Instalando o software de aprendizado de máquina tensorflow no raspberry pi

Aprendizado de máquina e inteligência artificial são os tópicos de tendência nas indústrias hoje em dia e podemos ver seu envolvimento crescente com o lançamento de cada novo dispositivo eletrônico. Quase todas as aplicações da engenharia da ciência da computação usam o aprendizado de máquina para analisar e prever os resultados futuros. Já existem muitos dispositivos lançados no mercado que usam o poder do aprendizado de máquina e da inteligência artificial, como a câmera do smartphone que usa recursos habilitados para IA para detecção de rosto e informa a idade aparente da detecção de rosto.

Não é nenhuma surpresa que o Google seja um dos pioneiros nessa tecnologia. O Google já fez muitos frameworks de ML e IA que podemos implementar facilmente em nossos aplicativos. TensorFlow é uma das mais conhecidas bibliotecas de rede neural de código aberto do Google, usada em aplicativos de aprendizado de máquina, como classificação de imagens, detecções de objetos etc.

Nos próximos anos, veremos mais uso de IA em nossa vida diária e a IA será capaz de lidar com suas tarefas diárias, como fazer pedidos online, dirigir um carro, controlar seus eletrodomésticos etc. Então, por que deixamos para trás para explorar algumas máquinas algoritmos em dispositivos portáteis como Raspberry Pi.

Neste tutorial, aprenderemos como instalar o TensorFlow no Raspberry Pi e mostraremos alguns exemplos com classificação de imagem simples em uma rede neural pré-treinada. Anteriormente, usamos Raspberry Pi para outras tarefas de processamento de imagem, como reconhecimento óptico de caracteres, reconhecimento facial, detecção de placa de número, etc.

Requisitos

1. Raspberry Pi com Raspbian OS instalado (cartão SD de pelo menos 16 GB)
2. Conexão ativa com a Internet

Aqui, usaremos SSH para acessar Raspberry Pi no laptop. Você pode usar a conexão VNC ou Remote Desktop no laptop ou pode conectar o Raspberry pi a um monitor. Saiba mais sobre como configurar o Raspberry Pi sem cabeça aqui, sem monitor.

Raspberry pi, sendo um dispositivo portátil e com menos consumo de energia, é usado em muitos aplicativos de processamento de imagem em tempo real, como reconhecimento facial, rastreamento de objetos, sistema de segurança residencial, câmera de vigilância, etc. Qualquer um usando qualquer software de visão de computador como OpenCV com Raspberry Pi, muitos aplicativos poderosos de processamento de imagem podem ser criados.

No passado, a instalação do TensorFlow era um trabalho bastante difícil, mas a contribuição recente de desenvolvedores de ML e IA tornou isso muito simples e agora pode ser instalado apenas usando alguns comandos. Se você conhece alguns conceitos básicos de aprendizado de máquina e aprendizado profundo, será útil saber o que está acontecendo dentro da rede neural. Mas mesmo se você for novo no domínio do aprendizado de máquina, não haverá problema, você ainda pode continuar com o tutorial e usar alguns programas de exemplo para aprendê-lo.

Instalação do TensorFlow no Raspberry Pi

Abaixo estão as etapas para instalar o TensorFlow no Raspberry pi:

Etapa 1: antes de instalar o TensorFlow no Raspberry Pi, primeiro atualize e atualize o Raspbian OS usando os seguintes comandos

sudo apt-get update sudo apt-get upgrade

Etapa 2: Em seguida, instale a biblioteca Atlas para obter suporte para o Numpy e outras dependências.

sudo apt install libatlas-base-dev

Etapa 3: quando terminar, instale o TensorFlow via pip3 usando o comando abaixo

pip3 instalar tensorflow

Vai demorar um pouco para instalar o TensorFlow, se você enfrentar algum erro durante a instalação, tente novamente usando o comando acima.

Etapa 4: após a instalação bem-sucedida do TensorFlow, verificaremos se ele foi instalado corretamente usando um pequeno programa Hello world . Para fazer isso, abra o editor de texto nano usando o comando abaixo:

sudo nano tfcheck.py

E copie e cole as linhas abaixo no terminal nano e salve usando ctrl + x e aperte enter.

import tensorflow as tf hello = tf.constant ('Hello, TensorFlow!') sess = tf.Session () print (sess.run (hello))

Etapa 5: agora, execute este script no terminal usando o comando abaixo

python3 tfcheck.py

Se todos os pacotes forem instalados corretamente, você verá um Hello Tensorflow! mensagem na última linha como mostrado abaixo, ignore todos os avisos.

Funciona bem e agora faremos algo interessante usando o TensorFlow e você não precisa ter nenhum conhecimento de aprendizado de máquina e aprendizado profundo para fazer este projeto. Aqui, uma imagem é alimentada em um modelo pré-construído e o TensorFlow identificará a imagem. O TensorFlow fornecerá a probabilidade mais próxima do que está na imagem.

Instalando o classificador de imagem no Raspberry Pi para reconhecimento de imagem

Etapa 1: - Crie um diretório e navegue até o diretório usando os comandos abaixo.

mkdir tf cd tf

Etapa 2: - Agora, baixe os modelos que estão disponíveis no repositório TensorFlow GIT. Clone o repositório no diretório tf usando o comando abaixo

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

Isso levará algum tempo para instalar e é grande, portanto, certifique-se de ter um plano de dados suficiente.

Passo 3: - Usaremos um exemplo de classificação de imagem que pode ser encontrado em models / tutorials / image / imagenet. Navegue até esta pasta usando o comando abaixo

modelos de cd / tutoriais / imagem / imagenet

Etapa 4: - Agora, alimente uma imagem na rede neural pré-construída usando o comando abaixo.

python3 classify_image.py --image_file = / home / pi / image_file_name

Substitua image_file_name pela imagem que você tem que alimentar e então pressione Enter.

Abaixo estão alguns exemplos de detecção e reconhecimento de imagens usando o TensorFlow.

Não é ruim! a rede neural classificou a imagem como um gato egípcio com alto grau de certeza quando comparada às outras opções.

Em todos os exemplos acima, os resultados são muito bons e o TensorFlow pode classificar as imagens facilmente com a certeza absoluta. Você pode tentar isso usando suas imagens personalizadas.

Se você tiver algum conhecimento de aprendizado de máquina, ele pode realizar a detecção de objetos nesta plataforma usando algumas bibliotecas.

/>