Taula de continguts:

Reconeixement d'imatges amb TensorFlow a Raspberry Pi: 6 passos
Reconeixement d'imatges amb TensorFlow a Raspberry Pi: 6 passos

Vídeo: Reconeixement d'imatges amb TensorFlow a Raspberry Pi: 6 passos

Vídeo: Reconeixement d'imatges amb TensorFlow a Raspberry Pi: 6 passos
Vídeo: Real-time License Plate Recognition with YOLOv7 + OCR in Google Colab GPU | ANPR/ALPR Tutorial 2023 2024, De novembre
Anonim
Reconeixement d’imatges amb TensorFlow a Raspberry Pi
Reconeixement d’imatges amb TensorFlow a Raspberry Pi

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:

Predicció d'una imatge mitjançant un exemple de model Imagenet
Predicció d'una imatge mitjançant un exemple de model Imagenet

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

Predicció d'imatges personalitzades
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: