Cài đặt phần mềm học máy tensorflow trên raspberry pi

Học máy và Trí tuệ nhân tạo đang là chủ đề thịnh hành trong các ngành công nghiệp hiện nay và chúng ta có thể thấy sự tham gia ngày càng nhiều của chúng với việc ra mắt mọi thiết bị điện tử mới. Hầu hết mọi ứng dụng của kỹ thuật khoa học máy tính đều sử dụng Học máy để phân tích và dự đoán kết quả trong tương lai. Đã có rất nhiều thiết bị được tung ra trên thị trường đang sử dụng sức mạnh của Máy học và Trí tuệ nhân tạo, như máy ảnh của điện thoại thông minh sử dụng các tính năng hỗ trợ AI để nhận diện khuôn mặt và cho biết tuổi rõ ràng từ nhận diện khuôn mặt.

Không có gì ngạc nhiên khi Google là một trong những người tiên phong trong công nghệ này. Google đã tạo ra nhiều khuôn khổ ML và AI mà chúng tôi có thể dễ dàng triển khai trong các ứng dụng của mình. TensorFlow là một trong những thư viện Mạng thần kinh nguồn mở nổi tiếng của Google được sử dụng trong các ứng dụng học máy như Phân loại hình ảnh, phát hiện đối tượng, v.v.

Trong những năm tới, chúng ta sẽ thấy AI được sử dụng nhiều hơn trong cuộc sống hàng ngày của chúng ta và AI sẽ có thể xử lý các công việc hàng ngày của bạn như đặt hàng tạp hóa trực tuyến, lái xe ô tô, điều khiển thiết bị gia dụng của bạn, v.v. Vì vậy, tại sao chúng ta lại bỏ lại phía sau để khai thác một số máy thuật toán trên các thiết bị di động như Raspberry Pi.

Trong hướng dẫn này, chúng ta sẽ tìm hiểu cách cài đặt TensorFlow trên Raspberry Pi và sẽ hiển thị một số ví dụ với phân loại hình ảnh đơn giản trên mạng thần kinh được đào tạo trước. Trước đây chúng tôi đã sử dụng Raspberry Pi cho các tác vụ Xử lý hình ảnh khác như Nhận dạng ký tự quang học, Nhận dạng khuôn mặt, Phát hiện biển số, v.v.

Yêu cầu

1. Raspberry Pi với hệ điều hành Raspbian được cài đặt trong đó (thẻ SD tối thiểu 16 GB)
2. Kết nối Internet hoạt động

Ở đây, chúng tôi sẽ sử dụng SSH để truy cập Raspberry Pi trên máy tính xách tay. Bạn có thể sử dụng kết nối VNC hoặc Remote Desktop trên máy tính xách tay hoặc có thể kết nối Raspberry pi của bạn với màn hình. Tìm hiểu thêm về cách thiết lập Raspberry Pi không cần màn hình tại đây.

Raspberry pi, là một thiết bị di động và ít tốn điện hơn, được sử dụng trong nhiều ứng dụng xử lý hình ảnh thời gian thực như Nhận dạng khuôn mặt, theo dõi đối tượng, Hệ thống an ninh gia đình, Camera giám sát, v.v. Bất kỳ bằng cách sử dụng bất kỳ phần mềm Computer Vision nào như OpenCV với Raspberry Pi, nhiều ứng dụng xử lý hình ảnh mạnh mẽ có thể được xây dựng.

Trước đây, cài đặt TensorFlow là một công việc khá khó khăn nhưng sự đóng góp gần đây của các nhà phát triển ML và AI đã làm cho nó rất đơn giản và giờ đây nó có thể được cài đặt chỉ bằng một vài lệnh. Nếu bạn biết một số kiến ​​thức cơ bản về Học máy và học sâu, sẽ rất hữu ích cho bạn khi biết những gì diễn ra bên trong mạng nơ-ron. Nhưng ngay cả khi bạn chưa quen với miền Học máy, sẽ không có vấn đề gì, bạn vẫn có thể tiếp tục với hướng dẫn và sử dụng một số chương trình ví dụ để tìm hiểu nó.

Cài đặt TensorFlow trong Raspberry Pi

Dưới đây là các bước để cài đặt TensorFlow trong Raspberry pi:

Bước 1: Trước khi cài đặt TensorFlow trong Raspberry Pi, trước tiên hãy cập nhật và nâng cấp Hệ điều hành Raspbian bằng cách sử dụng các lệnh sau

sudo apt-get cập nhật sudo apt-get nâng cấp

Bước 2: Sau đó Cài đặt thư viện Atlas để nhận hỗ trợ cho Numpy và các phụ thuộc khác.

sudo apt install libatlas-base-dev

Bước 3: Sau khi hoàn tất, cài đặt TensorFlow qua pip3 bằng lệnh dưới đây

pip3 cài đặt tensorflow

Sẽ mất một số để cài đặt TensorFlow, nếu bạn gặp một số lỗi trong khi cài đặt, chỉ cần thử lại bằng lệnh trên.

Bước 4: Sau khi cài đặt TensorFlow thành công, chúng ta sẽ kiểm tra xem nó đã được cài đặt đúng cách hay chưa bằng cách sử dụng chương trình Hello world nhỏ. Để làm điều đó Mở trình soạn thảo văn bản nano bằng lệnh dưới đây:

sudo nano tfcheck.py

Và Copy-paste các dòng bên dưới trong nano terminal và lưu nó bằng cách sử dụng ctrl + x và nhấn enter.

nhập tensorflow dưới dạng tf hello = tf.constant ('Xin chào, TensorFlow!') sess = tf.Session () print (sess.run (xin chào))

Bước 5: Bây giờ, chạy tập lệnh này trong terminal bằng lệnh dưới đây

python3 tfcheck.py

Nếu tất cả các gói được cài đặt đúng cách thì bạn sẽ thấy dòng Hello Tensorflow! ở dòng cuối cùng như hình dưới đây, bỏ qua tất cả các cảnh báo.

Nó hoạt động tốt và bây giờ chúng tôi sẽ làm điều gì đó thú vị bằng cách sử dụng TensorFlow và bạn không cần phải có bất kỳ kiến ​​thức nào về Học máy và học sâu để thực hiện dự án này. Tại đây, một hình ảnh được đưa vào một mô hình dựng sẵn và TensorFlow sẽ xác định hình ảnh đó. TensorFlow sẽ đưa ra xác suất gần nhất của những gì có trong hình ảnh.

Cài đặt Bộ phân loại Hình ảnh trên Raspberry Pi để Nhận dạng Hình ảnh

Bước 1: - Tạo một thư mục và điều hướng đến thư mục bằng các lệnh dưới đây.

mkdir tf cd tf

Bước 2: - Bây giờ, tải xuống các mô hình có sẵn trên kho lưu trữ GIT của TensorFlow. Sao chép kho lưu trữ vào thư mục tf bằng lệnh dưới đây

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

Điều này sẽ mất một chút thời gian để cài đặt và nó có kích thước lớn nên hãy đảm bảo bạn có đủ gói dữ liệu.

Bước 3: - Chúng tôi sẽ sử dụng ví dụ phân loại hình ảnh có thể tìm thấy trong các mô hình / hướng dẫn / image / imagenet. Điều hướng đến thư mục này bằng lệnh dưới đây

cd mô hình / hướng dẫn / hình ảnh / imagenet

Bước 4: - Bây giờ, cung cấp một hình ảnh trong mạng nơ-ron được xây dựng trước bằng lệnh dưới đây.

python3 phân loại_image.py --image_file = / home / pi / image_file_name

Thay thế image_file_name bằng hình ảnh mà bạn phải cung cấp và sau đó nhấn enter.

Dưới đây là một số ví dụ về phát hiện và nhận dạng hình ảnh bằng TensorFlow.

Không tệ! neural net đã phân loại hình ảnh là mèo Ai Cập với độ chắc chắn cao khi so sánh với các lựa chọn khác.

Trong tất cả các ví dụ trên, kết quả là khá tốt và TensorFlow có thể dễ dàng phân loại hình ảnh với độ chắc chắn gần nhau. Bạn có thể thử điều này bằng cách sử dụng hình ảnh tùy chỉnh của bạn.

Nếu bạn có một số kiến ​​thức về Học máy thì nó có thể thực hiện phát hiện Đối tượng trên nền tảng này bằng cách sử dụng một số thư viện.

/>