Sāciet darbu ar attēlu atpazīšanu, izmantojot TensorFlow un Raspberry Pi

Reklāma

TensorFlow ir Google Neironu tīkla bibliotēka. Ņemot vērā to, ka mašīnmācība šobrīd ir vissliktākā lieta, nav pārsteigums, ka Google ir vienas no šīs jaunās tehnoloģijas līderēm.

Šajā rakstā jūs uzzināsit, kā instalēt TensorFlow Raspberry Pi, un palaist vienkāršu attēlu klasifikāciju iepriekš apmācītā neironu tīklā.

Darba sākšana

Lai sāktu ar attēlu atpazīšanu, jums būs nepieciešama Raspberry Pi (jebkurš modelis darbosies) un SD karte ar Raspbian Stretch (9.0+) operētājsistēmu (ja jūs esat iesācējs Raspberry Pi, izmantojiet mūsu uzstādīšanas rokasgrāmata).

Palaidiet augšup Pi un atveriet termināļa logu. Pārliecinieties, ka jūsu Pi ir atjaunināta, un pārbaudiet Python versiju.

sudo apt-get atjauninājums. pitons - apvērsums. python3 - reversija

Šai apmācībai varat izmantot gan Python 2.7, gan Python 3.4+. Šis piemērs ir paredzēts Python 3. Vietnei Python 2.7 nomainiet Python3 ar Python, un pip3 ar pip visā šajā apmācībā.

Pip ir Python pakotņu pārvaldnieks, kas parasti tiek instalēts Linux izplatīšanā kā standarts.

Ja jums šķiet, ka jums tā nav, izpildiet instalēt Linux instrukcijām Kā instalēt Python PIP operētājsistēmā Windows, Mac un LinuxDaudzi Python izstrādātāji paļaujas uz rīku ar nosaukumu PIP Python, lai pilnveidotu attīstību. Tālāk ir aprakstīts, kā instalēt Python PIP. Lasīt vairāk šajā rakstā, lai to instalētu.

TensorFlow instalēšana

TensorFlow instalēšana agrāk bija diezgan nomākta, taču nesenais atjauninājums padara to neticami vienkāršu. Lai gan jūs varat sekot šai apmācībai bez jebkādām iepriekšējām zināšanām, varētu būt vērts saprast mašīnu apguves pamati pirms to izmēģināt.

Pirms TensorFlow instalēšanas instalējiet atlants bibliotēka.

sudo apt instal libatlas-base-dev

Kad tas ir pabeigts, instalējiet TensorFlow caur pip3

pip3 instalēt --izmantojiet tensorflow

TensorFlow tiks instalēts reģistrētam lietotājam. Ja vēlaties izmantot virtuālā vide Uzziniet, kā izmantot Python virtuālo vidiNeatkarīgi no tā, vai esat pieredzējis Python izstrādātājs vai tikai sākat darbu, jebkuram Python projektam ir svarīgi iemācīties iestatīt virtuālo vidi. Lasīt vairāk , modificējiet savu kodu šeit, lai to atspoguļotu.

TensorFlow pārbaude

Kad tā ir instalēta, varat pārbaudīt, vai tā darbojas ar TensorFlow ekvivalentu Sveika pasaule!

No komandrindas izveidojiet jaunu Python skriptu, izmantojot nano vai vim (Ja neesat pārliecināts, kuru izmantot, viņiem abiem ir priekšrocības) un nosauciet to par kaut ko viegli atcerēties.

sudo nano tftest.py. 

Ievadiet šo kodu, ko Google nodrošina TensorFlow pārbaudei:

importēt tensorflow kā tf. sveiki = tf.constant ('Sveiki, TensorFlow!') sess = tf. Sesija () drukāt (sess.run (sveiki))

Ja izmantojat nano, izejiet, nospiežot Ctrl + X un saglabājiet failu, ierakstot Y kad tas tiek prasīts.

Palaidiet kodu no termināļa:

python3 tftest.py. 

Jums vajadzētu redzēt drukātu “Hello, TensorFlow”.

Ja jūs darbināt Python 3.5, jūs saņemsit vairākus runtime brīdinājumus. Oficiālās TensorFlow konsultācijas atzīst, ka tas notiek, un iesaka to ignorēt.

Tas strādā! Tagad jāpaveic kaut kas interesants ar TensorFlow.

Attēlu klasifikatora instalēšana

Terminālī izveidojiet mājas direktorijā projekta direktoriju un dodieties tajā.

mkdir tf1. CD tf1. 

TensorFlow ir git krātuve ar piemēru modeļiem, lai izmēģinātu. Klonējiet repozitoriju jaunajā direktorijā:

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

Jūs vēlaties izmantot attēlu klasifikācijas piemēru, kas atrodams vietnē modeļi / konsultācijas / attēls / attēlu tīkls. Dodieties uz šo mapi tūlīt:

CD modeļi / apmācība / attēls / imagenet. 

Standarta attēlu klasifikācijas skripts darbojas ar nodrošinātu pandas attēlu:

Lai palaistu standarta attēlu klasifikatoru ar pievienoto pandas attēlu, ievadiet:

python3 klasificēt_attēlu.py. 

Tādējādi nervu tīklā tiek padots pandas attēls, kas atgriež minējumus par to, kāds ir attēls ar tā noteiktības līmeņa vērtību.

Kā redzams izvades attēls, neironu tīkls ir uzminēts pareizi ar gandrīz 90 procentu precizitāti. Tā arī domāja, ka attēlā varētu būt olu olu krēms, taču tas nebija ļoti pārliecināts par šo atbildi.

Pielāgota attēla izmantošana

Pandas attēls pierāda, ka TensorFlow darbojas, taču tas, iespējams, nav pārsteidzoši, ņemot vērā projekta sniegto piemēru. Labākam testam jūs varat klasifikācijas piešķiršanai savu attēlu neironu tīklam.

Šajā gadījumā jūs redzēsit, vai TensorFlow neironu tīkls var identificēt Džordžu.

Iepazīstieties ar Džordžu. Džordžs ir dinozaurs. Lai pabarotu šo attēlu (pieejams apgrieztā veidā šeit) neironu tīklā, palaižot skriptu, pievienojiet argumentus.

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

attēls_fails = sekojot skripta nosaukumam, var pievienot jebkuru attēlu pa ceļu. Apskatīsim, kā gāja šim neironu tīklam.

Nav slikti! Kaut arī Džordžs nav triceratops, neironu tīkls attēlu klasificēja kā dinozauru ar augstu noteiktības pakāpi, salīdzinot ar citām iespējām.

TensorFlow un Raspberry Pi, gatavi darbam

Šai TensorFlow pamata ieviešanai jau ir potenciāls. Šī objekta atpazīšana notiek Pi tīklā, un tam nav nepieciešams interneta savienojums. Tas nozīmē, ka, pievienojot Raspberry Pi kameras modulis un a Aveņu Pi piemērots akumulators, viss projekts varētu pārvietoties.

Lielākā daļa apmācību skrāpē tikai priekšmeta virsmu, taču tas nekad nav bijis patiesāks nekā šajā gadījumā. Mašīnmācība ir neticami blīvs priekšmets.

Viens veids, kā padziļināt savas zināšanas, būtu: ņemot īpašu kursu Šie mašīnmācīšanās kursi jums sagatavos karjeras ceļuŠie izcilie tiešsaistes mašīnmācības kursi palīdzēs jums izprast prasmes, kas vajadzīgas, lai sāktu karjeru mašīnmācībā un mākslīgajā intelektā. Lasīt vairāk . Pa to laiku apgūstiet mašīnmācību un Raspberry Pi ar šiem TensorFlow projektiem, kurus varat izmēģināt pats.