Premiers pas avec la reconnaissance d'image à l'aide de TensorFlow et Raspberry Pi

Publicité

TensorFlow est la bibliothèque Neural Network de Google. Étant donné que l'apprentissage automatique est la chose la plus en vogue actuellement, il n'est pas surprenant que Google soit parmi les leaders de cette nouvelle technologie.

Dans cet article, vous apprendrez comment installer TensorFlow sur le Raspberry Pi et exécuter une classification d'image simple sur un réseau neuronal pré-formé.

Commencer

Pour commencer avec la reconnaissance d'image, vous aurez besoin d'un Raspberry Pi (n'importe quel modèle fonctionnera) et d'une carte SD avec le système d'exploitation Raspbian Stretch (9.0+) (si vous êtes nouveau sur le Raspberry Pi, utilisez notre guide d'installation).

Démarrez le Pi et ouvrez une fenêtre de terminal. Assurez-vous que votre Pi est à jour et vérifiez votre version Python.

mise à jour sudo apt-get. python --version. python3 --version

Vous pouvez utiliser à la fois Python 2.7 ou Python 3.4+ pour ce didacticiel. Cet exemple concerne Python 3. Pour Python 2.7, remplacez Python3 avec Python, et pip3 avec pépin tout au long de ce didacticiel.

Pip est un gestionnaire de packages pour Python, généralement installé en standard sur les distributions Linux.

Si vous trouvez que vous ne l’avez pas, suivez les instructions d'installation pour Linux Comment installer Python PIP sur Windows, Mac et LinuxDe nombreux développeurs Python s'appuient sur un outil appelé PIP pour Python pour rationaliser le développement. Voici comment installer Python PIP. Lire la suite dans cet article pour l'installer.

Installation de TensorFlow

L'installation de TensorFlow était un processus assez frustrant, mais une mise à jour récente le rend incroyablement simple. Bien que vous puissiez suivre ce didacticiel sans aucune connaissance préalable, il peut être utile de comprendre bases de l'apprentissage automatique avant de l'essayer.

Avant d'installer TensorFlow, installez le Atlas bibliothèque.

sudo apt install libatlas-base-dev

Une fois cela terminé, installez TensorFlow via pip3

pip3 install --user tensorflow

Cela installera TensorFlow pour l'utilisateur connecté. Si vous préférez utiliser un environnement virtuel Apprenez à utiliser l'environnement virtuel PythonQue vous soyez un développeur Python expérimenté ou que vous débutiez, apprendre à configurer un environnement virtuel est essentiel pour tout projet Python. Lire la suite , modifiez votre code ici pour refléter cela.

Test de TensorFlow

Une fois qu'il est installé, vous pouvez tester s'il fonctionne avec l'équivalent TensorFlow d'un Bonjour le monde!

À partir de la ligne de commande, créez un nouveau script Python en utilisant nano ou vigueur (Si vous ne savez pas lequel utiliser, ils ont tous deux des avantages) et nommez-le quelque chose de facile à retenir.

sudo nano tftest.py. 

Entrez ce code, fourni par Google pour tester TensorFlow:

importer tensorflow en tant que tf. bonjour = tf.constant ('Bonjour, TensorFlow!') sess = tf. Session() print (sess.run (bonjour))

Si vous utilisez nano, quittez en appuyant sur Ctrl + X et enregistrez votre fichier en tapant Oui lorsque vous y êtes invité.

Exécutez le code à partir du terminal:

python3 tftest.py. 

Vous devriez voir «Bonjour, TensorFlow» imprimé.

Si vous exécutez Python 3.5, vous obtiendrez plusieurs avertissements d'exécution. Les tutoriels officiels de TensorFlow reconnaissent que cela se produit et vous recommandent de l'ignorer.

Ça marche! Maintenant, faisons quelque chose d'intéressant avec TensorFlow.

Installation du classificateur d'images

Dans le terminal, créez un répertoire pour le projet dans votre répertoire personnel et accédez-y.

mkdir tf1. cd tf1. 

TensorFlow a un référentiel git avec des exemples de modèles à essayer. Clonez le référentiel dans le nouveau répertoire:

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

Vous souhaitez utiliser l'exemple de classification d'image, qui se trouve à l'adresse modèles / tutoriels / image / imagenet. Accédez à ce dossier maintenant:

modèles de cd / tutoriels / image / imagenet. 

Le script de classification d'image standard s'exécute avec une image fournie d'un panda:

Pour exécuter le classificateur d'images standard avec l'image panda fournie, entrez:

python3 classify_image.py. 

Cela alimente une image d'un panda au réseau neuronal, qui renvoie des suppositions quant à ce que l'image est avec une valeur pour son niveau de certitude.

Comme le montre l'image de sortie, le réseau neuronal a deviné correctement, avec une certitude de près de 90%. Il pensait également que l'image pourrait contenir une crème anglaise, mais il n'était pas très confiant avec cette réponse.

Utilisation d'une image personnalisée

L'image panda prouve que TensorFlow fonctionne, mais ce n'est peut-être pas surprenant étant donné que c'est l'exemple fourni par le projet. Pour un meilleur test, vous pouvez donner votre propre image au réseau neuronal pour la classification.

Dans ce cas, vous verrez si le réseau neuronal TensorFlow peut identifier George.

Rencontrez George. George est un dinosaure. Pour alimenter cette image (disponible sous forme recadrée ici) dans le réseau neuronal, ajoutez des arguments lors de l'exécution du script.

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

le image_file = suivre le nom du script permet d'ajouter n'importe quelle image par chemin. Voyons comment ce réseau neuronal a fonctionné.

Pas mal! Bien que George ne soit pas un tricératops, le réseau neuronal a classé l'image comme un dinosaure avec un haut degré de certitude par rapport aux autres options.

TensorFlow et Raspberry Pi, prêts à l'emploi

Cette implémentation de base de TensorFlow a déjà du potentiel. Cette reconnaissance d'objet se produit sur le Pi et ne nécessite aucune connexion Internet pour fonctionner. Cela signifie qu'avec l'ajout d'un Module de caméra Raspberry Pi et un Unité de batterie compatible Raspberry Pi, l'ensemble du projet pourrait devenir portable.

La plupart des didacticiels n'égratignent que la surface d'un sujet, mais cela n'a jamais été aussi vrai que dans ce cas. L'apprentissage automatique est un sujet incroyablement dense.

Une façon d'approfondir vos connaissances serait de suivre un cours dédié Ces cours d'apprentissage automatique prépareront un cheminement de carrière pour vousCes excellents cours d'apprentissage automatique en ligne vous aideront à comprendre les compétences nécessaires pour démarrer une carrière dans l'apprentissage automatique et l'intelligence artificielle. Lire la suite . En attendant, familiarisez-vous avec l'apprentissage automatique et le Raspberry Pi avec ces projets TensorFlow que vous pouvez essayer vous-même.