Introdução ao reconhecimento de imagens usando o TensorFlow e o Raspberry Pi

Propaganda

TensorFlow é a biblioteca de redes neurais do Google. Dado que o aprendizado de máquina é a coisa mais quente atualmente, não é surpresa que o Google esteja entre os líderes nessa nova tecnologia.

Neste artigo, você aprenderá como instalar o TensorFlow no Raspberry Pi e executará uma classificação simples de imagens em uma rede neural pré-treinada.

Começando

Para iniciar o reconhecimento de imagem, você precisará de um Raspberry Pi (qualquer modelo funcionará) e um cartão SD com o sistema operacional Raspbian Stretch (9.0+) (se você é novo no Raspberry Pi, use o nosso Guia de instalação).

Inicialize o Pi e abra uma janela do terminal. Verifique se o seu Pi está atualizado e verifique sua versão do Python.

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

Você pode usar o Python 2.7 ou o Python 3.4+ para este tutorial. Este exemplo é para o Python 3. Para Python 2.7, substitua Python3 com Pitãoe pip3 com pip ao longo deste tutorial.

Pip é um gerenciador de pacotes para Python, geralmente instalado como padrão nas distribuições Linux.

Se você achar que não possui, siga as instruções de instalação para Linux Como instalar o Python PIP no Windows, Mac e LinuxMuitos desenvolvedores de Python contam com uma ferramenta chamada PIP for Python para otimizar o desenvolvimento. Veja como instalar o Python PIP. consulte Mais informação neste artigo para instalá-lo.

Instalando o TensorFlow

Instalar o TensorFlow costumava ser um processo frustrante, mas uma atualização recente torna incrivelmente simples. Embora você possa seguir este tutorial sem nenhum conhecimento prévio, pode valer a pena entender o noções básicas de aprendizado de máquina antes de experimentar.

Antes de instalar o TensorFlow, instale o Atlas biblioteca.

sudo apt instala libatlas-base-dev

Quando terminar, instale o TensorFlow via pip3

pip3 install --user tensorflow

Isso instalará o TensorFlow para o usuário conectado. Se você preferir usar um ambiente virtual Aprenda a usar o ambiente virtual PythonSe você é um desenvolvedor experiente de Python ou está apenas começando, aprender como configurar um ambiente virtual é essencial para qualquer projeto Python. consulte Mais informação , modifique seu código aqui para refletir isso.

Testando o TensorFlow

Depois de instalado, você pode testar se está funcionando com o equivalente ao TensorFlow de um Olá Mundo!

Na linha de comando, crie um novo script Python usando nano ou vim (Se você não tem certeza de qual usar, ambos têm vantagens) e nomeie algo fácil de lembrar.

sudo nano tftest.py. 

Digite este código, fornecido pelo Google para testar o TensorFlow:

importar tensorflow como tf. hello = tf.constant ('Olá, TensorFlow!') sess = tf. Sessão() print (sess.run (olá))

Se você estiver usando o nano, saia pressionando Ctrl + X e salve seu arquivo digitando Y quando solicitado.

Execute o código do terminal:

python3 tftest.py. 

Você deverá ver "Olá, TensorFlow" impresso.

Se você estiver executando o Python 3.5, receberá vários avisos de tempo de execução. Os tutoriais oficiais do TensorFlow reconhecem que isso acontece e recomendam que você o ignore.

Funciona! Agora, faça algo interessante com o TensorFlow.

Instalando o Image Classifier

No terminal, crie um diretório para o projeto em seu diretório pessoal e navegue até ele.

mkdir tf1. cd tf1. 

O TensorFlow possui um repositório git com modelos de exemplo para experimentar. Clone o repositório no novo diretório:

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

Você deseja usar o exemplo de classificação de imagem, que pode ser encontrado em modelos / tutoriais / imagem / imagenet. Navegue para essa pasta agora:

modelos de CD / tutoriais / imagem / imagenet. 

O script de classificação de imagem padrão é executado com uma imagem fornecida de um panda:

Para executar o classificador de imagem padrão com a imagem do panda fornecida, digite:

python3 classify_image.py. 

Isso alimenta a imagem de um panda à rede neural, que retorna suposições sobre o que a imagem tem com um valor por seu nível de certeza.

Como mostra a imagem de saída, a rede neural adivinhou corretamente, com quase 90% de certeza. Ele também achou que a imagem poderia conter uma pinha, mas não estava muito confiante com essa resposta.

Usando uma imagem personalizada

A imagem do panda prova que o TensorFlow funciona, mas isso talvez não seja surpreendente, pois é o exemplo que o projeto fornece. Para um teste melhor, você pode dar sua própria imagem à rede neural para classificação.

Nesse caso, você verá se a rede neural TensorFlow pode identificar George.

Conheça George. George é um dinossauro. Para alimentar esta imagem (disponível na forma cortada aqui) na rede neural, adicione argumentos ao executar o script.

python3 classify_image.py - arquivo de imagem = / home / pi / george.jpg. 

o image_file = seguir o nome do script permite a adição de qualquer imagem por caminho. Vamos ver como foi essa rede neural.

Não é ruim! Embora George não seja um tricerátopo, a rede neural classificou a imagem como um dinossauro com um alto grau de certeza quando comparado às outras opções.

TensorFlow e Raspberry Pi, prontos para uso

Essa implementação básica do TensorFlow já tem potencial. Esse reconhecimento de objeto está acontecendo no Pi e não precisa de conexão com a Internet para funcionar. Isso significa que, com a adição de um Módulo de câmera Raspberry Pi e um Unidade de bateria compatível com Raspberry Pi, todo o projeto pode ficar portátil.

A maioria dos tutoriais apenas arranha a superfície de um assunto, mas nunca foi tão verdadeiro quanto neste caso. O aprendizado de máquina é um assunto incrivelmente denso.

Uma maneira de levar seu conhecimento adiante seria fazendo um curso dedicado Estes cursos de aprendizado de máquina prepararão uma carreira para vocêEsses excelentes cursos de aprendizado de máquina on-line ajudarão você a entender as habilidades necessárias para iniciar uma carreira em aprendizado de máquina e inteligência artificial. consulte Mais informação . Enquanto isso, aprenda com o aprendizado de máquina e o Raspberry Pi com esses projetos TensorFlow que você pode experimentar.