Reconnaissance d'images avec TensorFlow sur Raspberry Pi : 6 étapes

2024 Auteur: John Day | [email protected]. Dernière modifié: 2024-01-30 09:08

Google TensorFlow est une bibliothèque de logiciels Open Source pour le calcul numérique utilisant des graphiques de flux de données. Il est utilisé par Google dans ses différents domaines de Machine Learning et Deep Learning Technologies. TensorFlow a été développé à l'origine par Google Brain Team et est publié sur le domaine public comme GitHub.

Pour plus de tutoriels, visitez notre blog. Obtenez Raspberry Pi auprès de FactoryForward - Revendeur agréé en Inde.

Lisez ce tutoriel sur notre blog ici.

Étape 1: apprentissage automatique

L'apprentissage automatique et l'apprentissage profond relèveront de l'intelligence artificielle (IA). Un Machine Learning observera et analysera les données disponibles et améliorera ses résultats au fil du temps.

Exemple: fonctionnalité de vidéos recommandées par YouTube. Il affiche les vidéos similaires que vous avez vues auparavant. La prédiction est limitée aux résultats textuels uniquement. Mais l'apprentissage en profondeur peut aller plus loin que cela.

Étape 2: Apprentissage en profondeur

L'apprentissage en profondeur est presque similaire à cela, mais il prend lui-même une décision plus précise en collectant diverses informations sur un objet. Il a de nombreuses couches d'analyse et prend une décision en fonction de celui-ci. Pour accélérer le processus, il utilise le réseau neuronal et nous fournit le résultat plus exact dont nous avions besoin (ce qui signifie une meilleure prédiction que le ML). Quelque chose comme la façon dont un cerveau humain pense et prend des décisions.

Exemple: Détection d'objets. Il détecte ce qui est disponible dans une image. Quelque chose de similaire que vous pouvez différencier un Arduino et un Raspberry Pi par son apparence, sa taille et ses couleurs.

C'est un vaste sujet et ses applications sont diverses.

Étape 3: Pré-requis

TensorFlow a annoncé la prise en charge officielle de Raspberry Pi, à partir de la version 1.9, il prendra en charge Raspberry Pi en utilisant l'installation du package pip. Nous allons voir comment l'installer sur notre Raspberry Pi dans ce tutoriel.

• Python 3.4 (recommandé)
• Tarte aux framboises
• Source de courant
• Raspbian 9 (Stretch)

Étape 4: Mettez à jour votre Raspberry Pi et ses packages

Étape 1: Mettez à jour votre Raspberry Pi et ses packages.

sudo apt-get mise à jour

sudo apt-get mise à niveau

Étape 2: Testez que vous disposez de la dernière version de python à l'aide de cette commande.

python3 –-version

Il est recommandé d'avoir au moins Python 3.4.

Étape 3: Nous devons installer la bibliothèque libatlas (ATLAS - Automatically Tuned Linear Algebra Software). Parce que TensorFlow utilise numpy. Alors, installez-le en utilisant la commande suivante

sudo apt installer libatlas-base-dev

Étape 4: Installez TensorFlow à l'aide de la commande d'installation Pip3.

pip3 installer tensorflow

TensorFlow est maintenant installé.

Étape 5: Prédire une image à l'aide du modèle Imagenet Exemple:

TensorFlow a publié un modèle pour prédire les images. Vous devez d'abord télécharger le modèle, puis l'exécuter.

Étape 1: Exécutez la commande suivante pour télécharger les modèles. Vous devrez peut-être installer git.

git clone

Étape 2: Accédez à l'exemple imagenet.

modèles de cd/tutoriels/image/imagenet

Astuce de pro: sur le nouveau Raspbian Stretch, vous pouvez trouver le fichier « classify_image.py » manuellement, puis « clic droit » dessus. Choisissez "Copier le(s) chemin(s)". Ensuite, collez-le dans le terminal après le « cd » et appuyez sur Entrée. De cette façon, vous pouvez naviguer plus rapidement sans aucune erreur (en cas de faute d'orthographe ou de changement de nom de fichier dans les nouvelles mises à jour).

J'ai utilisé la méthode 'Copier le(s) chemin(s)' afin qu'elle inclue le chemin exact sur l'image (/home/pi).

Étape 3: Exécutez l'exemple à l'aide de cette commande. Il faudra environ 30 secondes pour afficher le résultat prévu.

python3 classify_image.py

Étape 6: Prédiction d'image personnalisée

Vous pouvez également télécharger une image sur Internet ou utiliser votre propre image prise sur votre appareil photo pour des prédictions. Pour de meilleurs résultats, utilisez moins d'images en mémoire.

Pour utiliser des images personnalisées, procédez comme suit. J'ai le fichier image à l'emplacement '/home/pi/Downloads/TensorImageTest1.jpg'. Remplacez-le simplement par l'emplacement et le nom de votre fichier. Utilisez « Copier le(s) chemin(s) » pour une navigation plus facile.

python3 classify_image.py --image_file=/home/pi/Downloads/TensorImageTest1.jpg

Vous pouvez également essayer d'autres exemples. Mais vous devez installer les packages nécessaires avant l'exécution. Nous aborderons certains sujets TensorFlow intéressants dans les prochains tutoriels.