Встановлення програмного забезпечення для машинного навчання tensorflow на Raspberry Pi

Машинне навчання та штучний інтелект сьогодні є найпопулярнішими темами в галузях, і ми можемо спостерігати їхню більшу участь у запуску кожного нового електронного пристрою. Майже в кожному додатку інженерії інформатики використовується машинне навчання для аналізу та прогнозування майбутніх результатів. Уже зараз на ринку представлено багато пристроїв, що використовують потужність машинного навчання та штучного інтелекту, наприклад, камера смартфона використовує функції з підтримкою ШІ для виявлення обличчя та визначення віку від виявлення обличчя.

Не дивно, що Google є одним із першопрохідців у цій технології. Google уже створив багато фреймворків ML та AI, які ми можемо легко впровадити в наші програми. TensorFlow - одна з добре відомих бібліотек Google з відкритим кодом нейронної мережі, яка використовується в програмах машинного навчання, таких як класифікація зображень, виявлення об’єктів тощо.

У найближчі роки ми побачимо більше використання ШІ у нашому повсякденному житті, і ШІ зможе вирішувати Ваші повсякденні завдання, такі як замовлення продуктів через Інтернет, водіння автомобіля, управління Вашою побутовою технікою тощо. Отже, чому ми залишили позаду користуватися якоюсь машиною алгоритми на портативних пристроях, таких як Raspberry Pi.

У цьому підручнику ми дізнаємось, як встановити TensorFlow на Raspberry Pi, і покажемо кілька прикладів з простою класифікацією зображень на попередньо навченій нейронній мережі. Раніше ми використовували Raspberry Pi для інших завдань з обробки зображень, таких як оптичне розпізнавання символів, розпізнавання обличчя, виявлення номерних знаків тощо.

Вимоги

1. Raspberry Pi з інстальованою ОС Raspbian (SD-карта не менше 16 ГБ)
2. Робоче підключення до Інтернету

Тут ми будемо використовувати SSH для доступу до Raspberry Pi на ноутбуці. Ви можете використовувати VNC або підключення до віддаленого робочого столу на ноутбуці, або можете підключити Raspberry pi до монітора. Дізнайтеся більше про налаштування Raspberry Pi без голови тут без монітора.

Raspberry pi, будучи портативним та менш енергоємним пристроєм, використовується в багатьох програмах обробки зображень у режимі реального часу, таких як розпізнавання обличчя, відстеження об’єктів, система домашньої безпеки, камера спостереження тощо. можна створити багато потужних програм обробки зображень.

Раніше встановлення TensorFlow було досить складною роботою, але нещодавній внесок розробників ML та AI зробив це дуже простим, і тепер його можна встановити лише за допомогою декількох команд. Якщо ви знаєте деякі основи машинного навчання та глибокого навчання, вам буде корисно знати, що відбувається всередині нейронної мережі. Але навіть якщо ви новачок у домені машинного навчання, не виникне проблем, ви все одно можете продовжувати навчальний посібник і використовувати деякі приклади програм для його вивчення.

Встановлення TensorFlow в Raspberry Pi

Нижче наведені кроки для встановлення TensorFlow у Raspberry pi:

Крок 1: Перш ніж встановлювати TensorFlow у Raspberry Pi, спочатку оновіть та оновіть ОС Raspbian, використовуючи такі команди

sudo apt-get update оновлення sudo apt-get

Крок 2: Потім встановіть бібліотеку Atlas, щоб отримати підтримку Numpy та інших залежностей.

sudo apt встановити libatlas-base-dev

Крок 3: Після цього встановіть TensorFlow за допомогою pip3, використовуючи команду нижче

pip3 встановити

Щоб встановити TensorFlow, знадобиться трохи, якщо під час встановлення ви зіткнетеся з помилкою, просто повторіть спробу, використовуючи наведену вище команду.

Крок 4: Після успішної інсталяції TensorFlow ми перевіримо, чи правильно він встановлений, використовуючи невелику програму Hello world . Для цього відкрийте нанотекстовий редактор за допомогою команди нижче:

sudo nano tfcheck.py

І скопіюйте та вставте під рядки нано- терміналу та збережіть його, використовуючи ctrl + x та натисніть Enter.

імпортувати tensorflow як tf hello = tf.constant ('Привіт, TensorFlow!') sess = tf.Session () print (sess.run (hello))

Крок 5: Тепер запустіть цей скрипт у терміналі, використовуючи команду нижче

python3 tfcheck.py

Якщо всі пакети встановлені належним чином, ви побачите Hello Tensorflow! повідомлення в останньому рядку, як показано нижче, ігноруйте всі попередження.

Це чудово працює, і тепер ми зробимо щось цікаве, використовуючи TensorFlow, і для цього проекту вам не потрібно мати жодних знань про машинне навчання та глибоке навчання. Тут зображення подається у заздалегідь побудовану модель, і TensorFlow визначить його. TensorFlow дасть найближчу ймовірність того, що є на зображенні.

Встановлення класифікатора зображень на Raspberry Pi для розпізнавання зображень

Крок 1: Створіть каталог і перейдіть до каталогу, використовуючи команди нижче.

mkdir tf cd tf

Крок 2: - Тепер завантажте моделі, які доступні у сховищі TensorFlow GIT. Клонуйте сховище в каталог tf, використовуючи команду нижче

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

Це займе деякий час для встановлення, і воно велике за розміром, тому переконайтеся, що у вас є достатньо тарифного плану.

Крок 3: - Ми використаємо приклад класифікації зображень, який можна знайти в models / tutorials / image / imagenet. Перейдіть до цієї папки, використовуючи команду нижче

компакт-диски / навчальні посібники / image / imagenet

Крок 4: Тепер подайте зображення у заздалегідь побудовану нейронну мережу, використовуючи команду нижче.

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

Замініть image_file_name на зображення, яке потрібно подати, а потім натисніть Enter.

Нижче наведено кілька прикладів виявлення та розпізнавання зображень за допомогою TensorFlow.

Непогано! нейронна мережа класифікувала зображення як єгипетську кішку з високим ступенем визначеності порівняно з іншими варіантами.

У всіх наведених вище прикладах результати досить добрі, і TensorFlow може легко класифікувати зображення з точною впевненістю. Ви можете спробувати це, скориставшись налаштованими зображеннями.

Якщо ви володієте деякими знаннями машинного навчання, він може виконувати виявлення об'єктів на цій платформі за допомогою деяких бібліотек.

/>