Instalarea software-ului de învățare automată tensorflow pe raspberry pi

Învățarea automată și inteligența artificială sunt subiectele la modă din industrie în zilele noastre și putem vedea implicarea lor tot mai mare în lansarea fiecărui nou dispozitiv electronic. Aproape fiecare aplicație de inginerie informatică folosește Machine Learning pentru analiza și prezicerea rezultatelor viitoare. Deja, există multe dispozitive rulate pe piață care folosesc puterea învățării automate și a inteligenței artificiale, cum ar fi camera smartphone-ului utilizează caracteristici activate pentru AI pentru detectarea feței și pentru a indica vârsta aparentă de la detectarea feței.

Nu există nicio surpriză că Google este unul dintre pionierii acestei tehnologii. Google a creat deja multe cadre ML și AI pe care le putem implementa cu ușurință în aplicațiile noastre. TensorFlow este una dintre cele mai cunoscute biblioteci de rețea neuronală open source Google, care este utilizată în aplicații de învățare automată precum clasificarea imaginilor, detectarea obiectelor etc.

În anii următori, vom vedea mai mult utilizarea de AI în viața noastră de zi cu zi și AI va fi capabil să se ocupe de sarcinile de zi cu zi, cum ar fi de comanda online de produse alimentare, conduce o mașină, aparatele de control acasă, etc Deci, de ce ne - am lăsat în urmă pentru a exploata unele mașini algoritmi pe dispozitive portabile precum Raspberry Pi.

În acest tutorial, vom învăța cum să instalați TensorFlow pe Raspberry Pi și vom arăta câteva exemple cu clasificare simplă a imaginilor pe o rețea neuronală pre-antrenată. Am folosit anterior Raspberry Pi pentru alte sarcini de procesare a imaginilor, cum ar fi recunoașterea optică a caracterelor, recunoașterea feței, detectarea plăcilor numerice etc.

Cerințe

1. Raspberry Pi cu Raspbian OS instalat (card SD cel puțin 16 GB)
2. Conexiune Internet funcțională

Aici vom folosi SSH pentru a accesa Raspberry Pi pe laptop. Puteți utiliza conexiunea VNC sau Remote Desktop pe laptop sau puteți conecta Raspberry pi cu un monitor. Aflați mai multe despre configurarea Raspberry Pi fără cap aici fără monitor.

Raspberry pi, fiind un dispozitiv portabil și mai puțin consumator de energie, este utilizat în multe aplicații de procesare a imaginilor în timp real, cum ar fi recunoașterea feței, urmărirea obiectelor, sistem de securitate la domiciliu, cameră de supraveghere etc. pot fi construite o mulțime de aplicații puternice de procesare a imaginilor.

În trecut, instalarea TensorFlow a fost o treabă destul de dificilă, dar contribuția recentă a dezvoltatorilor ML și AI a făcut-o foarte simplă și acum poate fi instalată doar folosind câteva comenzi. Dacă cunoașteți câteva elemente de bază ale învățării automate și ale învățării profunde, vă va fi de ajutor să știți ce se întâmplă în rețeaua neuronală. Dar chiar dacă sunteți nou în domeniul Machine learning, nu va exista nicio problemă, puteți continua cu tutorialul și puteți folosi câteva exemple de programe pentru a-l învăța.

Instalarea TensorFlow în Raspberry Pi

Mai jos sunt pașii pentru instalarea TensorFlow în Raspberry pi:

Pasul 1: Înainte de a instala TensorFlow în Raspberry Pi, mai întâi actualizați și actualizați sistemul de operare Raspbian folosind următoarele comenzi

sudo apt-get update sudo apt-get upgrade

Pasul 2: Apoi instalați biblioteca Atlas pentru a obține asistență pentru dependențele Numpy și alte.

sudo apt instalează libatlas-base-dev

Pasul 3: Odată ce ați terminat, instalați TensorFlow prin pip3 folosind comanda de mai jos

pip3 instala tensorflow

Va fi nevoie de puțini pentru a instala TensorFlow, dacă întâmpinați o eroare în timpul instalării, încercați din nou folosind comanda de mai sus.

Pasul 4: După instalarea cu succes a TensorFlow, vom verifica dacă este instalat corect utilizând un mic program Hello world . Pentru a face acest lucru Deschideți editorul de text nano folosind comanda de mai jos:

sudo nano tfcheck.py

Și copiați-lipiți sub liniile din terminalul nano și salvați-l folosind ctrl + x și apăsați Enter.

import tensorflow ca tf hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hello))

Pasul 5: Acum, rulați acest script în terminal folosind comanda de mai jos

python3 tfcheck.py

Dacă toate pachetele sunt instalate corect, veți vedea un Hello Tensorflow! mesaj din ultima linie, așa cum se arată mai jos, ignorați toate avertismentele.

Funcționează bine și acum vom face ceva interesant folosind TensorFlow și nu este nevoie să aveți cunoștințe despre învățarea automată și învățarea profundă pentru a face acest proiect. Aici o imagine este alimentată într-un model pre-construit, iar TensorFlow va identifica imaginea. TensorFlow va da cea mai apropiată probabilitate a ceea ce este în imagine.

Instalarea Image Classifier pe Raspberry Pi pentru recunoașterea imaginilor

Pasul 1: - Creați un director și navigați la director folosind comenzile de mai jos.

mkdir tf cd tf

Pasul 2: - Acum, descărcați modelele disponibile în depozitul GIT TensorFlow. Clonați depozitul în directorul tf folosind comanda de mai jos

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

Instalarea va dura ceva timp și are dimensiuni mari, deci asigurați-vă că aveți suficient plan de date.

Pasul 3: - Vom folosi un exemplu de clasificare a imaginilor care poate fi găsit în modele / tutoriale / imagine / imagenet. Navigați la acest folder folosind comanda de mai jos

modele cd / tutoriale / imagine / imagenet

Pasul 4: - Acum, alimentați o imagine în rețeaua neuronală pre-construită folosind comanda de mai jos.

python3 classify_image.py --image_file = / home / pi / image_file_name

Înlocuiți image_file_name cu imaginea pe care trebuie să o alimentați și apoi apăsați Enter.

Mai jos sunt câteva exemple de detectare și recunoaștere a imaginilor folosind TensorFlow.

Nu-i rău! rețeaua neuronală a clasificat imaginea ca o pisică egipteană cu un grad ridicat de certitudine în comparație cu celelalte opțiuni.

În toate exemplele de mai sus, rezultatele sunt destul de bune, iar TensorFlow poate clasifica cu ușurință imaginile cu certitudine. Puteți încerca acest lucru folosind imaginile personalizate.

Dacă aveți cunoștințe despre învățarea automată, atunci poate efectua detectarea obiectelor pe această platformă folosind unele biblioteci.

/>