Αναγνώριση εικόνας με TensorFlow στο Raspberry Pi: 6 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:36

Το Google TensorFlow είναι μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για αριθμητικούς υπολογισμούς που χρησιμοποιεί γραφήματα ροής δεδομένων. Χρησιμοποιείται από την Google στους διάφορους τομείς της Machine Learning and Deep Learning Technologies. Το TensorFlow αναπτύχθηκε αρχικά από την Google Brain Team και δημοσιεύεται στον δημόσιο τομέα όπως το GitHub.

Για περισσότερα μαθήματα επισκεφθείτε το ιστολόγιό μας. Αποκτήστε το Raspberry Pi από το FactoryForward - Εγκεκριμένος μεταπωλητής στην Ινδία.

Διαβάστε αυτό το σεμινάριο στο ιστολόγιό μας εδώ.

Βήμα 1: Μηχανική εκμάθηση

Η μηχανική μάθηση και η βαθιά μάθηση θα εμπίπτουν στην Τεχνητή Νοημοσύνη (AI). Η Μηχανική Μάθηση θα παρατηρήσει και θα αναλύσει τα διαθέσιμα δεδομένα και θα βελτιώσει τα αποτελέσματά της με την πάροδο του χρόνου.

Παράδειγμα: Λειτουργία προτεινόμενων βίντεο από το YouTube. Εμφανίζει σχετικά βίντεο που είδατε πριν. Η πρόβλεψη περιορίζεται μόνο σε αποτελέσματα βασισμένα σε κείμενο. Αλλά η βαθιά μάθηση μπορεί να πάει βαθύτερα από αυτό.

Βήμα 2: Βαθιά μάθηση

Η βαθιά μάθηση είναι σχεδόν παρόμοια με αυτήν, αλλά παίρνει πιο ακριβή απόφαση από μόνη της συλλέγοντας διάφορες πληροφορίες για ένα αντικείμενο. Έχει πολλά επίπεδα ανάλυσης και λαμβάνει μια απόφαση σύμφωνα με αυτό. Για να επιταχύνει τη διαδικασία, χρησιμοποιεί το Neural Network και μας παρέχει το ακριβέστερο αποτέλεσμα που χρειαζόμασταν (σημαίνει καλύτερη πρόβλεψη από το ML). Κάτι σαν τον τρόπο σκέψης και λήψης αποφάσεων ενός ανθρώπινου εγκεφάλου.

Παράδειγμα: Ανίχνευση αντικειμένου. Ανιχνεύει τι είναι διαθέσιμο σε μια εικόνα. Κάτι παρόμοιο που μπορείτε να διαφοροποιήσετε ένα Arduino και Raspberry Pi από την εμφάνιση, το μέγεθος και τα χρώματα του.

Είναι ένα ευρύ θέμα και έχει διάφορες εφαρμογές.

Βήμα 3: Προαπαιτούμενα

Το TensorFlow ανακοίνωσε επίσημη υποστήριξη για το Raspberry Pi, από την έκδοση 1.9 θα υποστηρίζει το Raspberry Pi χρησιμοποιώντας εγκατάσταση πακέτων pip. Θα δούμε πώς να το εγκαταστήσετε στο Raspberry Pi σε αυτό το σεμινάριο.

• Python 3.4 (συνιστάται)
• Raspberry Pi
• Παροχή ηλεκτρικού ρεύματος
• Raspbian 9 (Stretch)

Βήμα 4: Ενημερώστε το Raspberry Pi και τα πακέτα του

Βήμα 1: Ενημερώστε το Raspberry Pi και τα πακέτα του.

sudo apt-get ενημέρωση

sudo apt-get αναβάθμιση

Βήμα 2: Δοκιμάστε ότι έχετε την τελευταία έκδοση python, χρησιμοποιώντας αυτήν την εντολή.

python3 –- εκτροπή

Συνιστάται να έχετε τουλάχιστον Python 3.4.

Βήμα 3: Πρέπει να εγκαταστήσουμε τη βιβλιοθήκη libatlas (ATLAS - Αυτόματο συντονισμένο λογισμικό γραμμικής άλγεβρας). Επειδή το TensorFlow χρησιμοποιεί numpy. Έτσι, εγκαταστήστε το χρησιμοποιώντας την ακόλουθη εντολή

sudo apt install libatlas-base-dev

Βήμα 4: Εγκαταστήστε το TensorFlow χρησιμοποιώντας την εντολή εγκατάστασης Pip3.

pip3 εγκατάσταση tensorflow

Τώρα είναι εγκατεστημένο το TensorFlow.

Βήμα 5: Πρόβλεψη εικόνας με χρήση μοντέλου Imagenet Παράδειγμα:

Το TensorFlow δημοσίευσε ένα μοντέλο για την πρόβλεψη εικόνων. Πρέπει πρώτα να κατεβάσετε το μοντέλο και μετά να το εκτελέσετε.

Βήμα 1: Εκτελέστε την ακόλουθη εντολή για λήψη των μοντέλων. Σως χρειαστεί να έχετε εγκαταστήσει το git.

git clone

Βήμα 2: Πλοηγηθείτε στο παράδειγμα imagenet.

μοντέλα cd/tutorials/image/imagenet

Επαγγελματική συμβουλή: Στο νέο Raspbian Stretch, μπορείτε να βρείτε το αρχείο «classify_image.py» χειροκίνητα και στη συνέχεια να κάνετε «Δεξί κλικ» σε αυτό. Επιλέξτε «Αντιγραφή διαδρομής (-ών)». Στη συνέχεια, επικολλήστε το στο τερματικό μετά το ‘cd’ και πατήστε enter. Με αυτόν τον τρόπο μπορείτε να πλοηγηθείτε γρηγορότερα χωρίς κανένα σφάλμα (σε περίπτωση ορθογραφικού λάθους ή το όνομα του αρχείου αλλάξει σε νέες ενημερώσεις).

Χρησιμοποίησα τη μέθοδο "Αντιγραφή διαδρομής (ων)", οπότε θα περιλαμβάνει την ακριβή διαδρομή στην εικόνα (/home/pi).

Βήμα 3: Εκτελέστε το παράδειγμα χρησιμοποιώντας αυτήν την εντολή. Θα χρειαστούν περίπου 30 δευτερόλεπτα για να εμφανιστεί το προβλεπόμενο αποτέλεσμα.

python3 classify_image.py

Βήμα 6: Προσαρμοσμένη πρόβλεψη εικόνας

Μπορείτε επίσης να κατεβάσετε μια εικόνα από το διαδίκτυο ή να χρησιμοποιήσετε τη δική σας λήψη εικόνας στην κάμερά σας για προβλέψεις. Για καλύτερα αποτελέσματα χρησιμοποιήστε λιγότερες εικόνες μνήμης.

Για να χρησιμοποιήσετε προσαρμοσμένες εικόνες, χρησιμοποιήστε τον ακόλουθο τρόπο. Έχω το αρχείο εικόνας στη θέση ‘/home/pi/Downloads/TensorImageTest1.jpg’. Απλώς αντικαταστήστε το με τη θέση και το όνομα του αρχείου σας. Χρησιμοποιήστε την επιλογή "Αντιγραφή διαδρομής (ων)" για ευκολότερη πλοήγηση.

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

Μπορείτε να δοκιμάσετε και άλλα παραδείγματα. Αλλά πρέπει να εγκαταστήσετε τα απαραίτητα πακέτα πριν από την εκτέλεση. Θα καλύψουμε μερικά ενδιαφέροντα θέματα TensorFlow στα προσεχή μαθήματα.