Sommario:
- Passaggio 1: apprendimento automatico
- Fase 2: Apprendimento profondo
- Passaggio 3: prerequisiti
- Passaggio 4: aggiorna il tuo Raspberry Pi e i suoi pacchetti
- Passaggio 5: previsione di un'immagine utilizzando il modello Imagenet Esempio:
- Passaggio 6: previsione delle immagini personalizzate
Video: Riconoscimento delle immagini con TensorFlow su Raspberry Pi: 6 passaggi
2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:03
Google TensorFlow è una libreria software Open-Source per il calcolo numerico che utilizza grafici di flusso di dati. È utilizzato da Google nei suoi vari campi di Machine Learning e Deep Learning Technologies. TensorFlow è stato originariamente sviluppato da Google Brain Team ed è pubblicato sul dominio pubblico come GitHub.
Per altri tutorial visita il nostro blog. Ottieni Raspberry Pi da FactoryForward - Rivenditore approvato in India.
Leggi questo tutorial sul nostro blog qui.
Passaggio 1: apprendimento automatico
L'apprendimento automatico e il deep learning rientreranno nell'intelligenza artificiale (AI). Un Machine Learning osserverà e analizzerà i dati disponibili e ne migliorerà i risultati nel tempo.
Esempio: funzione video consigliati da YouTube. Mostra i video correlati che hai visualizzato in precedenza. La previsione è limitata ai soli risultati basati su testo. Ma il deep learning può andare più in profondità di questo.
Fase 2: Apprendimento profondo
L'apprendimento profondo è quasi simile a quello, ma prende da solo una decisione più accurata raccogliendo varie informazioni su un oggetto. Ha molti livelli di analisi e prende una decisione in base ad esso. Per accelerare il processo, utilizza la rete neurale e ci fornisce il risultato più esatto di cui avevamo bisogno (significa una previsione migliore rispetto a ML). Qualcosa come il modo in cui un cervello umano pensa e prende decisioni.
Esempio: rilevamento di oggetti. Rileva ciò che è disponibile in un'immagine. Qualcosa di simile che puoi differenziare un Arduino e un Raspberry Pi per aspetto, dimensioni e colori.
È un argomento vasto e ha varie applicazioni.
Passaggio 3: prerequisiti
Il TensorFlow ha annunciato il supporto ufficiale per Raspberry Pi, dalla versione 1.9 supporterà Raspberry Pi utilizzando l'installazione del pacchetto pip. Vedremo come installarlo sul nostro Raspberry Pi in questo tutorial.
- Python 3.4 (consigliato)
- Lampone Pi
- Alimentazione elettrica
- Raspbian 9 (allungamento)
Passaggio 4: aggiorna il tuo Raspberry Pi e i suoi pacchetti
Passaggio 1: aggiorna il tuo Raspberry Pi e i suoi pacchetti.
sudo apt-get update
sudo apt-get upgrade
Passaggio 2: verifica di avere l'ultima versione di Python, utilizzando questo comando.
python3 –-versione
Si consiglia di avere almeno Python 3.4.
Passaggio 3: è necessario installare la libreria libatlas (ATLAS - Software di algebra lineare sintonizzato automaticamente). Perché TensorFlow usa numpy. Quindi, installalo usando il seguente comando
sudo apt install libatlas-base-dev
Passaggio 4: installare TensorFlow utilizzando il comando di installazione di Pip3.
pip3 installa tensorflow
Ora TensorFlow è installato.
Passaggio 5: previsione di un'immagine utilizzando il modello Imagenet Esempio:
TensorFlow ha pubblicato un modello per prevedere le immagini. Devi prima scaricare il modello e poi eseguirlo.
Passaggio 1: eseguire il comando seguente per scaricare i modelli. Potrebbe essere necessario installare git.
git clone
Passaggio 2: vai all'esempio di imagenet.
modelli cd/tutorial/image/imagenet
Suggerimento per professionisti: sul nuovo Raspbian Stretch, puoi trovare manualmente il file "classify_image.py" e quindi "Fare clic con il tasto destro" su di esso. Scegli "Copia percorso/i". Quindi incollalo nel terminale dopo il "cd" e premi invio. In questo modo puoi navigare più velocemente senza errori (in caso di errore di ortografia o il nome del file viene modificato nei nuovi aggiornamenti).
Ho usato il metodo "Copia percorso/i" in modo che includa il percorso esatto sull'immagine (/home/pi).
Passaggio 3: eseguire l'esempio utilizzando questo comando. Ci vorranno circa 30 secondi per mostrare il risultato previsto.
python3 classify_image.py
Passaggio 6: previsione delle immagini personalizzate
Puoi anche scaricare un'immagine da Internet o utilizzare la tua immagine scattata con la fotocamera per le previsioni. Per risultati migliori, usa meno immagini di memoria.
Per utilizzare immagini personalizzate, utilizzare il modo seguente. Ho il file immagine nella posizione "/home/pi/Downloads/TensorImageTest1.jpg". Sostituiscilo semplicemente con il percorso e il nome del file. Usa "Copia percorso/i" per una navigazione più semplice.
python3 classify_image.py --image_file=/home/pi/Downloads/TensorImageTest1.jpg
Puoi provare anche altri esempi. Ma è necessario installare i pacchetti necessari prima dell'esecuzione. Tratteremo alcuni interessanti argomenti di TensorFlow nei prossimi tutorial.
Consigliato:
Intelligenza artificiale e riconoscimento delle immagini con HuskyLens: 6 passaggi (con immagini)
Intelligenza artificiale e riconoscimento delle immagini con HuskyLens: Ehi, come va, ragazzi! Akarsh qui da CETech. In questo progetto, daremo un'occhiata all'HuskyLens di DFRobot. È un modulo fotocamera basato sull'intelligenza artificiale in grado di eseguire diverse operazioni di intelligenza artificiale come Face Recognitio
Riconoscimento delle immagini con schede K210 e Arduino IDE/Micropython: 6 passaggi (con immagini)
Riconoscimento immagine con schede K210 e Arduino IDE/Micropython: ho già scritto un articolo su come eseguire demo OpenMV su Sipeed Maix Bit e ho anche realizzato un video di demo di rilevamento oggetti con questa scheda. Una delle tante domande che le persone hanno posto è: come posso riconoscere un oggetto che la rete neurale non è tr
Sistema di riconoscimento ed estinzione incendi basato sull'elaborazione delle immagini: 3 passaggi
Sistema di riconoscimento ed estinzione incendi basato sull'elaborazione delle immagini: Ciao amici, questo è un sistema di rilevamento ed estinzione incendi basato sull'elaborazione delle immagini che utilizza Arduino
Riconoscimento delle stelle tramite Computer Vision (OpenCV): 11 passaggi (con immagini)
Star Recognition Using Computer Vision (OpenCV): questo tutorial ti descriverà come creare un programma di visione artificiale per identificare automaticamente i modelli di stelle in un'immagine. Il metodo utilizza la libreria OpenCV (Open-Source Computer Vision) per creare un set di cascate HAAR addestrate che possono essere
Avvia la presentazione delle foto delle vacanze con un tocco di magia!: 9 passaggi (con immagini)
Lancia la tua presentazione di foto delle vacanze con un tocco di magia!: Nel corso degli anni, ho sviluppato l'abitudine di portare con me una piccola statuetta quando viaggio: spesso compro un piccolo artoy vuoto (come quello nella foto) e dipingo in modo che corrisponda alla bandiera e al tema del paese che sto visitando (in questo caso, la Sicilia). T