Memulai Dengan Pengenalan Gambar Menggunakan TensorFlow dan Raspberry Pi

Iklan

TensorFlow adalah pustaka Neural Network Google. Mengingat bahwa pembelajaran mesin adalah hal terpanas saat ini, tidak mengherankan bahwa Google adalah salah satu pemimpin dalam teknologi baru ini.

Pada artikel ini, Anda akan belajar cara menginstal TensorFlow pada Raspberry Pi, dan menjalankan klasifikasi gambar sederhana pada jaringan saraf pra-terlatih.

Mulai

Untuk memulai dengan pengenalan gambar, Anda memerlukan Raspberry Pi (model apa pun akan berfungsi) dan kartu SD dengan sistem operasi Raspbian Stretch (9.0+) (jika Anda baru menggunakan Raspberry Pi, gunakan kami petunjuk pemasangan).

Boot Pi dan buka jendela terminal. Pastikan Pi Anda mutakhir, dan periksa versi Python Anda.

sudo apt-get pembaruan. python --versi. python3 --versi

Anda bisa menggunakan Python 2.7 atau Python 3.4+ untuk tutorial ini. Contoh ini untuk Python 3. Untuk Python 2.7, ganti Python3 dengan Python, dan pip3 dengan pip sepanjang tutorial ini.

Pip adalah manajer paket untuk Python, biasanya dipasang sebagai standar pada distribusi Linux.

Jika Anda merasa tidak memilikinya, ikuti instal untuk instruksi Linux Cara Memasang Python PIP di Windows, Mac, dan LinuxBanyak pengembang Python bergantung pada alat yang disebut PIP untuk Python untuk merampingkan pengembangan. Berikut cara menginstal PIP Python. Baca lebih banyak dalam artikel ini untuk menginstalnya.

Menginstal TensorFlow

Menginstal TensorFlow dulunya merupakan proses yang cukup membuat frustrasi, tetapi pembaruan terkini membuatnya sangat sederhana. Meskipun Anda dapat mengikuti tutorial ini tanpa sepengetahuan sebelumnya, mungkin perlu dipahami dasar-dasar pembelajaran mesin sebelum mencobanya.

Sebelum menginstal TensorFlow, instal Atlas Perpustakaan.

sudo apt install libatlas-base-dev

Setelah selesai instal TensorFlow via pip3

pip3 instal --user tensorflow

Ini akan menginstal TensorFlow untuk pengguna yang masuk. Jika Anda lebih suka menggunakan a lingkungan virtual Pelajari Cara Menggunakan Lingkungan Virtual PythonApakah Anda seorang pengembang Python yang berpengalaman, atau Anda baru memulai, mempelajari cara mengatur lingkungan virtual sangat penting untuk setiap proyek Python. Baca lebih banyak , modifikasi kode Anda di sini untuk mencerminkan hal ini.

Menguji TensorFlow

Setelah diinstal, Anda dapat menguji apakah itu berfungsi dengan setara dengan TensorFlow a Halo Dunia!

Dari baris perintah, buat skrip Python baru menggunakan nano atau vim (Jika Anda tidak yakin yang akan digunakan, mereka berdua memiliki kelebihan) dan beri nama sesuatu yang mudah diingat.

sudo nano tftest.py. 

Masukkan kode ini, disediakan oleh Google untuk menguji TensorFlow:

impor tensorflow sebagai tf. hello = tf.constant ('Halo, TensorFlow!') sess = tf. Sidang() print (sess.run (hello))

Jika Anda menggunakan nano, keluar dengan menekan Ctrl + X dan simpan file Anda dengan mengetik Y ketika diminta.

Jalankan kode dari terminal:

python3 tftest.py. 

Anda akan melihat "Halo, TensorFlow" dicetak.

Jika Anda menjalankan Python 3.5, Anda akan mendapatkan beberapa peringatan runtime. Tutorial resmi TensorFlow mengakui bahwa ini terjadi, dan menyarankan Anda untuk mengabaikannya.

Berhasil! Sekarang untuk melakukan sesuatu yang menarik dengan TensorFlow.

Menginstal Image Classifier

Di terminal, buat direktori untuk proyek di direktori home Anda dan navigasikan ke dalamnya.

mkdir tf1. cd tf1. 

TensorFlow memiliki repositori git dengan contoh model untuk dicoba. Klon repositori ke direktori baru:

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

Anda ingin menggunakan contoh klasifikasi gambar, yang dapat ditemukan di model / tutorial / gambar / imagenet. Arahkan ke folder itu sekarang:

model cd / tutorial / gambar / imagenet. 

Script klasifikasi gambar standar dijalankan dengan gambar panda yang disediakan:

Untuk menjalankan classifier gambar standar dengan gambar panda yang disediakan, masukkan:

python3 classify_image.py. 

Ini memberi makan gambar panda ke jaringan saraf, yang mengembalikan dugaan tentang apa gambar dengan nilai untuk tingkat kepastiannya.

Seperti yang ditunjukkan gambar output, jaring saraf menebak dengan benar, dengan kepastian hampir 90 persen. Ia juga berpikir gambar itu mungkin berisi apel custard, tetapi tidak terlalu percaya diri dengan jawaban itu.

Menggunakan Gambar Kustom

Gambar panda membuktikan bahwa TensorFlow berfungsi, tetapi itu mungkin tidak mengejutkan mengingat itu adalah contoh yang diberikan proyek. Untuk tes yang lebih baik, Anda dapat memberikan gambar Anda sendiri ke jaringan saraf untuk klasifikasi.

Dalam hal ini, Anda akan melihat apakah jaringan saraf TensorFlow dapat mengidentifikasi George.

Temui George. George adalah dinosaurus. Untuk memberi makan gambar ini (tersedia dalam bentuk yang dipotong sini) ke dalam neural net, tambahkan argumen saat menjalankan skrip.

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

Itu image_file = mengikuti nama skrip memungkinkan penambahan gambar dengan jalur apa pun. Mari kita lihat bagaimana jaringan syaraf ini melakukannya.

Tidak buruk! Sementara George bukan triceratops, jaringan syaraf mengklasifikasikan gambar sebagai dinosaurus dengan tingkat kepastian yang tinggi jika dibandingkan dengan pilihan lain.

TensorFlow dan Raspberry Pi, Siap untuk Pergi

Implementasi dasar TensorFlow ini sudah memiliki potensi. Pengenalan objek ini terjadi pada Pi, dan tidak memerlukan koneksi internet untuk berfungsi. Ini berarti bahwa dengan penambahan a Modul kamera Raspberry Pi dan a Unit baterai yang sesuai dengan Raspberry Pi, seluruh proyek bisa dibawa-bawa.

Sebagian besar tutorial hanya menggores permukaan subjek, tetapi tidak pernah lebih benar daripada dalam kasus ini. Pembelajaran mesin adalah subjek yang sangat padat.

Salah satu cara untuk membawa pengetahuan Anda lebih jauh adalah dengan mengambil kursus khusus Kursus Pembelajaran Mesin Ini Akan Mempersiapkan Jalur Karier untuk AndaKursus pembelajaran mesin online yang sangat baik ini akan membantu Anda memahami keterampilan yang dibutuhkan untuk memulai karir dalam pembelajaran mesin dan kecerdasan buatan. Baca lebih banyak . Sementara itu, dapatkan pembelajaran mesin dan Raspberry Pi dengan proyek-proyek TensorFlow ini yang dapat Anda coba sendiri.