Cara Membangun Proyek AI DIY Menggunakan Google TensorFlow dan Raspberry Pi

Iklan

Pembelajaran mesin adalah topik di bibir setiap orang. Sangat mudah untuk melihat alasannya. Ini adalah masa depan manipulasi data dan sudah digunakan di hampir setiap pengaturan bisnis modern. Tapi bisakah dikombinasikan dengan Raspberry Pi? Apakah Pi memenuhi tugas mempertahankan jaringan saraf yang berfungsi? Dengan Google TensorFlow, itu bisa!

Inilah cara memasang TensorFlow pada Raspberry Pi, dengan beberapa contoh penggunaan.

Apa itu TensorFlow?

Sebelum menyelam ke dalam contoh bagaimana TensorFlow digunakan, ada baiknya mengetahui apa itu sebenarnya.

Singkatnya, TensorFlow adalah jaringan saraf Google yang dapat dilatih, yang dapat melakukan banyak tugas berbeda. Dengan secara aktif belajar dari set data kurasi pengguna, jaringan saraf TensorFlow membuat prediksi yang akurat ketika diberi data baru.

Singkatnya, jaringan saraf TensorFlow berpikir.

Periksa daftar kami Contoh Tensorflow Apa itu Google TensorFlow? Contoh dan Tutorial Sumber TerbukaTensorFlow, pembelajaran mesin, dan jaringan saraf. Berikut ini gambaran umum singkat tentang apa itu, mengapa itu berguna, dan bagaimana cara mempelajarinya.

Baca lebih banyak untuk informasi lebih lanjut.

Cara Memasang TensorFlow

Sementara memahami subjek pembelajaran mesin membutuhkan studi serius, penggunaan dasar TensorFlow mudah diikuti. Kami Pengenalan Gambar dengan tutorial TensorFlow Memulai Dengan Pengenalan Gambar Menggunakan TensorFlow dan Raspberry PiIngin memahami pengenalan gambar? Berkat Tensorflow dan Raspberry Pi, Anda dapat memulai segera. Baca lebih banyak meliputi menginstal perpustakaan ke Pi Anda. Ini juga mencakup pengujian, dan menjalankan program klasifikasi gambar Inception dasar.

Dalam hal ini, TensorFlow menyediakan jaringan saraf yang sudah terlatih. Yang harus dilakukan pengguna adalah memasukkan tipe data yang benar, dan TensorFlow akan menebak apa yang ada di dalam gambar. Bahkan implementasi dasar TensorFlow mampu mengklasifikasikan gambar ke dalam 1000 kelas. Ini mendapatkan jumlah yang mengejutkan benar!

Tapi apa lagi yang bisa Anda lakukan dengan TensorFlow di Raspberry Pi?

Kami telah membahas cara membuat webcam pintar Kamera Keamanan Pan dan Tilt DIY Cam dengan Raspberry PiPelajari cara membuat kamera keamanan pan dan tilt yang dapat dilihat dari jarak jauh dengan Raspberry Pi. Proyek ini dapat diselesaikan di pagi hari hanya dengan bagian-bagian yang paling sederhana. Baca lebih banyak sebelumnya, tapi klasifikasi gambar seluler yang berbicara ini membawanya ke tingkat yang baru.

Posting terperinci ini menguraikan pengaturan perangkat keras dan perangkat lunak khusus yang terintegrasi dengan pengelompokan gambar Inception. Contoh kode menunjukkan betapa mudahnya mengintegrasikan TensorFlow dengan proyek (asalkan Anda nyaman dengan dasar-dasar bahasa Pemrograman Python 5 Kursus yang akan membawa Anda dari Python Beginner ke ProKelima kursus ini akan mengajarkan Anda semua tentang pemrograman dengan Python, salah satu bahasa terpanas saat ini. Baca lebih banyak ). Artikel ini masuk ke detail yang sangat besar tentang proses pengenalan gambar. Ini adalah sumber yang bagus secara umum bagi siapa saja yang tertarik di bidang ini.

Satu elemen yang sangat baik dari pengaturan ini mungkin awalnya tidak jelas:

"Bonus tambahan yang banyak ditunjukkan adalah, setelah diinstal, tidak ada akses internet diperlukan."

Pengenalan gambar sebelumnya selalu mengandalkan sejumlah besar waktu pemrosesan, atau koneksi internet. Pi tidak selalu dapat menyampaikan informasi ke cloud, dan memiliki daya pemrosesan yang terbatas. Ini solusinya, pengenal objek offline mandiri yang dapat Anda buat di rumah. Bahkan akan memberi tahu Anda apa yang dilihatnya. Bukankah masa depan luar biasa?

Cermin pintar buatan rumah (atau "ajaib") adalah tentang hal paling keren yang bisa Anda buat Cara Mengubah Layar Laptop Tua Menjadi Cermin AjaibCermin pintar adalah perangkat unik yang dapat Anda gunakan untuk menyuntikkan sihir ke rumah Anda. Kami menunjukkan kepada Anda bagaimana membangunnya dengan Raspberry Pi. Baca lebih banyak . Hanya membutuhkan Pi dan layar laptop lama bersama dengan perlengkapan DIY dasar, ini merupakan proyek pemula yang hebat. Alasdair Allan memutuskan untuk tidak puas dengan cermin pintar rata-rata dan membangunnya Cermin ajaib TensorFlow dengan pengenalan suara.

Tidak puas dengan biaya pengenalan suara berbasis web, Alasdair memutuskan TensorFlow sebagai alternatif offline. Mengintegrasikan model pengenalan suara pretensain TensorFlow ke dalam yang sudah digunakan Kit AIY kode menambahkan kata bangun khusus ke proyek.

Google mengumpulkan dataset dengan lebih dari 65.000 kata crowdsourced. Kumpulan data sumber terbuka ini melatih jaringan saraf untuk memahami beberapa kata.

Dalam hal ini, ia menambahkan beberapa kemungkinan bangun kata-kata tetapi masih mengalami masalah pembelajaran mesin yang akrab: dibutuhkan banyak data untuk melatih jaringan saraf.

Kecuali Anda bersedia membuat dataset unik dengan puluhan ribu entri, Anda terbatas pada apa yang tersedia secara bebas. Proyek ini menunjukkan batasan TensorFlow pada Pi dalam kondisi saat ini. Ini berfungsi penuh tetapi mendorong kemampuan komputasi Pi. Seperti dengan semua teknologi baru, implementasi awal ini adalah sekilas ke masa depan perangkat rumah pintar.

Diberikan Google sejarah dengan mobil self-driving Bagaimana Mobil Mengemudi Sendiri Bekerja: Mur dan Baut Di Balik Program Mobil Autonomous GoogleMampu bolak-balik bekerja sambil tidur, makan, atau mengejar favorit Anda blog adalah sebuah konsep yang sama-sama menarik dan tampaknya jauh dan terlalu futuristik untuk benar-benar terjadi. Baca lebih banyak , tidak mengherankan bahwa TensorFlow sangat cocok untuk pengendaraan mandiri.

Itu DeepPiCar adalah contoh yang sangat baik dari jenis jaringan saraf ini dalam tindakan. Di samping remote control standar, robot Raspberry Pi ini menampilkan sesuatu yang lebih pintar. Terlatih pada dataset yang disediakan pada halaman proyek GitHub, jaringan belajar untuk tetap berada di jalur yang telah ditentukan.

Proyek ini bukan untuk pemula. Perangkat keras yang dibutuhkan dapat ditemukan di hampir semua kit robot murah. Implementasi perangkat lunak membutuhkan pengetahuan yang lebih mendalam. Anda harus memiliki pemahaman yang baik tentang pembelajaran mesin sebelum menggunakannya.

Salah satu penyebaran TensorFlow yang paling terkenal di Pi, Penyortir mentimun Makoto Koike adalah tanda dari hal-hal yang akan datang.

Penyortiran produk segar untuk pasar yang berbeda adalah biaya besar untuk penyedia yang lebih kecil. Memilah mentimun berdasarkan ukuran dan kualitas adalah tugas yang hingga saat ini hanya dapat dilakukan oleh operator manusia. Penyortiran mesin sangat sulit untuk dicapai, dan mahal. TensorFlow memecahkan masalah ini dengan mengelompokkan mentimun secara real time melalui kamera.

Menggunakan lebih dari 7000 gambar mentimun, Makoto melatih jaringan saraf untuk membedakan berbagai jenis. Dalam pengoperasian, webcam mengambil gambar dari tiga sudut. Pi mengklasifikasikan gambar, sebelum meneruskannya ke server Linux untuk klasifikasi lebih lanjut. Hasilnya memicu sabuk konveyor dan sistem servo yang mengurutkan mentimun menjadi kotak.

Awal Sesuatu yang Cerdas

Kami sudah melihat Raspberry Pi digunakan untuk semuanya 26 Penggunaan Yang Luar Biasa untuk Raspberry PiProyek Raspberry Pi apa yang harus Anda mulai? Inilah pengumpulan dan penggunaan Raspberry Pi terbaik kami! Baca lebih banyak , jadi tidak mengejutkan bahwa TensorFlow telah tiba di sana. Pi berusaha keras untuk mengikuti tuntutan pembelajaran mesin, tetapi memang demikian bagus untuk mempelajari dasar-dasarnya Apa itu Pembelajaran Mesin? Kursus Gratis Google Memecahnya untuk AndaGoogle telah merancang kursus online gratis untuk mengajarkan Anda dasar-dasar pembelajaran mesin. Baca lebih banyak .