Распознавание изображений с помощью TensorFlow на Raspberry Pi: 6 шагов

2024 Автор: John Day | [email protected]. Последнее изменение: 2024-01-30 11:52

Google TensorFlow - это программная библиотека с открытым исходным кодом для численных вычислений, использующая графы потоков данных. Он используется Google в различных областях машинного обучения и технологий глубокого обучения. TensorFlow был первоначально разработан Google Brain Team и опубликован в открытом доступе, например GitHub.

Чтобы узнать больше, посетите наш блог. Получите Raspberry Pi у официального реселлера FactoryForward в Индии.

Прочтите это руководство в нашем блоге здесь.

Шаг 1. Машинное обучение

Машинное обучение и глубокое обучение подпадут под искусственный интеллект (ИИ). Машинное обучение будет наблюдать и анализировать доступные данные и со временем улучшать их результаты.

Пример: функция рекомендуемых YouTube видео. Он показывает похожие видео, которые вы просматривали ранее. Прогноз ограничен только текстовыми результатами. Но глубокое обучение может пойти еще глубже.

Шаг 2: глубокое обучение

Глубокое обучение почти похоже на это, но оно принимает более точное решение самостоятельно, собирая различную информацию об объекте. Он имеет многоуровневый анализ и принимает решения в соответствии с ним. Чтобы ускорить процесс, он использует нейронную сеть и предоставляет нам более точный результат, который нам нужен (означает лучшее предсказание, чем ML). Что-то вроде того, как человеческий мозг думает и принимает решения.

Пример: обнаружение объекта. Он определяет, что доступно в изображении. Нечто похожее на то, что вы можете отличить Arduino от Raspberry Pi по внешнему виду, размеру и цвету.

Это широкая тема, имеющая множество приложений.

Шаг 3. Предварительные требования

TensorFlow объявил об официальной поддержке Raspberry Pi, начиная с версии 1.9 он будет поддерживать Raspberry Pi с помощью установки пакета pip. В этом руководстве мы увидим, как установить его на Raspberry Pi.

• Python 3.4 (рекомендуется)
• Raspberry Pi
• Источник питания
• Распбиан 9 (Растянуть)

Шаг 4. Обновите Raspberry Pi и его пакеты

Шаг 1. Обновите Raspberry Pi и его пакеты.

sudo apt-get update

sudo apt-get upgrade

Шаг 2. С помощью этой команды проверьте, что у вас установлена последняя версия Python.

python3 –-version

Рекомендуется использовать Python не ниже 3.4.

Шаг 3: Нам нужно установить библиотеку libatlas (ATLAS - автоматически настраиваемое программное обеспечение линейной алгебры). Поскольку TensorFlow использует numpy. Итак, установите его, используя следующую команду

sudo apt установить libatlas-base-dev

Шаг 4: Установите TensorFlow с помощью команды установки Pip3.

pip3 установить тензор потока

Теперь TensorFlow установлен.

Шаг 5: Прогнозирование изображения с использованием примера модели Imagenet:

TensorFlow опубликовал модель для предсказания изображений. Сначала вам нужно скачать модель, а затем запустить ее.

Шаг 1. Выполните следующую команду, чтобы загрузить модели. Возможно, вам потребуется установить git.

git clone

Шаг 2. Перейдите к примеру изображения.

модели компакт-дисков / учебные пособия / изображение / imagenet

Совет от профессионалов: в новом Raspbian Stretch вы можете вручную найти файл classify_image.py, а затем щелкнуть по нему правой кнопкой мыши. Выберите «Копировать пути». Затем вставьте его в терминал после «cd» и нажмите Enter. Таким образом вы сможете перемещаться быстрее без ошибок (в случае орфографической ошибки или изменения имени файла в новых обновлениях).

Я использовал метод «Копировать пути», чтобы он включал точный путь к изображению (/ home / pi).

Шаг 3: Запустите пример с помощью этой команды. Для отображения прогнозируемого результата потребуется около 30 секунд.

python3 classify_image.py

Шаг 6. Пользовательское прогнозирование изображения

Вы также можете загрузить изображение из Интернета или использовать собственное изображение, снятое на камеру, для прогнозов. Для получения лучших результатов используйте меньше изображений из памяти.

Чтобы использовать собственные изображения, используйте следующий способ. У меня есть файл изображения по адресу ‘/home/pi/Downloads/TensorImageTest1.jpg’. Просто замените это на местоположение и имя вашего файла. Используйте «Копировать пути» для упрощения навигации.

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

Вы можете попробовать и другие примеры. Но перед запуском нужно установить необходимые пакеты. Мы рассмотрим некоторые интересные темы TensorFlow в следующих уроках.