Ξεκινήστε με την αναγνώριση εικόνας χρησιμοποιώντας το TensorFlow και το Raspberry Pi
Διαφήμιση
Το TensorFlow είναι η βιβλιοθήκη Νευρωνικών Δικτύων 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 εικόνων, 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 τον οδηγό εγκατάστασης).
Εκκινήστε το Pi και ανοίξτε ένα παράθυρο τερματικού. Βεβαιωθείτε ότι το Pi σας είναι ενημερωμένο και ελέγξτε την έκδοση Python.
sudo apt-get update python --version python3 --version Μπορείτε να χρησιμοποιήσετε Python 2.7 ή Python 3.4+ για αυτό το σεμινάριο. Αυτό το παράδειγμα είναι για το Python 3. Για Python 2.7, αντικαταστήστε Python3 με Python και pip3 με pip σε αυτό το tutorial.
Το Pip είναι ένας διαχειριστής πακέτων για Python, συνήθως εγκατεστημένος ως πρότυπο στις διανομές του Linux.
Αν θέλετε να εγκαταστήσετε Python PIP σε Windows, Mac και Linux Πολλοί προγραμματιστές της Python βασίζονται σε ένα εργαλείο που ονομάζεται PIP για Windows XP, Mac και Linux. Η Python να κάνει τα πάντα ευκολότερα και ταχύτερα. 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. Ενώ μπορείτε να ακολουθήσετε αυτό το σεμινάριο χωρίς προηγούμενη γνώση, ίσως αξίζει να κατανοήσετε τα βασικά της μηχανικής μάθησης πριν το δοκιμάσετε.
Πριν εγκαταστήσετε το TensorFlow, εγκαταστήστε τη βιβλιοθήκη Atlas .
sudo apt install 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 Python Μάθετε πώς να χρησιμοποιείτε το εικονικό περιβάλλον Python Είτε είστε έμπειρος προγραμματιστής της Python, είτε απλά αρχίζετε, η μάθηση πώς να ρυθμίσετε ένα εικονικό περιβάλλον είναι απαραίτητη για οποιαδήποτε Έργο Python. Διαβάστε περισσότερα, τροποποιήστε τον κωδικό σας εδώ για να το αντικαταστήσετε.
Δοκιμή TensorFlow
Αφού εγκατασταθεί, μπορείτε να δοκιμάσετε αν λειτουργεί με το ισοδύναμο TensorFlow ενός Hello, world!
Από τη γραμμή εντολών δημιουργήστε μια νέα δέσμη ενεργειών Python χρησιμοποιώντας nano ή vim (Εάν δεν είστε βέβαιοι ποιος 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:
import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello)) Αν χρησιμοποιείτε nano, κλείστε πατώντας Ctrl + X και αποθηκεύσετε το αρχείο πληκτρολογώντας το Y 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 μπορείτε να βρείτε σε μοντέλα / tutorials / image / imagenet . Πλοηγηθείτε στον συγκεκριμένο φάκελο τώρα:
cd models/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 σίγουρη με 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 της δέσμης ενεργειών.
python3 classify_image.py --image_file=/home/pi/george.jpg Το image_file = ακολουθώντας το όνομα της δέσμης ενεργειών 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 δομοστοιχείου κάμερας Raspberry Pi και μιας κατάλληλης μονάδας μπαταρίας Raspberry Pi, το όλο έργο θα μπορούσε να μεταφερθεί.
Τα περισσότερα μαθήματα μόνο γρατζουνίζουν την επιφάνεια ενός θέματος, αλλά ποτέ δεν ήταν πιο αληθινά από ό, τι σε αυτή την περίπτωση. Η μηχανική μάθηση είναι ένα εξαιρετικά πυκνό θέμα.
Ένας τρόπος για να λάβετε περαιτέρω τις γνώσεις σας θα είναι με τη λήψη μιας αφιερωμένης σειράς μαθημάτων. Αυτά τα μαθήματα μηχανικής μάθησης θα προετοιμάσουν ένα μονοπάτι σταδιοδρομίας για σας Αυτά τα μαθήματα μηχανικής μάθησης θα προετοιμάσουν ένα μονοπάτι σταδιοδρομίας για σας Αυτά τα εξαιρετικά μαθήματα ηλεκτρονικής εκμάθησης μηχανών θα σας βοηθήσουν να καταλάβετε τις δεξιότητες που απαιτούνται ξεκινήστε 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.
Εξερευνήστε περισσότερα σχετικά με: Google TensorFlow, Αναγνώριση Εικόνας, Raspberry Pi.
