Erste Schritte mit der Bilderkennung mit TensorFlow und Raspberry Pi

TensorFlow ist die Neural Network-Bibliothek von Google. Angesichts der Tatsache, dass maschinelles Lernen derzeit das heißeste ist, ist es nicht weiter verwunderlich, dass Google zu den führenden Unternehmen dieser neuen Technologie gehört.

In diesem Artikel erfahren Sie, wie Sie TensorFlow auf dem Raspberry Pi installieren und eine einfache Bildklassifizierung in einem bereits trainierten neuronalen Netzwerk durchführen.

Fertig machen

Um mit der Bilderkennung zu beginnen, benötigen Sie einen Raspberry Pi (jedes Modell wird funktionieren) und eine SD-Karte mit dem Raspbian Stretch (9.0+) Betriebssystem (wenn Sie noch nicht mit dem Raspberry Pi vertraut sind, verwenden Sie unsere Installationsanleitung). Starten Sie den Pi und öffnen Sie ein Terminalfenster. Stellen Sie sicher, dass Ihr Pi auf dem neuesten Stand ist, und überprüfen Sie Ihre Python-Version.

Sudo apt-get Update Python - Version Python3 - Version

Sie können sowohl Python 2.7 als auch Python 3.4+ für dieses Lernprogramm verwenden. Dieses Beispiel ist für Python 3. Ersetzen Sie für Python 2.7 Python3 mit Python, und pip3 mit Pip während dieses Tutorials.

Pip ist ein Paketmanager für Python, der normalerweise standardmäßig in Linux-Distributionen installiert wird. Wenn Sie feststellen, dass Sie es nicht haben, befolgen Sie die Anweisungen für die Installation von Linux. So installieren Sie PIP für Python unter Windows, Mac und Linux. So installieren Sie PIP für Python unter Windows, Mac und Linux PIP für Python, um alles einfacher und schneller zu machen. So installieren Sie PIP Lesen Sie mehr in diesem Artikel, um es zu installieren.

TensorFlow installieren

Die Installation von TensorFlow war früher ein ziemlich frustrierender Prozess, aber ein kürzlich vorgenommenes Update macht es unglaublich einfach. Sie können dieses Tutorial zwar ohne Vorkenntnisse absolvieren, es lohnt sich jedoch, die Grundlagen des maschinellen Lernens zu verstehen, bevor Sie es ausprobieren.

Installieren Sie vor der Installation von TensorFlow die Atlas Bibliothek.

sudo apt install libatlas-base-dev

Sobald dies abgeschlossen ist, installieren Sie TensorFlow über pip3

pip3 installiere --user tensorflow

Dadurch wird TensorFlow für den angemeldeten Benutzer installiert. Wenn Sie lieber eine virtuelle Umgebung verwenden möchten Erfahren Sie, wie Sie die virtuelle Python-Umgebung verwenden. Erfahren Sie, wie Sie die virtuelle Python-Umgebung verwenden Python-Projekt. Lesen Sie mehr, ändern Sie Ihren Code hier entsprechend.

TensorFlow testen

Sobald es installiert ist, können Sie testen, ob es mit dem TensorFlow-Äquivalent von a arbeitet Hallo Welt!

Erstellen Sie über die Befehlszeile ein neues Python-Skript mit Nano oder vim (Wenn Sie nicht sicher sind, welche Sie verwenden sollen, haben beide Vorteile im Vergleich zu Vim: Nano vs. Vim: Vergleich von Nano und Vim: Vergleich von Terminal-Text. Obwohl Linux für jeden praktisch ohne weiteres zu verwenden ist, ist es mittlerweile leicht genug Im Terminal gibt es einige von uns, die es regelmäßig benutzen oder neugierig darauf sind, wie man steuern kann und es etwas leicht zu merken gibt.

sudo nano tftest.py 

Geben Sie diesen von Google bereitgestellten Code zum Testen von TensorFlow ein:

Tensorflow importieren als tf hello = tf.constant ('Hallo, TensorFlow!') sess = tf.Session () print (sess.run (hallo)) 

Wenn Sie Nano verwenden, beenden Sie durch Drücken von Strg + X und speichern Sie Ihre Datei durch Eingabe Y wenn Sie dazu aufgefordert werden.

Führen Sie den Code vom Terminal aus:

python3 tftest.py 

Das solltest du sehen “Hallo TensorFlow” gedruckt. Wenn Sie Python 3.5 ausführen, werden mehrere Laufzeitwarnungen angezeigt. Die offiziellen TensorFlow-Tutorials erkennen an, dass dies geschieht, und ignorieren es.

Es klappt! Nun etwas Interessantes mit TensorFlow zu tun.

Image Classifier installieren

Erstellen Sie im Terminal ein Verzeichnis für das Projekt in Ihrem Basisverzeichnis und navigieren Sie darin.

mkdir tf1 cd tf1 

TensorFlow bietet ein Git-Repository mit Beispielmodellen zum Ausprobieren. Klonen Sie das Repository in das neue Verzeichnis:

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

Sie möchten das Beispiel für die Bildklassifizierung verwenden, das Sie unter finden können Modelle / Tutorials / Bild / Imagenet. Navigiere jetzt zu diesem Ordner:

CD-Modelle / Tutorials / Bild / Imagenet 

Das Standard-Skript zur Bildklassifizierung wird mit einem bereitgestellten Bild eines Pandas ausgeführt:

Um den Standard-Bildklassifizierer mit dem bereitgestellten Panda-Bild auszuführen, geben Sie Folgendes ein:

python3 classify_image.py 

Dadurch wird ein Bild eines Pandas in das neuronale Netzwerk eingespeist, das Vermutungen darüber liefert, um welches Bild es sich handelt, und bietet einen Wert für die Sicherheit.

Wie das Ausgabebild zeigt, hat das neuronale Netz mit einer Sicherheit von fast 90 Prozent richtig geraten. Das Bild könnte auch einen Vanillepudding-Apfel enthalten, war aber mit dieser Antwort nicht sehr zuversichtlich.

Ein benutzerdefiniertes Bild verwenden

Das Panda-Bild beweist, dass TensorFlow funktioniert, aber das überrascht vielleicht nicht, wenn man das Projekt als Beispiel betrachtet. Für einen besseren Test können Sie dem neuronalen Netz ein eigenes Bild zur Klassifizierung geben. In diesem Fall werden Sie sehen, ob das TensorFlow-Neuronennetz George identifizieren kann.

Lernen Sie George kennen. George ist ein Dinosaurier. Um dieses Bild (hier in abgeschnittener Form verfügbar) in das neuronale Netz einzugeben, fügen Sie beim Ausführen des Skripts Argumente hinzu.

python3 classify_image.py --image_file = / home / pi / george.jpg 

Das image_file = Wenn Sie dem Skriptnamen folgen, können Sie jedes Bild nach Pfad hinzufügen. Mal sehen, wie dieses neuronale Netz funktioniert hat.

Nicht schlecht! Während George kein Triceratops ist, stufte das neuronale Netz das Bild im Vergleich zu den anderen Optionen mit hoher Sicherheit als Dinosaurier ein.

TensorFlow und Raspberry Pi, einsatzbereit

Diese grundlegende Implementierung von TensorFlow hat bereits Potenzial. Diese Objekterkennung findet auf dem Pi statt und benötigt keine Internetverbindung, um zu funktionieren. Das bedeutet, dass durch das Hinzufügen eines Raspberry Pi-Kameramoduls und einer Raspberry Pi-geeigneten Batterieeinheit das gesamte Projekt tragbar werden könnte.

Bei den meisten Tutorials wird nur die Oberfläche eines Motivs zerkratzt. Dies ist jedoch noch nie so groß wie in diesem Fall. Maschinelles Lernen ist ein unglaublich dichtes Thema. Eine Möglichkeit, Ihr Wissen weiterzuentwickeln, wäre durch einen dedizierten Kurs. Diese Machine Learning-Kurse bereiten einen Karrierepfad für Sie vor. Diese Machine Learning-Kurse bereiten einen Karrierepfad für Sie vor eine Karriere im Bereich des maschinellen Lernens und der künstlichen Intelligenz beginnen. Weiterlesen . In der Zwischenzeit können Sie sich mit den TensorFlow-Projekten, die Sie selbst ausprobieren können, maschinell lernen und mit dem Raspberry Pi vertraut machen.

Erfahren Sie mehr über: Google TensorFlow, Bilderkennung, Raspberry Pi.