Instalowanie oprogramowania do uczenia maszynowego tensorflow na Raspberry Pi

Uczenie maszynowe i sztuczna inteligencja to obecnie modne tematy w branżach i widzimy ich rosnące zaangażowanie przy wprowadzaniu na rynek każdego nowego urządzenia elektronicznego. Niemal każde zastosowanie inżynierii informatycznej wykorzystuje uczenie maszynowe do analizowania i przewidywania przyszłych wyników. Już teraz na rynku dostępnych jest wiele urządzeń, które wykorzystują moc uczenia maszynowego i sztucznej inteligencji, na przykład aparat smartfona wykorzystuje funkcje AI do wykrywania twarzy i określania pozornego wieku na podstawie wykrywania twarzy.

Nic dziwnego, że Google jest jednym z pionierów tej technologii. Firma Google stworzyła już wiele frameworków ML i AI, które możemy łatwo wdrożyć w naszych aplikacjach. TensorFlow to jedna z dobrze znanych bibliotek sieci neuronowych Google typu open source, która jest używana w aplikacjach uczenia maszynowego, takich jak klasyfikacja obrazów, wykrywanie obiektów itp.

W nadchodzących latach zobaczymy, że sztuczna inteligencja będzie coraz częściej wykorzystywana w naszym codziennym życiu, a sztuczna inteligencja będzie w stanie obsłużyć Twoje codzienne zadania, takie jak zamawianie artykułów spożywczych przez Internet, prowadzenie samochodu, sterowanie urządzeniami gospodarstwa domowego itp. Dlaczego więc zostawiliśmy w tyle, aby wykorzystać jakąś maszynę? algorytmy na urządzeniach przenośnych, takich jak Raspberry Pi.

W tym samouczku nauczymy się, jak zainstalować TensorFlow na Raspberry Pi i pokażemy kilka przykładów z prostą klasyfikacją obrazu we wstępnie wytrenowanej sieci neuronowej. Wcześniej używaliśmy Raspberry Pi do innych zadań przetwarzania obrazu, takich jak optyczne rozpoznawanie znaków, rozpoznawanie twarzy, wykrywanie tablic rejestracyjnych itp.

Wymagania

1. Raspberry Pi z zainstalowanym Raspbian OS (karta SD co najmniej 16 GB)
2. Działające połączenie internetowe

Tutaj użyjemy SSH, aby uzyskać dostęp do Raspberry Pi na laptopie. Możesz użyć połączenia VNC lub pulpitu zdalnego na laptopie lub podłączyć Raspberry pi do monitora. Dowiedz się więcej o konfigurowaniu Raspberry Pi bez głowy tutaj bez monitora.

Raspberry pi, będąc przenośnym i mniej energochłonnym urządzeniem, jest używane w wielu aplikacjach do przetwarzania obrazu w czasie rzeczywistym, takich jak rozpoznawanie twarzy, śledzenie obiektów, system bezpieczeństwa w domu, kamera monitorująca itp. Każde z wykorzystaniem dowolnego oprogramowania do przetwarzania obrazu, takiego jak OpenCV z Raspberry Pi, Można zbudować wiele potężnych aplikacji do przetwarzania obrazu.

W przeszłości instalacja TensorFlow była dość trudna, ale niedawny wkład programistów ML i AI sprawił, że było to bardzo proste i teraz można go zainstalować za pomocą kilku poleceń. Jeśli znasz podstawy uczenia maszynowego i głębokiego uczenia się, pomocne będzie wiedzieć, co dzieje się w sieci neuronowej. Ale nawet jeśli jesteś nowy w domenie uczenia maszynowego, nie będzie problemu, możesz kontynuować naukę samouczka i skorzystać z przykładowych programów.

Instalowanie TensorFlow w Raspberry Pi

Poniżej znajdują się kroki instalacji TensorFlow w Raspberry pi:

Krok 1: Przed zainstalowaniem TensorFlow w Raspberry Pi, najpierw zaktualizuj i zaktualizuj Raspbian OS za pomocą następujących poleceń

sudo apt-get update sudo apt-get upgrade

Krok 2: Następnie zainstaluj bibliotekę Atlas, aby uzyskać wsparcie dla Numpy i innych zależności.

sudo apt install libatlas-base-dev

Krok 3: Po zakończeniu zainstaluj TensorFlow przez pip3, używając poniższego polecenia

pip3 zainstaluj tensorflow

Instalacja TensorFlow zajmie trochę czasu, jeśli napotkasz błąd podczas instalacji, po prostu spróbuj ponownie, używając powyższego polecenia.

Krok 4: Po udanej instalacji TensorFlow, sprawdzimy, czy został on poprawnie zainstalowany za pomocą małego programu Hello world . Aby to zrobić Otwórz edytor tekstu nano za pomocą poniższego polecenia:

sudo nano tfcheck.py

I skopiuj i wklej poniższe linie w terminalu nano i zapisz go za pomocą ctrl + xi naciśnij enter.

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

Krok 5: Teraz uruchom ten skrypt w terminalu za pomocą poniższego polecenia

python3 tfcheck.py

Jeśli wszystkie pakiety zostały poprawnie zainstalowane, zobaczysz Hello Tensorflow! wiadomość w ostatnim wierszu, jak pokazano poniżej, zignoruj ​​wszystkie ostrzeżenia.

Działa dobrze, a teraz zrobimy coś ciekawego za pomocą TensorFlow i nie musisz mieć żadnej wiedzy na temat uczenia maszynowego i uczenia głębokiego, aby wykonać ten projekt. Tutaj obraz jest wprowadzany do gotowego modelu, a TensorFlow zidentyfikuje obraz. TensorFlow poda najbliższe prawdopodobieństwo tego, co znajduje się na obrazie.

Instalowanie klasyfikatora obrazu na Raspberry Pi w celu rozpoznawania obrazu

Krok 1: - Utwórz katalog i przejdź do katalogu za pomocą poniższych poleceń.

mkdir tf cd tf

Krok 2: - Teraz pobierz modele, które są dostępne w repozytorium TensorFlow GIT. Sklonuj repozytorium do katalogu tf za pomocą poniższego polecenia

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

Instalacja zajmie trochę czasu i jest duża, więc upewnij się, że masz wystarczającą ilość danych.

Krok 3: - Wykorzystamy przykład klasyfikacji obrazu, który można znaleźć w modelach / tutorialach / image / imagenet. Przejdź do tego folderu za pomocą poniższego polecenia

modele cd / samouczki / image / imagenet

Krok 4: - Teraz podaj obraz we wstępnie zbudowanej sieci neuronowej za pomocą poniższego polecenia.

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

Zastąp image_file_name obrazem, który musisz podać, a następnie naciśnij Enter.

Poniżej znajduje się kilka przykładów wykrywania i rozpoznawania obrazów za pomocą TensorFlow.

Nie jest zły! Sieć neuronowa sklasyfikowała obraz jako kota egipskiego z dużą dozą pewności w porównaniu z innymi opcjami.

We wszystkich powyższych przykładach wyniki są całkiem dobre, a TensorFlow może z łatwością klasyfikować obrazy z dużą pewnością. Możesz to wypróbować, używając dostosowanych obrazów.

Jeśli masz pewną wiedzę na temat uczenia maszynowego, może on wykonywać wykrywanie obiektów na tej platformie przy użyciu niektórych bibliotek.

/>