Sommario:

Riconoscimento delle immagini con TensorFlow su Raspberry Pi: 6 passaggi
Riconoscimento delle immagini con TensorFlow su Raspberry Pi: 6 passaggi

Video: Riconoscimento delle immagini con TensorFlow su Raspberry Pi: 6 passaggi

Video: Riconoscimento delle immagini con TensorFlow su Raspberry Pi: 6 passaggi
Video: Sistema di intelligenza artificiale su Raspberry Pi con riconoscimento oggetti con TensorFlow Lite 2024, Novembre
Anonim
Riconoscimento delle immagini con TensorFlow su Raspberry Pi
Riconoscimento delle immagini con TensorFlow su Raspberry Pi

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:

Previsione di un'immagine utilizzando il modello Imagenet Esempio
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

Previsione immagine personalizzata
Previsione immagine personalizzata

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: