Comience con el reconocimiento de imágenes con TensorFlow y Raspberry Pi

Anuncio

TensorFlow es la biblioteca de redes neuronales de Google. Dado que el aprendizaje automático es lo más popular actualmente, no es sorprendente que Google se encuentre entre los líderes en esta nueva tecnología.

En este artículo, aprenderá cómo instalar TensorFlow en Raspberry Pi y ejecutar una clasificación de imágenes simple en una red neuronal pre-entrenada.

Empezando

Para comenzar con el reconocimiento de imágenes, necesitará una Raspberry Pi (cualquier modelo funcionará) y una tarjeta SD con el sistema operativo Raspbian Stretch (9.0+) (si es nuevo en la Raspberry Pi, use nuestro guía de instalación).

Arranca el Pi y abre una ventana de terminal. Asegúrese de que su Pi esté actualizada y verifique su versión de Python.

sudo apt-get update. python --version. python3 --version

Puede usar Python 2.7 o Python 3.4+ para este tutorial. Este ejemplo es para Python 3. Para Python 2.7, reemplace Python3 con Pitóny pip3 con pipa a lo largo de este tutorial.

Pip es un administrador de paquetes para Python, generalmente instalado como estándar en las distribuciones de Linux.

Si encuentra que no lo tiene, siga las instalar para instrucciones de Linux Cómo instalar Python PIP en Windows, Mac y LinuxMuchos desarrolladores de Python confían en una herramienta llamada PIP para Python para optimizar el desarrollo. Aquí se explica cómo instalar Python PIP. Lee mas en este artículo para instalarlo.

Instalación de TensorFlow

Instalar TensorFlow solía ser un proceso bastante frustrante, pero una actualización reciente lo hace increíblemente simple. Si bien puede seguir este tutorial sin ningún conocimiento previo, puede valer la pena entender el conceptos básicos de aprendizaje automático antes de probarlo

Antes de instalar TensorFlow, instale el Atlas biblioteca.

sudo apt install libatlas-base-dev

Una vez que haya terminado, instale TensorFlow a través de pip3

pip3 install --user tensorflow

Esto instalará TensorFlow para el usuario conectado. Si prefieres usar un ambiente virtual Aprenda a usar el entorno virtual de PythonYa sea que sea un desarrollador experimentado de Python, o que recién esté comenzando, aprender a configurar un entorno virtual es esencial para cualquier proyecto de Python. Lee mas , modifique su código aquí para reflejar esto.

Prueba de TensorFlow

Una vez que se haya instalado, puede probar si funciona con el equivalente TensorFlow de un ¡Hola Mundo!

Desde la línea de comandos, cree un nuevo script de Python usando nano o empuje (Si no está seguro de cuál usar, ambos tienen ventajas) y asígnele un nombre fácil de recordar.

sudo nano tftest.py. 

Ingrese este código, proporcionado por Google para probar TensorFlow:

importar tensorflow como tf. hola = tf.constant ('¡Hola, TensorFlow!') sess = tf. Sesión() print (sess.run (hola))

Si está usando nano, salga presionando Ctrl + X y guarde su archivo escribiendo Y Cuando se le solicite.

Ejecute el código desde la terminal:

python3 tftest.py. 

Debería ver "Hola, TensorFlow" impreso.

Si está ejecutando Python 3.5, recibirá varias advertencias de tiempo de ejecución. Los tutoriales oficiales de TensorFlow reconocen que esto sucede y le recomiendan que lo ignore.

¡Funciona! Ahora para hacer algo interesante con TensorFlow.

Instalar el clasificador de imágenes

En la terminal, cree un directorio para el proyecto en su directorio de inicio y navegue hasta él.

mkdir tf1. cd tf1. 

TensorFlow tiene un repositorio git con ejemplos de modelos para probar. Clone el repositorio en el nuevo directorio:

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

Desea utilizar el ejemplo de clasificación de imágenes, que se puede encontrar en modelos / tutoriales / imagen / imagenet. Navegue a esa carpeta ahora:

Modelos de cd / tutoriales / image / imagenet. 

El script de clasificación de imágenes estándar se ejecuta con una imagen proporcionada de un panda:

Para ejecutar el clasificador de imagen estándar con la imagen de panda proporcionada, ingrese:

python3 classify_image.py. 

Esto alimenta una imagen de un panda a la red neuronal, que devuelve conjeturas sobre cuál es la imagen con un valor para su nivel de certeza.

Como muestra la imagen de salida, la red neuronal adivinó correctamente, con una certeza de casi el 90 por ciento. También pensó que la imagen podría contener una chirimoya, pero no estaba muy segura con esa respuesta.

Usar una imagen personalizada

La imagen de panda demuestra que TensorFlow funciona, pero eso no es sorprendente dado que es el ejemplo que proporciona el proyecto. Para una mejor prueba, puede dar su propia imagen a la red neuronal para su clasificación.

En este caso, verá si la red neuronal TensorFlow puede identificar a George.

Conoce a George George es un dinosaurio. Para alimentar esta imagen (disponible en forma recortada aquí) en la red neuronal, agregue argumentos al ejecutar el script.

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

los archivo_imagen = seguir el nombre del script permite agregar cualquier imagen por ruta. Veamos cómo le fue a esta red neuronal.

¡No está mal! Si bien George no es un triceratops, la red neuronal clasificó la imagen como un dinosaurio con un alto grado de certeza en comparación con las otras opciones.

TensorFlow y Raspberry Pi, listos para usar

Esta implementación básica de TensorFlow ya tiene potencial. Este reconocimiento de objetos está ocurriendo en el Pi y no necesita conexión a Internet para funcionar. Esto significa que con la adición de un Módulo de cámara Raspberry Pi y un Unidad de batería adecuada para Raspberry Pi, todo el proyecto podría ser portátil.

La mayoría de los tutoriales solo rascan la superficie de un tema, pero nunca ha sido más cierto que en este caso. El aprendizaje automático es un tema increíblemente denso.

Una forma de llevar su conocimiento más allá sería mediante tomando un curso dedicado Estos cursos de aprendizaje automático prepararán un camino profesional para ustedEstos excelentes cursos de aprendizaje automático en línea lo ayudarán a comprender las habilidades necesarias para comenzar una carrera en aprendizaje automático e inteligencia artificial. Lee mas . Mientras tanto, practique el aprendizaje automático y la Raspberry Pi con estos proyectos TensorFlow que puede probar usted mismo.