Установка программного обеспечения для машинного обучения tenorflow на raspberry pi

Машинное обучение и искусственный интеллект - актуальные темы в отраслях в наши дни, и мы видим, что их участие растет с запуском каждого нового электронного устройства. Практически каждое приложение информатики использует машинное обучение для анализа и прогнозирования будущих результатов. Уже сейчас на рынке представлено множество устройств, которые используют возможности машинного обучения и искусственного интеллекта, например, камера смартфона использует функции с поддержкой ИИ для обнаружения лиц и определения предполагаемого возраста по распознаванию лиц.

Неудивительно, что Google является одним из пионеров этой технологии. Google уже создал множество фреймворков машинного обучения и искусственного интеллекта, которые мы можем легко реализовать в наших приложениях. TensorFlow - одна из хорошо известных библиотек нейронных сетей с открытым исходным кодом Google, которая используется в приложениях машинного обучения, таких как классификация изображений, обнаружение объектов и т. Д.

В ближайшие годы мы увидим более широкое использование ИИ в нашей повседневной жизни, и ИИ сможет выполнять ваши повседневные задачи, такие как заказ продуктов в Интернете, вождение автомобиля, управление вашей бытовой техникой и т. Д. Итак, почему мы оставили позади, чтобы использовать какую-то машину алгоритмы на портативных устройствах, таких как Raspberry Pi.

В этом руководстве мы узнаем, как установить TensorFlow на Raspberry Pi, и покажем несколько примеров с простой классификацией изображений в предварительно обученной нейронной сети. Ранее мы использовали Raspberry Pi для других задач обработки изображений, таких как оптическое распознавание символов, распознавание лиц, обнаружение номерных знаков и т. Д.

Требования

1. Raspberry Pi с установленной в нем ОС Raspbian (SD-карта не менее 16 ГБ)
2. Рабочее подключение к Интернету

Здесь мы будем использовать SSH для доступа к Raspberry Pi на ноутбуке. Вы можете использовать подключение к VNC или удаленному рабочему столу на ноутбуке или подключить Raspberry pi к монитору. Узнайте больше о настройке Raspberry Pi без монитора здесь.

Raspberry pi, будучи портативным и менее энергоемким устройством, используется во многих приложениях для обработки изображений в реальном времени, таких как распознавание лиц, отслеживание объектов, домашняя система безопасности, камера наблюдения и т. Д. Любое с использованием любого программного обеспечения компьютерного зрения, такого как OpenCV с Raspberry Pi, Можно создать множество мощных приложений для обработки изображений.

Раньше установка TensorFlow была довольно сложной задачей, но недавний вклад разработчиков машинного обучения и искусственного интеллекта сделал ее очень простой, и теперь ее можно установить, просто используя несколько команд. Если вы знаете некоторые основы машинного обучения и глубокого обучения, вам будет полезно узнать, что происходит внутри нейронной сети. Но даже если вы новичок в области машинного обучения, проблем не возникнет, вы все равно можете продолжить изучение учебника и использовать несколько примеров программ для его изучения.

Установка TensorFlow в Raspberry Pi

Ниже приведены шаги по установке TensorFlow в Raspberry pi:

Шаг 1. Перед установкой TensorFlow в Raspberry Pi сначала обновите и обновите ОС Raspbian, используя следующие команды

sudo apt-get update sudo apt-get upgrade

Шаг 2: Затем установите библиотеку Atlas, чтобы получить поддержку Numpy и других зависимостей.

sudo apt установить libatlas-base-dev

Шаг 3: Как только это будет завершено, установите TensorFlow через pip3, используя команду ниже

pip3 установить tenorflow

Для установки TensorFlow потребуется некоторое время, если вы столкнетесь с какой-либо ошибкой при установке, просто повторите попытку, используя указанную выше команду.

Шаг 4: После успешной установки TensorFlow мы проверим, правильно ли он установлен, с помощью небольшой программы Hello world . Для этого откройте текстовый редактор nano, используя команду ниже:

sudo nano tfcheck.py

Скопируйте и вставьте под строками в нано- терминале и сохраните его, используя ctrl + x, и нажмите Enter.

импортировать тензорный поток как tf hello = tf.constant ('Hello, TensorFlow!') sessions = tf.Session () print (sessions.run (hello))

Шаг 5: Теперь запустите этот скрипт в терминале, используя команду ниже

python3 tfcheck.py

Если все пакеты установлены правильно, вы увидите Hello Tensorflow! сообщение в последней строке, как показано ниже, игнорируйте все предупреждения.

Он отлично работает, и теперь мы сделаем что-нибудь интересное с помощью TensorFlow, и вам не нужно иметь никаких знаний о машинном обучении и глубоком обучении для этого проекта. Здесь изображение загружается в предварительно созданную модель, и TensorFlow идентифицирует изображение. TensorFlow даст ближайшую вероятность того, что находится на изображении.

Установка классификатора изображений на Raspberry Pi для распознавания изображений

Шаг 1: - Создайте каталог и перейдите к нему с помощью команд ниже.

mkdir tf cd tf

Шаг 2: - Теперь загрузите модели, доступные в репозитории TensorFlow GIT. Клонируйте репозиторий в каталог tf, используя команду ниже

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

Для установки потребуется некоторое время, и он большой по размеру, поэтому убедитесь, что у вас достаточно тарифного плана.

Шаг 3: - Мы будем использовать пример классификации изображений, который можно найти в models / tutorials / image / imagenet. Перейдите в эту папку, используя команду ниже

модели компакт-дисков / учебные пособия / изображение / imagenet

Шаг 4: - Теперь загрузите изображение в предварительно созданную нейронную сеть, используя команду ниже.

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

Замените image_file_name изображением, которое вы должны кормить, а затем нажмите Enter.

Ниже приведены несколько примеров обнаружения и распознавания изображений с помощью TensorFlow.

Неплохо! нейронная сеть классифицировала изображение как египетскую кошку с высокой степенью достоверности по сравнению с другими вариантами.

Во всех приведенных выше примерах результаты довольно хорошие, и TensorFlow может легко классифицировать изображения с высокой степенью достоверности. Вы можете попробовать это, используя свои собственные изображения.

Если у вас есть некоторые знания о машинном обучении, оно может выполнять обнаружение объектов на этой платформе с использованием некоторых библиотек.

/>