Installation af maskinlæringssoftware tensorflow på hindbær pi

Maskinindlæring og kunstig intelligens er de mest populære emner i industrierne i dag, og vi kan se deres stigende engagement i lanceringen af ​​alle nye elektroniske enheder. Næsten enhver anvendelse af datalogi anvender Machine Learning til at analysere og forudsige de fremtidige resultater. Der er allerede mange enheder rullet på markedet, der bruger kraften i maskinindlæring og kunstig intelligens, ligesom Smartphons kamera bruger AI-aktiverede funktioner til ansigtsgenkendelse og fortæller den tilsyneladende alder fra ansigtsgenkendelse.

Der er ingen overraskelse, at Google er en af ​​pionererne inden for denne teknologi. Google har allerede lavet mange ML- og AI-rammer, som vi let kan implementere i vores applikationer. TensorFlow er et af det velkendte Googles open source Neural Network-bibliotek, der bruges i maskinindlæringsapplikationer som billedklassificering, objektdetektering osv.

I de kommende år vil vi se mere brug af AI i vores daglige liv, og AI vil være i stand til at håndtere dine daglige opgaver som at bestille dagligvarer online, køre bil, kontrollere dine husholdningsapparater osv. Så hvorfor vi efterlod for at udnytte en maskine algoritmer på bærbare enheder som Raspberry Pi.

I denne vejledning lærer vi, hvordan du installerer TensorFlow på Raspberry Pi og viser nogle eksempler med enkel billedklassificering på et foruddannet neuralt netværk. Vi har tidligere brugt Raspberry Pi til andre billedbehandlingsopgaver som optisk tegngenkendelse, ansigtsgenkendelse, nummerpladedetektion osv.

Krav

1. Raspberry Pi med Raspbian OS installeret i det (SD-kort mindst 16 GB)
2. Arbejdende internetforbindelse

Her bruger vi SSH til at få adgang til Raspberry Pi på den bærbare computer. Du kan bruge VNC- eller Remote Desktop-forbindelse på den bærbare computer eller tilslutte din Raspberry pi til en skærm. Lær mere om opsætning af Raspberry Pi uden hoved her uden en skærm.

Raspberry pi, der er en bærbar og mindre strømforbrugende enhed, bruges i mange billedbehandlingsapplikationer i realtid som ansigtsgenkendelse, objektsporing, sikkerhedssystem til hjemmet, overvågningskamera osv. Enhver ved hjælp af enhver computervisionssoftware som OpenCV med Raspberry Pi, mange kraftfulde billedbehandlingsapplikationer kan bygges.

Tidligere var installation af TensorFlow et ret vanskeligt job, men det seneste bidrag fra ML- og AI-udviklere gjorde det meget simpelt, og nu kan det installeres bare ved at bruge få kommandoer. Hvis du kender nogle af det grundlæggende inden for maskinlæring og dyb læring, vil det være nyttigt for dig at vide, hvad der foregår inden for det neurale netværk. Men selv hvis du er ny i maskinlæringsdomænet, vil der ikke være noget problem, du kan stadig fortsætte med vejledningen og bruge nogle eksempler på programmer til at lære det.

Installation af TensorFlow i Raspberry Pi

Nedenfor er trinene til installation af TensorFlow i Raspberry pi:

Trin 1: Før du installerer TensorFlow i Raspberry Pi, skal du først opdatere og opgradere Raspbian OS ved hjælp af følgende kommandoer

sudo apt-get opdater sudo apt-get upgrade

Trin 2: Installer derefter Atlas- biblioteket for at få support til Numpy og andre afhængigheder.

sudo apt installer libatlas-base-dev

Trin 3: Når det er færdigt, skal du installere TensorFlow via pip3 ved hjælp af kommandoen nedenfor

pip3 installere tensorflow

Det tager noget at installere TensorFlow, hvis du står over for en fejl under installationen, skal du bare prøve den igen ved hjælp af ovenstående kommando.

Trin 4: Efter vellykket installation af TensorFlow vil vi kontrollere, om det er installeret korrekt ved hjælp af et lille Hello world- program. For at gøre det Åbn nano- teksteditor ved hjælp af nedenstående kommando:

sudo nano tfcheck.py

Og kopier og indsæt nedenunder linjer i nano- terminalen, og gem den ved hjælp af ctrl + x, og tryk på enter.

importer tensorflow som tf hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hej))

Trin 5: Kør nu dette script i terminalen ved hjælp af kommandoen nedenfor

python3 tfcheck.py

Hvis alle pakkerne er installeret korrekt, vil du se en Hello Tensorflow! besked i sidste linje som vist nedenfor, ignorere alle advarsler.

Det fungerer fint, og nu vil vi gøre noget interessant ved hjælp af TensorFlow, og du behøver ikke have noget kendskab til maskinlæring og dyb læring for at gøre dette projekt. Her tilføres et billede i en forudbygget model, og TensorFlow identificerer billedet. TensorFlow giver den nærmeste sandsynlighed for, hvad der er i billedet.

Installation af Image Classifier på Raspberry Pi til billedgenkendelse

Trin 1: - Opret et bibliotek og naviger til biblioteket ved hjælp af nedenstående kommandoer.

mkdir tf cd tf

Trin 2: - Download nu de modeller, der er tilgængelige på TensorFlow GIT-arkivet. Klon lageret i tf- biblioteket ved hjælp af nedenstående kommando

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

Dette vil tage lidt tid at installere, og det er stort i størrelse, så sørg for at du har tilstrækkelig dataplan.

Trin 3: - Vi bruger et eksempel på billedklassificering, som findes i modeller / tutorials / image / imagenet. Naviger til denne mappe ved hjælp af kommandoen nedenfor

cd-modeller / tutorials / image / imagenet

Trin 4: - Giv nu et billede i det forudbyggede neurale netværk ved hjælp af kommandoen nedenfor.

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

Udskift image_file_name med det billede, du skal fodre, og tryk derefter på enter.

Nedenfor er nogle eksempler på registrering og genkendelse af billeder ved hjælp af TensorFlow.

Ikke dårligt! det neurale net klassificerede billedet som en egyptisk kat med en høj grad af sikkerhed sammenlignet med de andre muligheder.

I alle ovenstående eksempler er resultaterne ret gode, og TensorFlow kan let klassificere billederne med den nøjeste sikkerhed. Du kan prøve dette ved hjælp af dine tilpasningsbilleder.

Hvis du har noget kendskab til maskinindlæring, kan den udføre objektdetektering på denne platform ved hjælp af nogle biblioteker.

/>