Ξεκινήστε με την αναγνώριση εικόνας χρησιμοποιώντας το TensorFlow και το Raspberry Pi

Διαφήμιση

Το TensorFlow είναι η βιβλιοθήκη του Νευρικού Δικτύου της Google. Δεδομένου ότι η μηχανική μάθηση είναι το πιο καυτό πράγμα γύρω από σήμερα, δεν αποτελεί έκπληξη το γεγονός ότι η Google είναι από τους ηγέτες αυτής της νέας τεχνολογίας.

Σε αυτό το άρθρο, θα μάθετε πώς να εγκαταστήσετε το TensorFlow στο Raspberry Pi και να εκτελέσετε απλή ταξινόμηση εικόνων σε ένα προ-εκπαιδευμένο νευρωνικό δίκτυο.

Ξεκινώντας

Για να ξεκινήσετε με την αναγνώριση εικόνας, θα χρειαστείτε ένα Raspberry Pi (οποιοδήποτε μοντέλο θα λειτουργήσει) και μια κάρτα SD με το λειτουργικό σύστημα Raspbian Stretch (9.0+) (αν είστε νέος στο Raspberry Pi, χρησιμοποιήστε το οδηγός εγκατάστασης).

Εκκινήστε το Pi και ανοίξτε ένα παράθυρο τερματικού. Βεβαιωθείτε ότι το Pi σας είναι ενημερωμένο και ελέγξτε την έκδοση Python.

sudo apt-get ενημέρωση. python --version. python3 --version

Μπορείτε να χρησιμοποιήσετε το Python 2.7 ή το Python 3.4+ για αυτό το σεμινάριο. Αυτό το παράδειγμα είναι για το Python 3. Για το Python 2.7, αντικαταστήστε Python3 με Πύθων, και pip3 με κουκούτσι σε όλο αυτό το σεμινάριο.

Το Pip είναι ένας διαχειριστής πακέτων για Python, συνήθως εγκατεστημένος ως πρότυπο στις διανομές του Linux.

Εάν διαπιστώσετε ότι δεν το έχετε, ακολουθήστε το εγκαταστήστε για οδηγίες Linux Πώς να εγκαταστήσετε το Python PIP σε Windows, Mac και LinuxΠολλοί προγραμματιστές της Python βασίζονται σε ένα εργαλείο που ονομάζεται PIP για την Python για τον εξορθολογισμό της ανάπτυξης. Ακολουθεί ο τρόπος εγκατάστασης της Python PIP. Διαβάστε περισσότερα σε αυτό το άρθρο για να το εγκαταστήσετε.

Εγκατάσταση του TensorFlow

Η εγκατάσταση του TensorFlow ήταν μια αρκετά απογοητευτική διαδικασία, αλλά μια πρόσφατη ενημέρωση το κάνει απίστευτα απλό. Παρόλο που μπορείτε να ακολουθήσετε αυτό το σεμινάριο χωρίς προηγούμενη γνώση, ίσως αξίζει να καταλάβετε το τα βασικά της μηχανικής μάθησης πριν το δοκιμάσετε.

Πριν εγκαταστήσετε το TensorFlow, εγκαταστήστε το Ατλας βιβλιοθήκη.

sudo apt εγκαταστήστε libatlas-base-dev

Μόλις ολοκληρωθεί, εγκαταστήστε το TensorFlow μέσω του pip3

pip3 install --user tensorflow

Αυτό θα εγκαταστήσει το TensorFlow για τον συνδεδεμένο χρήστη. Εάν προτιμάτε να χρησιμοποιήσετε ένα εικονικό περιβάλλον Μάθετε πώς να χρησιμοποιείτε το εικονικό περιβάλλον PythonΕίτε είστε έμπειρος προγραμματιστής Python, είτε απλά αρχίζετε, η εκμάθηση πως να ρυθμίσετε ένα εικονικό περιβάλλον είναι απαραίτητη για κάθε έργο της Python. Διαβάστε περισσότερα , τροποποιήστε τον κώδικα εδώ για να το αντικαταστήσετε.

Δοκιμή TensorFlow

Μόλις εγκατασταθεί, μπορείτε να ελέγξετε αν λειτουργεί με το ισοδύναμο TensorFlow του a Γειά σου Κόσμε!

Από τη γραμμή εντολών δημιουργήστε μια νέα δέσμη ενεργειών Python χρησιμοποιώντας nano ή ζωτικότητα (Εάν δεν είστε σίγουροι ποια να χρησιμοποιήσετε, Και οι δύο έχουν πλεονεκτήματα) και ονομάστε το κάτι εύκολο να το θυμηθείτε.

sudo nano tftest.py. 

Εισαγάγετε αυτόν τον κωδικό που παρέχεται από την Google για τη δοκιμή TensorFlow:

εισαγωγή tensorflow ως tf. hello = tf.constant ('Γεια σας, TensorFlow!') sess = tf. Συνεδρίαση() εκτύπωση (sess.run (γεια))

Αν χρησιμοποιείτε nano, πατήστε το πλήκτρο exit Ctrl + X και αποθηκεύστε το αρχείο σας πληκτρολογώντας Υ όταν σας ζητηθεί.

Εκτελέστε τον κώδικα από το τερματικό:

python3 tftest.py. 

Θα πρέπει να δείτε το "Hello, TensorFlow".

Εάν εκτελείτε το Python 3.5, θα λάβετε αρκετές προειδοποιήσεις χρόνου εκτέλεσης. Τα επίσημα μαθήματα TensorFlow αναγνωρίζουν ότι αυτό συμβαίνει και σας συνιστούμε να το αγνοήσετε.

Δουλεύει! Τώρα να κάνεις κάτι ενδιαφέρον με το TensorFlow.

Εγκατάσταση του ταξινομητή εικόνας

Στο τερματικό, δημιουργήστε έναν κατάλογο για το έργο στον οικείο κατάλογό σας και περιηγηθείτε σε αυτόν.

mkdir tf1. cd tf1. 

Το TensorFlow διαθέτει ένα git αποθετήριο με παραδείγματα μοντέλων για να το δοκιμάσετε. Κλωνοποιήστε τον αποθετήριο στον νέο κατάλογο:

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

Θέλετε να χρησιμοποιήσετε το παράδειγμα ταξινόμησης εικόνων, το οποίο βρίσκεται στο μοντέλα / tutorials / image / imagenet. Πλοηγηθείτε στον συγκεκριμένο φάκελο τώρα:

cd μοντέλα / tutorials / image / imagenet. 

Το τυπικό σενάριο ταξινόμησης εικόνων τρέχει με μια παρεχόμενη εικόνα ενός panda:

Για να εκτελέσετε τον τυπικό ταξινομητή εικόνας με την παρεχόμενη εικόνα panda πληκτρολογήστε:

python3 classify_image.py. 

Αυτό τροφοδοτεί μια εικόνα ενός panda στο νευρωνικό δίκτυο, το οποίο επιστρέφει εικασίες ως προς το τι είναι η εικόνα με μια τιμή για το επίπεδο της βεβαιότητας.

Όπως δείχνει η εικόνα εξόδου, το νευρικό δίκτυο μαντέψει σωστά, με σχεδόν 90% σιγουριά. Θεωρούσε επίσης ότι η εικόνα μπορεί να περιέχει ένα μήλο κρέμας, αλλά δεν ήταν πολύ σίγουρος για την απάντηση.

Χρήση προσαρμοσμένης εικόνας

Η εικόνα panda αποδεικνύει ότι το TensorFlow λειτουργεί, αλλά αυτό είναι ίσως αναπάντεχο δεδομένου ότι είναι το παράδειγμα που παρέχει το έργο. Για μια καλύτερη δοκιμή, μπορείτε να δώσετε τη δική σας εικόνα στο νευρικό δίκτυο για ταξινόμηση.

Σε αυτήν την περίπτωση, θα δείτε αν το νευρωνικό δίχτυ TensorFlow μπορεί να αναγνωρίσει τον George.

Γνωρίστε τον Γιώργο. Ο Γιώργος είναι δεινόσαυρος. Για να τροφοδοτήσετε αυτήν την εικόνα (διαθέσιμη σε περικομμένη μορφή εδώ) στο νευρωνικό δίχτυ, προσθέστε επιχειρήματα κατά την εκτέλεση του σεναρίου.

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

ο image_file = ακολουθώντας το όνομα του σεναρίου επιτρέπει την προσθήκη οποιασδήποτε εικόνας ανά διαδρομή. Ας δούμε πώς έκανε αυτό το νευρωνικό δίχτυ.

Δεν είναι κακό! Ενώ ο Γιώργος δεν είναι τρικεράτο, το νευρικό δίκτυο ταξινόμησε την εικόνα ως δεινοσαύρων με υψηλό βαθμό βεβαιότητας σε σύγκριση με τις άλλες επιλογές.

TensorFlow και Raspberry Pi, έτοιμοι να πάνε

Αυτή η βασική εφαρμογή του TensorFlow έχει ήδη δυναμικό. Αυτή η αναγνώριση αντικειμένου συμβαίνει στο Pi και δεν χρειάζεται να λειτουργεί σύνδεση στο Internet. Αυτό σημαίνει ότι με την προσθήκη ενός Μονάδα κάμερας Raspberry Pi και ένα Raspberry Pi-κατάλληλη μονάδα μπαταρίας, το όλο έργο θα μπορούσε να μεταφερθεί.

Τα περισσότερα μαθήματα μόνο γρατζουνίζουν την επιφάνεια ενός αντικειμένου, αλλά ποτέ δεν ήταν πιο αληθινά από ό, τι σε αυτή την περίπτωση. Η μηχανική μάθηση είναι ένα εξαιρετικά πυκνό θέμα.

Ένας τρόπος να αποκτήσετε περαιτέρω τις γνώσεις σας θα είναι κοντά λαμβάνοντας μια ειδική σειρά μαθημάτων Αυτά τα μαθήματα μηχανικής μάθησης θα προετοιμάσουν ένα μονοπάτι σταδιοδρομίας για σαςΑυτά τα εξαιρετικά μαθήματα ηλεκτρονικής εκμάθησης μηχανών θα σας βοηθήσουν να κατανοήσετε τις δεξιότητες που απαιτούνται για να ξεκινήσετε μια καριέρα στη μηχανική μάθηση και την τεχνητή νοημοσύνη Διαβάστε περισσότερα . Εν τω μεταξύ, παίρνετε τα χέρια με την εκμάθηση μηχανών και το Raspberry Pi με αυτά τα έργα TensorFlow μπορείτε να δοκιμάσετε τον εαυτό σας.