Gépi tanulási szoftver telepítése tensorflow a málna pi-re

A gépi tanulás és a mesterséges intelligencia manapság az iparágban felkapott téma, és láthatjuk, hogy egyre nagyobb szerepet játszik minden új elektronikai eszköz piacra dobása. A számítástechnika szinte minden alkalmazása a Gépi tanulást használja a jövőbeli eredmények elemzésére és előrejelzésére. Számos olyan eszköz van már forgalomban a piacon, amelyek a gépi tanulás és a mesterséges intelligencia erejét használják ki, például a Smartphone kamerája AI-funkciókat használ az arcfelismeréshez és az arcfelismerésből a látszólagos életkor megmondásához.

Nem meglepő, hogy a Google az egyik úttörő ebben a technológiában. A Google már sok olyan ML és AI keretrendszert készített, amelyeket könnyen megvalósíthatunk alkalmazásainkban. A TensorFlow az egyik jól ismert Google nyílt forráskódú Neural Network könyvtár, amelyet olyan gépi tanulási alkalmazásokban használnak, mint a képosztályozás, az objektumérzékelés stb.

A következő években, látni fogjuk, több használata AI a mindennapi életben és az AI képes lesz kezelni a napi feladatokat, mint a rendelés élelmiszerbolt online autóvezetés, ellenőrzés a háztartási gépek, stb Szóval, hogy miért maradt kihasználni néhány gép algoritmusok olyan hordozható eszközökön, mint a Raspberry Pi.

Ebben az oktatóanyagban megtanuljuk, hogyan kell telepíteni a TensorFlow szoftvert a Raspberry Pi-re, és bemutatunk néhány példát egyszerű képbesorolással egy előre kiképzett ideghálózaton. Korábban a Raspberry Pi-t más képfeldolgozási feladatokhoz használtuk, mint például az optikai karakterfelismerés, az arcfelismerés, a rendszámtábla-felismerés stb.

Követelmények

1. Raspberry Pi, benne Raspbian operációs rendszer (SD-kártya legalább 16 GB)
2. Működő internetkapcsolat

Itt az SSH-t fogjuk használni a Raspberry Pi eléréséhez a laptopon. Használhatja a laptopon a VNC vagy a Távoli asztali kapcsolatot, vagy csatlakoztathatja a Raspberry pi monitorhoz. Tudjon meg többet a Raspberry Pi fej nélküli beállításáról itt, monitor nélkül.

A Raspberry pi, hordozható és kevésbé energiafogyasztó eszköz, sok valós idejű képfeldolgozó alkalmazásban használják, például Arcfelismerés, objektumkövetés, Otthoni biztonsági rendszer, Felügyeleti kamera stb. sok nagy teljesítményű képfeldolgozó alkalmazás építhető fel.

Korábban a TensorFlow telepítése meglehetősen nehéz feladat volt, de az ML és az AI fejlesztők közelmúltbeli hozzájárulása nagyon egyszerűvé tette ezt, és most már csak néhány parancs használatával telepíthető. Ha ismeri a gépi tanulás és a mély tanulás néhány alapját, hasznos lehet tudni, hogy mi folyik az ideghálózatban. De még akkor is, ha új ismerete van a gépi tanulás területén, akkor sem lesz probléma, ha továbbra is folytatja az oktatóanyagot, és néhány példaprogramot használhat annak elsajátításához.

A TensorFlow telepítése a Raspberry Pi programba

Az alábbiakban bemutatjuk a TensorFlow Raspberry pi telepítésének lépéseit:

1. lépés: A TensorFlow Raspberry Pi telepítése előtt először frissítse és frissítse a Raspbian operációs rendszert a következő parancsok használatával

sudo apt-get update sudo apt-get upgrade

2. lépés: Ezután telepítse az Atlas könyvtárat a Numpy és más függőségek támogatásához.

sudo apt install libatlas-base-dev

3. lépés: Miután ez befejeződött, telepítse a TensorFlow programot a pip3 segítségével az alábbi paranccsal

pip3 telepítse a tensorflow-t

Néhány szükséges a TensorFlow telepítéséhez, ha valamilyen hibával szembesül a telepítés során, csak próbálkozzon újra a fenti paranccsal.

4. lépés: A TensorFlow sikeres telepítése után egy kis Hello world program segítségével ellenőrizzük, hogy megfelelően van-e telepítve. Ehhez nyissa meg a nano szövegszerkesztőt az alábbi paranccsal:

sudo nano tfcheck.py

És másolja be-illessze be a sorokat a nano terminálba, és mentse el a ctrl + x gombbal, és nyomja meg az Enter billentyűt.

import tensorflow tf-ként hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hello))

5. lépés: Most futtassa ezt a parancsfájlt a terminálban az alábbi paranccsal

python3 tfcheck.py

Ha az összes csomag megfelelően települ, akkor megjelenik a Hello Tensorflow! üzenetet az utolsó sorban, az alábbiak szerint, figyelmen kívül hagyja az összes figyelmeztetést.

Remekül működik, és most valami érdekeset fogunk csinálni a TensorFlow használatával, és nem kell semmilyen ismerete a gépi tanulásról és a mély tanulásról a projekt végrehajtásához. Itt egy kép előre elkészített modellben kerül betöltésre, és a TensorFlow azonosítja a képet. A TensorFlow megadja a legközelebbi valószínűséget annak, ami a képen van.

Képosztályozó telepítése a Raspberry Pi-re a képfelismeréshez

1. lépés: - Készítsen egy könyvtárat, és navigáljon a könyvtárba az alábbi parancsok segítségével.

mkdir tf cd tf

2. lépés: - Most töltse le a TensorFlow GIT adattáron elérhető modelleket. Klónozza az adattárat a tf könyvtárba az alábbi paranccsal

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

Ez egy ideig eltart, és nagy méretű, ezért győződjön meg róla, hogy rendelkezik elegendő adattervvel.

3. lépés: - Képosztályozási példát fogunk használni, amely megtalálható a modellekben / oktatóanyagokban / image / imagenet. Az alábbi paranccsal navigáljon erre a mappára

CD modellek / oktatóanyagok / image / imagenet

4. lépés: - Most töltsön be egy képet az előre felépített ideghálózatba az alábbi paranccsal.

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

Cserélje le az image_file_name nevet a képre, amelyet meg kell adnia, majd nyomja meg az Enter billentyűt.

Az alábbiakban bemutatunk néhány példát a képek detektálására és felismerésére a TensorFlow segítségével.

Nem rossz! az idegháló egyiptomi macskának minősítette a képet, nagyfokú biztonsággal, összehasonlítva a többi lehetőséggel.

Az összes fenti példában az eredmények nagyon jók, és a TensorFlow szoros biztonsággal könnyedén osztályozhatja a képeket. Ezt kipróbálhatja testreszabott képei segítségével.

Ha van valamilyen ismerete a gépi tanulásról, akkor az objektumok felismerését ezen a platformon néhány könyvtár segítségével elvégezheti.

/>