Taula de continguts:
- Pas 1: aprenentatge automàtic
- Pas 2: Aprenentatge profund
- Pas 3: requisits previs
- Pas 4: actualitzeu el vostre Raspberry Pi i els seus paquets
- Pas 5: predir una imatge mitjançant el model Imagenet Exemple:
- Pas 6: predicció d'imatges personalitzades
Vídeo: Reconeixement d'imatges amb TensorFlow a Raspberry Pi: 6 passos
2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:15
Google TensorFlow és una biblioteca de programari de codi obert per a càlcul numèric que utilitza gràfics de flux de dades. Google l’utilitza en els seus diversos camps d’aprenentatge automàtic i tecnologies d’aprenentatge profund. TensorFlow va ser desenvolupat originalment per Google Brain Team i es publica al domini públic com GitHub.
Per obtenir més tutorials, visiteu el nostre bloc. Obteniu Raspberry Pi de FactoryForward: distribuïdor aprovat a l'Índia.
Llegiu aquest tutorial al nostre bloc aquí.
Pas 1: aprenentatge automàtic
L’aprenentatge automàtic i l’aprenentatge profund passaran per Intel·ligència Artificial (IA). Un aprenentatge automàtic observarà i analitzarà les dades disponibles i en millora els resultats al llarg del temps.
Exemple: funció de vídeos recomanats de YouTube. Mostra els vídeos relacionats que heu vist abans. La predicció es limita només als resultats basats en text. Però l'aprenentatge profund pot anar més enllà d'això.
Pas 2: Aprenentatge profund
L'aprenentatge profund és gairebé similar a això, però pren decisions més precises per si mateixos mitjançant la recopilació de diverses informacions sobre un objecte. Té moltes capes d’anàlisi i pren una decisió segons ella. Per agilitzar el procés, utilitza Neural Network i ens proporciona un resultat més exacte que necessitàvem (significa una millor predicció que ML). Una cosa així com com pensa i pren decisions un cervell humà.
Exemple: detecció d'objectes. Detecta el que hi ha disponible en una imatge. Una cosa semblant que podeu diferenciar un Arduino i un Raspberry Pi per la seva aparença, mida i colors.
És un tema ampli i té diverses aplicacions.
Pas 3: requisits previs
TensorFlow va anunciar suport oficial per a Raspberry Pi, des de la versió 1.9 donarà suport a Raspberry Pi mitjançant la instal·lació de paquets pip. Veurem com instal·lar-lo al nostre Raspberry Pi en aquest tutorial.
- Python 3.4 (recomanat)
- Raspberry Pi
- Font d'alimentació
- Raspbian 9 (estirament)
Pas 4: actualitzeu el vostre Raspberry Pi i els seus paquets
Pas 1: actualitzeu el vostre Raspberry Pi i els seus paquets.
sudo apt-get update
sudo apt-get upgrade
Pas 2: proveu que teniu la versió més recent de Python mitjançant aquesta ordre.
python3 –versió
Es recomana tenir almenys Python 3.4.
Pas 3: hem d’instal·lar la biblioteca de libatlas (ATLAS - Programed Tuned Algebra Linear Tuned). Perquè TensorFlow utilitza numpy. Per tant, instal·leu-lo mitjançant l'ordre següent
sudo apt install libatlas-base-dev
Pas 4: instal·leu TensorFlow mitjançant l'ordre d'instal·lació de Pip3.
pip3 instal·la tensorflow
Ara està instal·lat TensorFlow.
Pas 5: predir una imatge mitjançant el model Imagenet Exemple:
TensorFlow ha publicat un model per predir imatges. Primer heu de descarregar el model i després executar-lo.
Pas 1: executeu l'ordre següent per descarregar els models. És possible que hàgiu d'instal·lar git.
git clone
Pas 2: aneu a l'exemple de imatgeet.
models de CD / tutorials / imatge / imagenet
Consell professional: al nou Raspbian Stretch, podeu trobar el fitxer ‘classify_image.py’ manualment i, a continuació, fer-hi clic amb el botó dret. Trieu "Copia els camins". A continuació, enganxeu-lo al terminal després del 'cd' i premeu Retorn. D'aquesta manera, podeu navegar més ràpidament sense cap error (en cas d'error ortogràfic o el nom del fitxer es canvia en les actualitzacions noves).
He utilitzat el mètode "Copia camins" per incloure el camí exacta a la imatge (/ home / pi).
Pas 3: executeu l'exemple amb aquesta ordre. Es trigaran uns 30 segons a mostrar el resultat previst.
python3 classify_image.py
Pas 6: predicció d'imatges personalitzades
També podeu descarregar una imatge d’Internet o utilitzar la vostra pròpia imatge a la càmera per fer prediccions. Per obtenir millors resultats, utilitzeu menys imatges de memòria.
Per utilitzar imatges personalitzades, utilitzeu la següent manera. Tinc el fitxer d’imatges a la ubicació ‘/home/pi/Downloads/TensorImageTest1.jpg’. Només cal que substituïu això per la ubicació i el nom del fitxer. Utilitzeu "Copia camins" per facilitar la navegació.
python3 classify_image.py --image_file = / home / pi / Downloads / TensorImageTest1.jpg
També podeu provar altres exemples. Però heu d’instal·lar els paquets necessaris abans de l’execució. En els propers tutorials tractarem alguns temes interessants de TensorFlow.
Recomanat:
Intel·ligència artificial i reconeixement d’imatges mitjançant HuskyLens: 6 passos (amb imatges)
Intel·ligència artificial i reconeixement d’imatges mitjançant HuskyLens: Ei, què passa, nois! Akarsh aquí des de CETech. En aquest projecte, farem una ullada a HuskyLens de DFRobot. És un mòdul de càmera alimentat per IA que és capaç de fer diverses operacions d’Intel·ligència Artificial com ara Face Recognitio
Mirall de reconeixement facial amb compartiment secret: 15 passos (amb imatges)
Mirall de reconeixement facial amb compartiment secret: sempre he estat intrigat pels compartiments secrets sempre creatius que s’utilitzen en històries, pel·lícules i similars. Per tant, quan vaig veure el Concurs de compartiments secrets, vaig decidir experimentar jo mateixa amb la idea i fer un mirall d’aspecte normal que obrís un
Reconeixement d'imatges amb plaques K210 i Arduino IDE / Micropython: 6 passos (amb imatges)
Reconeixement d’imatges amb plaques K210 i Arduino IDE / Micropython: ja vaig escriure un article sobre com executar demostracions d’OpenMV a Sipeed Maix Bit i també vaig fer un vídeo de demostració de detecció d’objectes amb aquesta placa. Una de les moltes preguntes que la gent ha formulat és: com puc reconèixer un objecte que la xarxa neuronal no és tr
Timbre amb reconeixement facial: 7 passos (amb imatges)
Timbre amb reconeixement facial: motivació Recentment, al meu país hi ha hagut una onada de robatoris dirigits a persones grans a casa seva. Normalment, l’accés el concedeixen els mateixos ocupants, ja que els visitants els convencen que són cuidadors / infermeres. És
Sistema de seguretat de reconeixement facial per a una nevera amb Raspberry Pi: 7 passos (amb imatges)
Sistema de seguretat de reconeixement facial per a un refrigerador amb Raspberry Pi: navegant per Internet he descobert que els preus dels sistemes de seguretat varien de 150 a 600 $ i més, però no totes les solucions (fins i tot les molt cares) es poden integrar amb altres eines intel·ligents a casa! Per exemple, no es pot configurar