Mašininio mokymosi programinės įrangos „tensorflow“ įdiegimas į aviečių pi

Mašinų mokymasis ir dirbtinis intelektas yra aktualios pramonės šakų temos, ir mes galime pastebėti jų vis didesnį dalyvavimą pradedant kiekvieną naują elektronikos prietaisą. Beveik kiekviena kompiuterių inžinerijos programa naudoja mašininį mokymąsi analizuodama ir prognozuodama būsimus rezultatus. Jau dabar rinkoje yra daugybė prietaisų, kurie naudojasi mašininio mokymosi ir dirbtinio intelekto galimybėmis, pavyzdžiui, „Smartphone“ kamera naudoja dirbtinio intelekto funkcijas, kad atpažintų veidą ir pasakytų matomą amžių iš veido aptikimo.

Nenuostabu, kad „Google“ yra viena iš šios technologijos pradininkų. „Google“ jau sukūrė daugybę ML ir AI sistemų, kurias galime lengvai pritaikyti savo programose. „TensorFlow“ yra viena iš gerai žinomų „Google“ atvirojo kodo „Neural Network“ bibliotekų, naudojama mašininio mokymosi programose, tokiose kaip vaizdo klasifikavimas, objektų aptikimas ir kt.

Artėjančius metus, matysime daugiau naudoti AI mūsų kasdieniame gyvenime ir AI galės tvarkyti savo kasdienius darbus, pavyzdžiui, užsakymo bakalėjos internete, vairuojant automobilį, valdyti savo buitine technika ir tt Taigi, kodėl mes užmirštas išnaudoti kai mašina algoritmai nešiojamuose įrenginiuose, pavyzdžiui, „Raspberry Pi“.

Šioje pamokoje sužinosime, kaip įdiegti „TensorFlow“ į „Raspberry Pi“, ir parodysime keletą pavyzdžių su paprasta vaizdų klasifikacija iš anksto apmokytame neuroniniame tinkle. Anksčiau „Raspberry Pi“ naudojome kitoms vaizdo apdorojimo užduotims, tokioms kaip optinis simbolių atpažinimas, veido atpažinimas, numerio ženklo aptikimas ir kt.

Reikalavimai

1. „Raspberry Pi“ su jame įdiegta „Raspbian“ OS (SD kortelė ne mažiau kaip 16 GB)
2. Veikiantis interneto ryšys

Čia naudosime SSH norėdami pasiekti „Raspberry Pi“ nešiojamuoju kompiuteriu. Galite naudoti VNC arba nuotolinio darbalaukio ryšį nešiojamame kompiuteryje arba prijungti „Raspberry pi“ su monitoriumi. Sužinokite daugiau apie „Raspberry Pi“ nustatymą be galvos čia be monitoriaus.

„Raspberry pi“, kuris yra nešiojamas ir mažiau energijos sunaudojantis įrenginys, naudojamas daugelyje vaizdo apdorojimo programų realiuoju laiku, pvz., Veido atpažinimo, objektų sekimo, namų apsaugos sistemos, stebėjimo kamerų ir kt., Naudojant bet kokią „Computer Vision“ programinę įrangą, pvz., „OpenCV“ su „Raspberry Pi“, galima sukurti daug galingų vaizdo apdorojimo programų.

Anksčiau „ TensorFlow“ diegimas buvo gana sunkus darbas, tačiau pastarasis ML ir AI kūrėjų indėlis jį padarė labai paprastą, o dabar jį galima įdiegti tik naudojant kelias komandas. Jei žinote keletą mašininio ir gilaus mokymosi pagrindų, jums bus naudinga žinoti, kas vyksta nerviniame tinkle. Bet net jei jūs esate naujas mašininio mokymosi srityje, nebus jokių problemų, jūs vis tiek galite tęsti pamoką ir naudoti tam tikras programų pavyzdžius.

„TensorFlow“ diegimas „Raspberry Pi“

Toliau pateikiami žingsniai, kaip įdiegti „TensorFlow“ į „Raspberry pi“:

1 žingsnis: Prieš įdiegdami „TensorFlow“ į „Raspberry Pi“, pirmiausia atnaujinkite ir atnaujinkite „Raspbian“ OS naudodami šias komandas

sudo apt-get update sudo apt-get atnaujinimas

2 žingsnis: Tada įdiekite „ Atlas“ biblioteką, kad gautumėte „ Numpy“ ir kitų priklausomybių palaikymą.

sudo apt įdiekite libatlas-base-dev

3 žingsnis: Kai tai bus baigta, įdiekite „TensorFlow“ per „pip3“ naudodami komandą žemiau

pip3 įdiekite tensorflow

Tam reikės šiek tiek įdiegti „TensorFlow“, jei diegdami susiduriate su klaida, tiesiog bandykite dar kartą naudodami aukščiau pateiktą komandą.

4 žingsnis: Sėkmingai įdiegę „TensorFlow“, patikrinsime, ar jis tinkamai įdiegtas, naudodami mažą „ Hello world“ programą. Norėdami tai padaryti, atidarykite nano teksto redaktorių naudodami žemiau esančią komandą:

sudo nano tfcheck.py

Nano terminale nukopijuokite ir įklijuokite žemiau esančių eilučių ir išsaugokite ją naudodami „Ctrl“ + x ir paspauskite „Enter“.

importuoti tensorflow kaip tf labas = tf.constant ('Sveiki, TensorFlow!') sess = tf.Session () spausdinti (sess.run (labas))

5 žingsnis: Dabar paleiskite šį scenarijų terminale naudodami žemiau esančią komandą

python3 tfcheck.py

Jei visi paketai bus tinkamai įdiegti, pamatysite „ Hello Tensorflow“! pranešimą paskutinėje eilutėje, kaip parodyta žemiau, nepaisykite visų įspėjimų.

Tai gerai veikia, ir dabar mes padarysime ką nors įdomaus naudodami „TensorFlow“ ir jums nereikia turėti jokių žinių apie mašininį mokymąsi ir gilų mokymąsi norint atlikti šį projektą. Čia vaizdas tiekiamas iš anksto sukonstruotu modeliu, o „TensorFlow“ atpažins vaizdą. „TensorFlow“ suteiks artimiausią tikimybę, kas yra paveikslėlyje.

Vaizdų klasifikatoriaus įdiegimas į „Raspberry Pi“ atpažinti vaizdus

1 žingsnis: - Sukurkite katalogą ir eikite į katalogą naudodami toliau pateiktas komandas.

mkdir tf cd tf

2 žingsnis: - Dabar atsisiųskite „TensorFlow GIT“ saugykloje esančius modelius. Klonuokite saugyklą į tf katalogą naudodami komandą žemiau

„git“ klonas https://github.com/tensorflow/models.git

Tai užtruks šiek tiek laiko, o jis bus didelis, todėl įsitikinkite, kad turite pakankamai duomenų plano.

3 žingsnis: - Mes naudosime vaizdų klasifikavimo pavyzdį, kurį galite rasti modeliuose / pamokose / image / imagenet. Eikite į šį aplanką naudodami žemiau esančią komandą

kompaktinių diskų modeliai / pamokos / vaizdas / imagenet

4 žingsnis: - Dabar paduokite vaizdą iš anksto sukurtame neuroniniame tinkle naudodami komandą žemiau.

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

Pakeiskite image_file_name vaizdu, kurį turite pateikti, ir paspauskite Enter.

Toliau pateikiami keli vaizdų aptikimo ir atpažinimo naudojant „TensorFlow“ pavyzdžiai.

Neblogai! neuroninis tinklas atvaizdą priskyrė Egipto katei labai užtikrintai, palyginti su kitomis galimybėmis.

Visuose aukščiau pateiktuose pavyzdžiuose rezultatai yra gana geri, o „TensorFlow“ gali lengvai klasifikuoti vaizdus tiksliai. Tai galite išbandyti naudodami tinkintus vaizdus.

Jei turite šiek tiek žinių apie mašininį mokymąsi, jis gali atlikti objektų aptikimą šioje platformoje naudodamas kai kurias bibliotekas.

/>