تشخیص تصویر با TensorFlow در رزبری پای: 6 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:56

Google TensorFlow یک کتابخانه نرم افزار منبع باز برای محاسبه عددی با استفاده از نمودارهای جریان داده است. این توسط Google در زمینه های مختلف خود در زمینه یادگیری ماشین و فناوری های یادگیری عمیق استفاده می شود. TensorFlow در ابتدا توسط Google Brain Team توسعه داده شد و در حوزه عمومی مانند GitHub منتشر می شود.

برای آموزش های بیشتر به وبلاگ ما مراجعه کنید. Raspberry Pi را از FactoryForward - نمایندگی مجاز در هند دریافت کنید.

این آموزش را در وبلاگ ما اینجا بخوانید.

مرحله 1: یادگیری ماشین

یادگیری ماشین و یادگیری عمیق تحت عنوان هوش مصنوعی (AI) قرار می گیرند. یادگیری ماشین داده های موجود را مشاهده و تجزیه و تحلیل کرده و نتایج آن را در طول زمان بهبود می بخشد.

مثال: ویژگی ویدیوهای توصیه شده YouTube. ویدیوهای مرتبطی را که قبلاً مشاهده کرده اید نشان می دهد. پیش بینی فقط به نتایج مبتنی بر متن محدود می شود. اما یادگیری عمیق می تواند عمیق تر از این باشد.

مرحله 2: یادگیری عمیق

یادگیری عمیق تقریباً مشابه آن است ، اما با جمع آوری اطلاعات مختلف یک شیء ، تصمیم گیری دقیق تری را به تنهایی انجام می دهد. لایه های زیادی از تجزیه و تحلیل دارد و با توجه به آن تصمیم می گیرد. برای سرعت بخشیدن به این فرآیند ، از شبکه عصبی استفاده می کند و نتیجه دقیق تری را که به آن نیاز داشتیم به ما ارائه می دهد (یعنی پیش بینی بهتر از ML). چیزی شبیه به نحوه فکر و تصمیم گیری مغز انسان.

مثال: تشخیص شی. آنچه را که در تصویر موجود است تشخیص می دهد. چیزی مشابه که می توانید Arduino و Raspberry Pi را از نظر ظاهر ، اندازه و رنگ متمایز کنید.

این یک موضوع گسترده است و کاربردهای مختلفی دارد.

مرحله 3: پیش نیازها

TensorFlow پشتیبانی رسمی از Raspberry Pi را اعلام کرد ، در نسخه 1.9 از Raspberry Pi با استفاده از نصب بسته پیپ پشتیبانی می کند. در این آموزش نحوه نصب آن را بر روی رزبری پای خود خواهیم دید.

• پایتون 3.4 (توصیه می شود)
• تمشک پای
• منبع تغذیه
• Raspbian 9 (Stretch)

مرحله 4: Raspberry Pi و بسته های آن را به روز کنید

مرحله 1: رزبری پای و بسته های آن را به روز کنید.

sudo apt-get update

sudo apt-get upgrade

مرحله 2: با استفاده از این دستور بررسی کنید که آخرین نسخه پایتون را دارید.

python3 –- تبدیل

توصیه می شود حداقل پایتون 3.4 را داشته باشید.

مرحله 3: ما باید کتابخانه libatlas (ATLAS - نرم افزار تنظیم خودکار خطی جبر نرم افزاری) را نصب کنیم. زیرا TensorFlow از numpy استفاده می کند. بنابراین ، با استفاده از دستور زیر آن را نصب کنید

sudo apt install libatlas-base-dev

مرحله 4: TensorFlow را با استفاده از دستور install Pip3 نصب کنید.

pip3 tensorflow را نصب کنید

اکنون TensorFlow نصب شده است.

مرحله 5: پیش بینی تصویر با استفاده از مدل Imagenet مدل:

TensorFlow مدلی را برای پیش بینی تصاویر منتشر کرده است. ابتدا باید مدل را بارگیری کرده و سپس اجرا کنید.

مرحله 1: برای دانلود مدل ها دستور زیر را اجرا کنید. شاید لازم باشد که git را نصب کرده باشید.

git clone

مرحله 2: به مثال imagenet بروید.

مدل های سی دی/آموزش/image/imagenet

نکته حرفه ای: در Raspbian Stretch جدید ، می توانید فایل "classify_image.py" را به صورت دستی و سپس "راست کلیک" بر روی آن پیدا کنید. "Copy Path (s)" را انتخاب کنید. سپس بعد از ‘cd’ آن را در ترمینال بچسبانید و enter را فشار دهید. به این ترتیب می توانید بدون هیچ گونه خطایی سریعتر حرکت کنید (در صورت اشتباه املایی یا تغییر نام فایل در به روزرسانی های جدید).

من از روش Copy Path (s) استفاده کردم تا مسیر دقیق روی تصویر (/home/pi) را شامل شود.

مرحله 3: مثال را با استفاده از این دستور اجرا کنید. حدود 30 ثانیه طول می کشد تا نتیجه پیش بینی شده را نشان دهید.

python3 classify_image.py

مرحله 6: پیش بینی تصویر سفارشی

همچنین می توانید تصویری را از اینترنت بارگیری کنید یا از تصویر خود در دوربین خود برای پیش بینی استفاده کنید. برای نتایج بهتر از تصاویر حافظه کمتری استفاده کنید.

برای استفاده از تصاویر سفارشی ، از روش زیر استفاده کنید. فایل تصویری را در محل ‘/home/pi/Downloads/TensorImageTest1.jpg’ دارم. فقط این را با نام فایل و نام فایل خود جایگزین کنید. برای مسیریابی راحت تر از "مسیر (های) کپی" استفاده کنید.

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

می توانید نمونه های دیگر را نیز امتحان کنید. اما قبل از اجرا باید بسته های لازم را نصب کنید. ما برخی از موضوعات جالب TensorFlow را در آموزش های آینده پوشش خواهیم داد.