Installation du logiciel d'apprentissage automatique Tensorflow sur Raspberry Pi

L'apprentissage automatique et l'intelligence artificielle sont les sujets à la mode dans les industries de nos jours et nous pouvons voir leur implication croissante avec le lancement de chaque nouvel appareil électronique. Presque toutes les applications de l'ingénierie informatique utilisent l' apprentissage automatique pour analyser et prédire les résultats futurs. Déjà, de nombreux appareils sur le marché utilisent la puissance de l'apprentissage automatique et de l'intelligence artificielle, comme la caméra du smartphone utilise des fonctionnalités activées par l'IA pour la détection de visage et pour déterminer l'âge apparent à partir de la détection de visage.

Il n'est pas surprenant que Google soit l'un des pionniers de cette technologie. Google a déjà créé de nombreux frameworks ML et AI que nous pouvons facilement implémenter dans nos applications. TensorFlow est l'une des bibliothèques de réseau neuronal open source bien connues de Google, utilisée dans des applications d'apprentissage automatique telles que la classification d'images, la détection d'objets, etc.

Dans les années à venir, nous verrons plus l'utilisation de l'IA dans notre vie quotidienne et l'IA sera en mesure de gérer vos tâches quotidiennes comme la commande d'épicerie en ligne, la conduite d'une voiture, le contrôle de vos appareils électroménagers, etc. Alors, pourquoi nous avons laissé derrière nous pour exploiter une machine algorithmes sur des appareils portables comme Raspberry Pi.

Dans ce didacticiel, nous allons apprendre comment installer TensorFlow sur Raspberry Pi et montrer quelques exemples avec une classification d'image simple sur un réseau de neurones pré-entraîné. Nous avons précédemment utilisé Raspberry Pi pour d'autres tâches de traitement d'image telles que la reconnaissance optique de caractères, la reconnaissance faciale, la détection de plaque d'immatriculation, etc.

Exigences

1. Raspberry Pi avec le système d'exploitation Raspbian installé (carte SD d'au moins 16 Go)
2. Connexion Internet fonctionnelle

Ici, nous utiliserons SSH pour accéder à Raspberry Pi sur l'ordinateur portable. Vous pouvez utiliser la connexion VNC ou Remote Desktop sur l'ordinateur portable, ou connecter votre Raspberry pi à un moniteur. En savoir plus sur la configuration de Raspberry Pi sans tête ici sans moniteur.

Raspberry pi, étant un appareil portable et moins consommateur d'énergie, est utilisé dans de nombreuses applications de traitement d'image en temps réel telles que la reconnaissance faciale, le suivi d'objets, le système de sécurité domestique, la caméra de surveillance, etc. de nombreuses applications puissantes de traitement d'image peuvent être créées.

Dans le passé, installer TensorFlow était un travail assez difficile, mais la récente contribution des développeurs ML et AI l'a rendu très simple et maintenant il peut être installé simplement en utilisant quelques commandes. Si vous connaissez les bases de l' apprentissage automatique et de l'apprentissage en profondeur, il vous sera utile de savoir ce qui se passe à l'intérieur du réseau neuronal. Mais même si vous êtes nouveau dans le domaine de l'apprentissage automatique, il n'y aura aucun problème, vous pouvez toujours continuer avec le didacticiel et utiliser des exemples de programmes pour l'apprendre.

Installation de TensorFlow dans Raspberry Pi

Voici les étapes pour installer TensorFlow dans Raspberry pi:

Étape 1: Avant d'installer TensorFlow dans Raspberry Pi, mettez d'abord à jour et mettez à niveau le système d'exploitation Raspbian en utilisant les commandes suivantes

sudo apt-get mise à jour sudo apt-get mise à jour

Étape 2: Installez ensuite la bibliothèque Atlas pour obtenir la prise en charge de Numpy et d'autres dépendances.

sudo apt installer libatlas-base-dev

Étape 3: Une fois que cela est terminé, installez TensorFlow via pip3 en utilisant la commande ci-dessous

pip3 installer tensorflow

Il en faudra un peu pour installer TensorFlow, si vous rencontrez une erreur lors de l'installation, réessayez simplement en utilisant la commande ci-dessus.

Étape 4: Après une installation réussie de TensorFlow, nous vérifierons s'il est correctement installé en utilisant un petit programme Hello world . Pour ce faire, ouvrez l' éditeur de texte nano en utilisant la commande ci-dessous:

sudo nano tfcheck.py

Et copiez-collez ci-dessous les lignes dans le nano terminal et enregistrez-le en utilisant ctrl + x et appuyez sur Entrée.

import tensorflow comme tf bonjour = tf.constant ('Bonjour, TensorFlow!') sess = tf.Session () print (sess.run (bonjour))

Étape 5: Maintenant, exécutez ce script dans le terminal en utilisant la commande ci-dessous

python3 tfcheck.py

Si tous les packages sont installés correctement, vous verrez un Hello Tensorflow! message dans la dernière ligne comme indiqué ci-dessous, ignorez tous les avertissements.

Cela fonctionne bien et nous allons maintenant faire quelque chose d'intéressant en utilisant TensorFlow et vous n'avez pas besoin d'avoir des connaissances en apprentissage automatique et en apprentissage en profondeur pour faire ce projet. Ici, une image est introduite dans un modèle pré-construit et TensorFlow identifiera l'image. TensorFlow donnera la probabilité la plus proche de ce qui est dans l'image.

Installation du classificateur d'image sur Raspberry Pi pour la reconnaissance d'image

Étape 1: - Créez un répertoire et accédez au répertoire en utilisant les commandes ci-dessous.

mkdir tf cd tf

Étape 2: - Maintenant, téléchargez les modèles disponibles sur le référentiel TensorFlow GIT. Clonez le référentiel dans le répertoire tf en utilisant la commande ci-dessous

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

Cela prendra un certain temps à installer, et il est de grande taille, alors assurez-vous d'avoir un plan de données suffisant.

Étape 3: - Nous utiliserons un exemple de classification d'images qui peut être trouvé dans models / tutorials / image / imagenet. Accédez à ce dossier en utilisant la commande ci-dessous

modèles de cd / tutoriels / image / imagenet

Étape 4: - Maintenant, alimentez une image dans le réseau neuronal pré-construit en utilisant la commande ci-dessous.

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

Remplacez image_file_name par l'image que vous devez alimenter, puis appuyez sur Entrée.

Voici quelques exemples de détection et de reconnaissance d'images à l'aide de TensorFlow.

Pas mal! le réseau neuronal a classé l'image comme un chat égyptien avec un degré élevé de certitude par rapport aux autres options.

Dans tous les exemples ci-dessus, les résultats sont plutôt bons et le TensorFlow peut facilement classer les images avec une certitude proche. Vous pouvez essayer ceci en utilisant vos images personnalisées.

Si vous avez des connaissances en apprentissage automatique, il peut effectuer une détection d'objets sur cette plate-forme à l'aide de certaines bibliothèques.

/>