Sadržaj:
2025 Autor: John Day | [email protected]. Zadnja promjena: 2025-01-23 14:47
Google TensorFlow je softverska knjižnica otvorenog koda za numeričko izračunavanje pomoću grafikona protoka podataka. Google ga koristi na svojim različitim područjima Strojno učenje i Tehnologije dubokog učenja. TensorFlow izvorno je razvio Google Brain Team i objavljuje se u javnoj domeni poput GitHub -a.
Za više tutorijala posjetite naš blog. Nabavite Raspberry Pi od FactoryForward - odobrenog prodavača u Indiji.
Ovdje pročitajte ovaj vodič na našem blogu.
Korak 1: Strojno učenje
Strojno učenje i duboko učenje bit će pod umjetnom inteligencijom (AI). Strojno učenje promatrat će i analizirati dostupne podatke i s vremenom poboljšavati njihove rezultate.
Primjer: značajka videozapisa koje preporučuje YouTube. Prikazuje povezane videozapise koje ste prethodno gledali. Predviđanje je ograničeno samo na tekstualne rezultate. No, duboko učenje može ići dublje od ovoga.
Korak 2: Duboko učenje
Dubinsko učenje gotovo je slično tome, ali donosi točnije odluke samostalno prikupljanjem različitih podataka o objektu. Ima mnogo slojeva analize i u skladu s tim donosi odluku. Kako bi ubrzao proces, koristi neuronsku mrežu i daje nam točniji rezultat koji nam je trebao (znači bolje predviđanje od ML -a). Nešto poput načina na koji ljudski mozak razmišlja i donosi odluke.
Primjer: Otkrivanje objekta. Otkriva ono što je dostupno na slici. Nešto slično po čemu možete razlikovati Arduino i Raspberry Pi po izgledu, veličini i bojama.
To je široka tema i ima različite primjene.
Korak 3: Preduvjeti
TensorFlow je najavio službenu podršku za Raspberry Pi, od verzije 1.9 podržavat će Raspberry Pi pomoću instalacije pip paketa. U ovom ćemo vodiču vidjeti kako ga instalirati na naš Raspberry Pi.
- Python 3.4 (preporučeno)
- Malina Pi
- Napajanje
- Raspbian 9 (rastezanje)
Korak 4: Ažurirajte svoj Raspberry Pi i njegove pakete
Korak 1: Ažurirajte svoj Raspberry Pi i njegove pakete.
sudo apt-get ažuriranje
sudo apt-get nadogradnja
Korak 2: Pomoću ove naredbe provjerite imate li najnoviju verziju pythona.
python3 –verzija
Preporuča se imati najmanje Python 3.4.
Korak 3: Moramo instalirati biblioteku libatlas (ATLAS - softver za automatsko podešavanje linearne algebre). Budući da TensorFlow koristi numpy. Dakle, instalirajte ga pomoću sljedeće naredbe
sudo apt install libatlas-base-dev
Korak 4: Instalirajte TensorFlow pomoću naredbe Pip3 install.
pip3 instalirajte tensorflow
Sada je instaliran TensorFlow.
Korak 5: Predviđanje slike pomoću primjera Imagenet modela:
TensorFlow je objavio model predviđanja slika. Najprije morate preuzeti model, a zatim ga pokrenuti.
Korak 1: Pokrenite sljedeću naredbu za preuzimanje modela. Možda ćete morati imati instaliran git.
git klon
Korak 2: Idite na primjer imagenet.
cd modeli/vodiči/image/imagenet
Savjet za profesionalce: Na novom Raspbian Stretchu možete ručno pronaći datoteku ‘klasify_image.py’, a zatim na njoj ‘Desni klik’. Odaberite "Kopiraj putanju (e)". Zatim ga zalijepite u terminal nakon 'cd' i pritisnite enter. Na taj način možete se kretati brže bez ikakvih pogrešaka (u slučaju pravopisne pogreške ili promjene naziva datoteke u novim ažuriranjima).
Koristio sam metodu "Kopiraj putanju (e)" tako da će uključivati točan put na slici (/home/pi).
Korak 3: Pokrenite primjer pomoću ove naredbe. Trebat će oko 30 sekundi da se prikaže predviđeni rezultat.
python3 classic_image.py
Korak 6: Predviđanje prilagođene slike
Također možete preuzeti sliku s interneta ili upotrijebiti vlastitu sliku snimljenu kamerom za predviđanja. Za bolje rezultate koristite manje memorijskih slika.
Za korištenje prilagođenih slika upotrijebite sljedeći način. Imam datoteku slike na lokaciji '/home/pi/Downloads/TensorImageTest1.jpg'. Zamijenite ovo mjestom i imenom datoteke. Za lakšu navigaciju upotrijebite "Kopiraj putanju (e)".
python3 classic_image.py --image_file =/home/pi/Preuzimanja/TensorImageTest1.jpg
Možete isprobati i druge primjere. No prije izvođenja morate instalirati potrebne pakete. U nadolazećim vodičima pokriti ćemo neke zanimljive teme TensorFlow -a.
Preporučeni:
Prepoznavanje lica na Raspberry Pi 4B u 3 koraka: 3 koraka
Prepoznavanje lica na Raspberry Pi 4B u 3 koraka: U ovom Instructableu ćemo izvršiti detekciju lica na Raspberry Pi 4 sa Shunya O/S pomoću knjižnice Shunyaface. Shunyaface je biblioteka za prepoznavanje/otkrivanje lica. Cilj projekta je postići najbržu brzinu otkrivanja i prepoznavanja s
Umjetna inteligencija i prepoznavanje slike pomoću HuskyLens: 6 koraka (sa slikama)
Umjetna inteligencija i prepoznavanje slike pomoću HuskyLensa: Hej, što ima, dečki! Akarsh ovdje iz CETech -a. U ovom projektu ćemo pogledati DFusbot HuskyLens. Riječ je o modulu kamere s umjetnom inteligencijom koji može izvesti nekoliko operacija umjetne inteligencije, poput prepoznavanja lica
Prepoznavanje slike s K210 pločama i Arduino IDE/mikropythonom: 6 koraka (sa slikama)
Prepoznavanje slike s pločama K210 i Arduino IDE/Micropython: Već sam napisao jedan članak o tome kako pokrenuti OpenMV demonstracije na Sipeed Maix Bit, a također sam napravio i video demonstraciju otkrivanja objekata s ovom pločom. Jedno od mnogih pitanja koja su ljudi postavili je - kako mogu prepoznati objekt koji neuronska mreža nije tr
Obrada slike s Raspberry Pi: Instaliranje OpenCV -a i odvajanje boja slike: 4 koraka
Obrada slike s Raspberry Pi: Instaliranje OpenCV -a i odvajanje boja u boji: Ovaj je post prvi od nekoliko vodiča za obradu slika koji slijede. Pomnije promatramo piksele koji čine sliku, učimo kako instalirati OpenCV na Raspberry Pi, a također pišemo i testne skripte za snimanje slike, a također i c
Prepoznavanje lica+prepoznavanje: 8 koraka (sa slikama)
Prepoznavanje lica+prepoznavanje: Ovo je jednostavan primjer pokretanja otkrivanja i prepoznavanja lica pomoću OpenCV -a s kamere. NAPOMENA: OVAJ PROJEKT IZRADIO SAM ZA NATJEČAJ SENZORA I KORISTIO SAM KAMERU KAO SENZOR ZA PRAĆENJE I PREPOZNAVANJE LICA. Dakle, naš ciljU ovoj sesiji, 1. Instalirajte Anacondu