Bilderkennung mit TensorFlow auf Raspberry Pi - Gunook

2024 Autor: John Day | [email protected]. Zuletzt bearbeitet: 2024-01-30 07:20

Google TensorFlow ist eine Open-Source-Softwarebibliothek für numerische Berechnungen mit Datenflussdiagrammen. Es wird von Google in seinen verschiedenen Bereichen des maschinellen Lernens und der Deep-Learning-Technologien verwendet. TensorFlow wurde ursprünglich von Google Brain Team entwickelt und ist gemeinfrei wie GitHub veröffentlicht.

Weitere Tutorials finden Sie in unserem Blog. Holen Sie sich Raspberry Pi von FactoryForward - Zugelassener Händler in Indien.

Lesen Sie dieses Tutorial auf unserem Blog hier.

Schritt 1: Maschinelles Lernen

Machine Learning und Deep Learning werden unter Künstliche Intelligenz (KI) fallen. Ein Machine Learning beobachtet und analysiert die verfügbaren Daten und verbessert die Ergebnisse im Laufe der Zeit.

Beispiel: Funktion für empfohlene YouTube-Videos. Es zeigt verwandte Videos, die Sie sich zuvor angesehen haben. Die Vorhersage ist nur auf textbasierte Ergebnisse beschränkt. Aber Deep Learning kann tiefer gehen.

Schritt 2: Deep Learning

Das Deep Learning ist dem fast ähnlich, trifft jedoch selbst eine genauere Entscheidung, indem es verschiedene Informationen eines Objekts sammelt. Es hat viele Analyseebenen und trifft eine Entscheidung danach. Um den Prozess zu beschleunigen, verwendet es ein neuronales Netzwerk und liefert uns ein genaueres Ergebnis, das wir benötigten (bedeutet eine bessere Vorhersage als ML). Etwa wie ein menschliches Gehirn denkt und Entscheidungen trifft.

Beispiel: Objekterkennung. Es erkennt, was in einem Bild verfügbar ist. Etwas Ähnliches kann man Arduino und Raspberry Pi durch Aussehen, Größe und Farben unterscheiden.

Es ist ein weites Thema und hat verschiedene Anwendungen.

Schritt 3: Voraussetzungen

Der TensorFlow hat die offizielle Unterstützung für Raspberry Pi angekündigt, ab Version 1.9 wird es Raspberry Pi mithilfe der pip-Paketinstallation unterstützen. In diesem Tutorial erfahren Sie, wie Sie es auf unserem Raspberry Pi installieren.

• Python 3.4 (empfohlen)
• Himbeer-Pi
• Energieversorgung
• Raspbian 9 (Stretch)

Schritt 4: Aktualisieren Sie Ihren Raspberry Pi und seine Pakete

Schritt 1: Aktualisieren Sie Ihren Raspberry Pi und seine Pakete.

sudo apt-get update

sudo apt-get upgrade

Schritt 2: Testen Sie mit diesem Befehl, ob Sie die neueste Python-Version haben.

python3 –-version

Es wird empfohlen, mindestens Python 3.4 zu verwenden.

Schritt 3: Wir müssen die libatlas-Bibliothek (ATLAS - Automatically Tuned Linear Algebra Software) installieren. Weil TensorFlow numpy verwendet. Installieren Sie es also mit dem folgenden Befehl

sudo apt install libatlas-base-dev

Schritt 4: Installieren Sie TensorFlow mit dem Pip3-Installationsbefehl.

pip3 installiere tensorflow

Nun ist TensorFlow installiert.

Schritt 5: Vorhersage eines Bildes unter Verwendung des Imagenet-Modellbeispiels:

TensorFlow hat ein Modell zur Vorhersage von Bildern veröffentlicht. Sie müssen das Modell zuerst herunterladen und dann ausführen.

Schritt 1: Führen Sie den folgenden Befehl aus, um die Modelle herunterzuladen. Möglicherweise müssen Sie Git installiert haben.

git-Klon

Schritt 2: Navigieren Sie zum Imagenet-Beispiel.

CD-Modelle/Tutorials/Image/Imagenet

Profi-Tipp: Auf dem neuen Raspbian Stretch können Sie die Datei „classify_image.py“manuell finden und dann mit der rechten Maustaste darauf klicken. Wählen Sie „Pfad(e) kopieren“. Fügen Sie es dann nach der "CD" in das Terminal ein und drücken Sie die Eingabetaste. Auf diese Weise können Sie schneller und fehlerfrei navigieren (bei Rechtschreibfehlern oder Änderung des Dateinamens bei neuen Updates).

Ich habe die Methode "Pfad (s) kopieren" verwendet, damit der genaue Pfad auf dem Bild (/home/pi) enthalten ist.

Schritt 3: Führen Sie das Beispiel mit diesem Befehl aus. Es dauert etwa 30 Sekunden, bis das vorhergesagte Ergebnis angezeigt wird.

python3 classify_image.py

Schritt 6: Benutzerdefinierte Bildvorhersage

Sie können auch ein Bild aus dem Internet herunterladen oder Ihr eigenes Bild, das mit Ihrer Kamera aufgenommen wurde, für Vorhersagen verwenden. Für bessere Ergebnisse verwenden Sie weniger Speicherbilder.

Gehen Sie wie folgt vor, um benutzerdefinierte Bilder zu verwenden. Ich habe die Bilddatei am Speicherort ‘/home/pi/Downloads/TensorImageTest1.jpg’. Ersetzen Sie dies einfach durch Ihren Dateispeicherort und -namen. Verwenden Sie „Pfad(e) kopieren“für eine einfachere Navigation.

python3 classify_image.py --image_file=/home/pi/Downloads/TensorImageTest1.jpg

Sie können auch andere Beispiele ausprobieren. Sie müssen jedoch vor der Ausführung die erforderlichen Pakete installieren. In den kommenden Tutorials werden wir einige interessante TensorFlow-Themen behandeln.