Rozpoznávanie obrazu pomocou TensorFlow na Raspberry Pi: 6 krokov

2024 Autor: John Day | [email protected]. Naposledy zmenené: 2024-01-30 11:59

Google TensorFlow je softvérová knižnica s otvoreným zdrojovým kódom na číselné výpočty využívajúca grafy toku údajov. Spoločnosť Google ho používa v rôznych oblastiach strojového učenia a technológií hlbokého vzdelávania. TensorFlow bol pôvodne vyvinutý tímom Google Brain a je publikovaný na voľnom priestranstve ako GitHub.

Ďalšie návody nájdete na našom blogu. Získajte Raspberry Pi od FactoryForward - schváleného predajcu v Indii.

Prečítajte si tento návod na našom blogu tu.

Krok 1: Strojové učenie

Strojové a hlboké vzdelávanie bude spadať pod umelú inteligenciu (AI). Strojové učenie bude sledovať a analyzovať dostupné údaje a časom ich výsledky zlepšovať.

Príklad: funkcia videí odporúčaných službou YouTube. Zobrazuje súvisiace videá, ktoré ste si predtým pozreli. Predikcia je obmedzená iba na textové výsledky. Hlboké učenie však môže ísť ešte hlbšie.

Krok 2: Hlboké učenie

Hlboké učenie sa tomu takmer podobá, ale presnejšie sa rozhoduje samo tým, že zhromažďuje rôzne informácie o objekte. Má mnoho vrstiev analýzy a podľa toho sa rozhoduje. Na urýchlenie procesu používa neurónovú sieť a poskytuje nám presnejší výsledok, ktorý sme potrebovali (znamená lepšiu predikciu ako ML). Niečo ako ľudský mozog myslí a rozhoduje.

Príklad: Detekcia objektu. Zistí, čo je na obrázku k dispozícii. Niečo podobné, že Arduino a Raspberry Pi môžete odlíšiť podľa vzhľadu, veľkosti a farieb.

Je to široká téma a má rôzne aplikácie.

Krok 3: Predpoklady

TensorFlow oznámil oficiálnu podporu pre Raspberry Pi, od verzie 1.9 bude podporovať Raspberry Pi pomocou inštalácie pip balíka. V tomto návode uvidíme, ako ho nainštalovať na náš Raspberry Pi.

• Python 3.4 (odporúčané)
• Malinový koláč
• Zdroj
• Raspbian 9 (Stretch)

Krok 4: Aktualizujte svoj Raspberry Pi a jeho balíky

Krok 1: Aktualizujte svoj Raspberry Pi a jeho balíky.

sudo apt-get aktualizácia

sudo apt-get upgrade

Krok 2: Pomocou tohto príkazu otestujte, či máte najnovšiu verziu pythonu.

python3-verzia

Odporúča sa mať aspoň Python 3.4.

Krok 3: Musíme nainštalovať knižnicu libatlas (ATLAS - automaticky ladený softvér lineárnej algebry). Pretože TensorFlow používa numpy. Nainštalujte ho teda pomocou nasledujúceho príkazu

sudo apt install libatlas-base-dev

Krok 4: Nainštalujte TensorFlow pomocou príkazu Pip3 install.

pip3 nainštalujte tensorflow

Teraz je nainštalovaný TensorFlow.

Krok 5: Predikcia obrázku pomocou modelu Imagenet Príklad:

TensorFlow publikoval model na predpovedanie obrázkov. Najprv si musíte model stiahnuť a potom ho spustiť.

Krok 1: Stiahnutím modelov spustite nasledujúci príkaz. Možno budete musieť mať nainštalovaný git.

klon git

Krok 2: Prejdite na príklad imagenet.

CD modely/návody/image/imagenet

Pro tip: Na novom Raspbian Stretch nájdete súbor „classify_image.py“manuálne a potom naň kliknite pravým tlačidlom myši. Vyberte položku „Kopírovať cesty“. Potom ho vložte do terminálu za „cd“a stlačte kláves Enter. Týmto spôsobom sa môžete rýchlejšie pohybovať bez chýb (v prípade pravopisnej chyby alebo zmeny názvu súboru v nových aktualizáciách).

Použil som metódu „Kopírovať cesty“, aby zahŕňala presnú cestu k obrázku (/domov/pi).

Krok 3: Spustite príklad pomocou tohto príkazu. Zobrazenie predpokladaného výsledku bude trvať približne 30 sekúnd.

python3 classify_image.py

Krok 6: Vlastná predikcia obrázku

Môžete si tiež stiahnuť obrázok z internetu alebo použiť vlastné predpovede nasnímané vo fotoaparáte. Na dosiahnutie lepších výsledkov používajte menej obrázkov v pamäti.

Ak chcete použiť vlastné obrázky, použite nasledujúci spôsob. Obrazový súbor mám v umiestnení „/home/pi/Downloads/TensorImageTest1.jpg“. Stačí nahradiť toto umiestnenie a názov súboru. Na uľahčenie navigácie použite „Kopírovať cesty“.

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

Môžete vyskúšať aj ďalšie príklady. Pred spustením však musíte nainštalovať potrebné balíky. V nadchádzajúcich návodoch sa budeme venovať niektorým zaujímavým témam TensorFlow.