujte jej tedy pomocí následujícího příkazu

sudo apt install libatlas-base-dev

Krok 4: Nainstalujte TensorFlow pomocí příkazu Pip3 install.

pip3 nainstalujte tensorflow

Nyní je nainstalován TensorFlow.

Krok 5: Předvídání obrázku pomocí modelu Imagenet Příklad:

TensorFlow publikoval model pro předpovídání obrázků. Nejprve si musíte model stáhnout a poté spustit.

Krok 1: Modely stáhněte spuštěním následujícího příkazu. Možná budete muset mít nainstalovaný git.

klon git

Krok 2: Přejděte na příklad imagenet.

cd modely/návody/image/imagenet

Pro Tip: Na novém Raspbian Stretch můžete soubor „classify_image.py“najít ručně a poté na něj kliknout pravým tlačítkem. Vyberte „Kopírovat cesty“. Poté jej vložte do terminálu za „cd“a stiskněte Enter. Tímto způsobem se můžete pohybovat rychleji bez chyb (v případě pravopisné chyby nebo změny názvu souboru v nových aktualizacích).

Použil jsem metodu „Copy Path (s)“, takže bude obsahovat přesnou cestu k obrázku (/home/pi).

Krok 3: Spusťte příklad pomocí tohoto příkazu. Zobrazení předpokládaného výsledku bude trvat přibližně 30 sekund.

python3 classify_image.py

Krok 6: Vlastní predikce obrazu

Můžete si také stáhnout obrázek z internetu nebo použít vlastní předpověď pořízenou ve fotoaparátu. Pro lepší výsledky použijte méně obrázků v paměti.

Chcete -li použít vlastní obrázky, použijte následující způsob. Soubor obrázku mám v umístění „/home/pi/Downloads/TensorImageTest1.jpg“. Stačí nahradit toto umístění a název souboru. Pro snadnější navigaci použijte „Kopírovat cesty“.

python3 classify_image.py --image_file =/home/pi/Soubory ke stažení/TensorImageTest1.jpg

Můžete vyzkoušet i další příklady. Před spuštěním však musíte nainstalovat potřebné balíčky. V nadcházejících tutoriálech probereme některá zajímavá témata TensorFlow.