Comience con el reconocimiento de imágenes con TensorFlow y Raspberry Pi

TensorFlow es la biblioteca de la red neuronal de Google. Dado que el aprendizaje automático es lo más candente de la actualidad, no es sorprendente que Google se encuentre entre los líderes en esta nueva tecnología..

En este artículo, aprenderá cómo instalar TensorFlow en la Raspberry Pi y a 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 Raspberry Pi, use nuestra guía de instalación). Arranca el Pi y abre una ventana de terminal. Asegúrate de que tu Pi esté actualizado y comprueba tu versión de Python.

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

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

Pip es un administrador de paquetes para Python, generalmente instalado como estándar en distribuciones de Linux. Si descubre que no lo tiene, siga las instrucciones de instalación para Linux Cómo instalar PIP para Python en Windows, Mac y Linux Cómo instalar PIP para Python en Windows, Mac y Linux Muchos desarrolladores de Python confían en una herramienta llamada PIP para Python para que todo sea mucho más fácil y rápido. Aquí es cómo instalar PIP. Lea más en este artículo para instalarlo.

Instalando 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 los conceptos básicos del aprendizaje automático antes de intentarlo..

Antes de instalar TensorFlow, instale el Atlas biblioteca.

sudo apt instalar libatlas-base-dev

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

pip3 instalar - usuario tensorflow

Esto instalará TensorFlow para el usuario que ha iniciado sesión. Si prefiere utilizar un entorno virtual Aprenda a utilizar el entorno virtual de Python Aprenda a utilizar el entorno virtual de Python Ya sea que sea un desarrollador de Python con experiencia o simplemente esté comenzando, aprender cómo configurar un entorno virtual es esencial para cualquier Proyecto Python. Lea más, modifique su código aquí para reflejar esto.

Probando TensorFlow

Una vez que se haya instalado, puede probar si está funcionando con el equivalente de 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 nano vs. vim: editores de texto de terminal comparados nano vs. vim: editores de texto de terminal comparados aunque Linux se ha vuelto lo suficientemente fácil para prácticamente cualquier persona sin tener que usar En la Terminal, algunos de nosotros lo usamos regularmente o tenemos curiosidad por saber cómo se puede controlar ... Leer más) y asígnele un nombre fácil de recordar..

sudo nano tftest.py 

Ingrese este código, proporcionado por Google para probar TensorFlow:

importar tensorflow como tf hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hello)) 

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

Ejecuta el código desde el 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 para ignorarlo.

¡Funciona! Ahora hacer algo interesante con TensorFlow..

Instalación del clasificador de imágenes

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

mkdir tf1 cd tf1 

TensorFlow tiene un repositorio de git con modelos de ejemplo 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:

cd modelos / tutoriales / imagen / imagenet 

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

Para ejecutar el clasificador de imágenes 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 qué es la imagen con un valor por su nivel de certeza..

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

Usando una imagen personalizada

La imagen del panda prueba que TensorFlow funciona, pero tal vez no sea sorprendente, dado que es el ejemplo que proporciona el proyecto. Para una mejor prueba, puedes darle tu propia imagen a la red neuronal para la clasificación. En este caso, verás 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 la adición de cualquier imagen por ruta. Veamos como esta red neuronal lo hizo..

¡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, Ready to Go

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 una unidad de batería adecuada para Raspberry Pi, todo el proyecto podría ser portátil..

La mayoría de los tutoriales solo raspan la superficie de un tema, pero nunca ha sido tan cierto como en este caso. El aprendizaje automático es un tema increíblemente denso. Una forma de profundizar en su conocimiento sería tomando un curso dedicado. Estos cursos de aprendizaje automático prepararán su trayectoria profesional. Estos cursos de aprendizaje automático prepararán su trayectoria profesional. Estos excelentes cursos de aprendizaje automático en línea lo ayudarán a comprender las habilidades necesarias para Iniciar una carrera en aprendizaje automático e inteligencia artificial. Lee mas . Mientras tanto, aproveche el aprendizaje automático y la Raspberry Pi con estos proyectos TensorFlow que puede probar usted mismo.

Obtenga más información sobre: ​​Google TensorFlow, Reconocimiento de imágenes, Raspberry Pi.