Hoe doe-het-zelf AI-projecten bouwen met Google TensorFlow en Raspberry Pi

Advertentie

Machine learning is het onderwerp op ieders lippen. Het is gemakkelijk te zien waarom. Het is de toekomst van gegevensmanipulatie en wordt al in bijna elke moderne zakelijke omgeving gebruikt. Maar kan het gecombineerd worden met een Raspberry Pi? Is de Pi klaar om een ​​werkend neuraal netwerk te ondersteunen? Met Google TensorFlow kan het!

Hier leest u hoe u TensorFlow op een Raspberry Pi installeert, met enkele voorbeelden van gebruik.

Wat is TensorFlow?

Voordat we ingaan op voorbeelden van hoe TensorFlow wordt gebruikt, is het de moeite waard om te weten wat het eigenlijk is.

Kortom, TensorFlow is het trainbare neurale netwerk van Google, dat veel verschillende taken kan uitvoeren. Door actief te leren van een door de gebruiker beheerde dataset, maken TensorFlow neurale netwerken nauwkeurige voorspellingen wanneer ze nieuwe gegevens krijgen.

Kortom, TensorFlow neurale netwerken denken.

Bekijk onze lijst met Tensorflow-voorbeelden Wat is Google TensorFlow? Open-source voorbeelden en tutorials

TensorFlow, machine learning en neurale netwerken. Hier volgt een kort overzicht van wat het is, waarom het nuttig is en hoe u het kunt leren. Lees verder voor meer informatie.

Hoe TensorFlow te installeren

Hoewel het begrijpen van het onderwerp machinaal leren serieuze studie vergt, is het basisgebruik van TensorFlow eenvoudig te volgen. Onze Beeldherkenning met TensorFlow-zelfstudie Ga aan de slag met beeldherkenning met TensorFlow en Raspberry PiWil je grip krijgen op beeldherkenning? Dankzij Tensorflow en een Raspberry Pi ga je meteen aan de slag. Lees verder omvat het installeren van de bibliotheek op uw Pi. Het omvat ook het testen ervan en het uitvoeren van het basisclassificatieprogramma van Inception.

In dit geval biedt TensorFlow een reeds getraind neuraal netwerk. Het enige wat de gebruiker hoeft te doen is het juiste gegevenstype in te voeren, en TensorFlow zal raden wat de afbeelding bevat. Zelfs de basisimplementatie van TensorFlow is in staat afbeeldingen in 1000 klassen te classificeren. Het krijgt een verrassend bedrag correct!

Maar wat kun je nog meer doen met TensorFlow op de Raspberry Pi?

We hebben gedekt hoe je een slimme webcam maakt DIY Pan en Tilt Network Security Cam met Raspberry PiLeer hoe u op afstand zichtbare pan- en tilt-beveiligingscamera kunt maken met een Raspberry Pi. Dit project kan in een ochtend worden voltooid met alleen de eenvoudigste onderdelen. Lees verder eerder, maar deze pratende mobiele beeldclassificatie brengt het naar een nieuw niveau.

Dit gedetailleerde bericht schetst de hardware-installatie en aangepaste software die is geïntegreerd met de Inception-beeldclassificatie. De voorbeeldcode laat zien hoe eenvoudig het is om TensorFlow te integreren met een project (op voorwaarde dat u vertrouwd bent met de basis van de programmeertaal Python 5 cursussen die je van Python Beginner naar Pro brengenDeze vijf cursussen leren je alles over programmeren in Python, een van de populairste talen die er momenteel is. Lees verder ). Het artikel gaat uitgebreid in op het proces van beeldherkenning. Het is in het algemeen een uitstekende bron voor iedereen die geïnteresseerd is in het veld.

Een uitstekend element van deze opstelling is in eerste instantie misschien niet duidelijk:

"Een toegevoegde bonus waar velen op wezen, is dat, eenmaal geïnstalleerd, geen internettoegang vereist is."

Eerdere beeldherkenning was altijd afhankelijk van een enorme hoeveelheid verwerkingstijd of een internetverbinding. Een Pi kan niet altijd informatie doorgeven aan de cloud en heeft een beperkte verwerkingskracht. Dit is de oplossing, een op zichzelf staande offline objectherkenner die je thuis kunt maken. Het vertelt je zelfs waar het naar kijkt. Is de toekomst niet geweldig?

Zelfgemaakte slimme (of "magische") spiegels zijn over het coolste wat je kunt bouwen Hoe u een oud laptopscherm in een magische spiegel verandertSlimme spiegels zijn unieke apparaten die u kunt gebruiken om wat magie in uw huis te injecteren. We laten je zien hoe je er een bouwt met een Raspberry Pi. Lees verder . Het vereist alleen een Pi en een oud laptopscherm samen met eenvoudige doe-het-zelfbenodigdheden, het is een geweldig beginnersproject. Alasdair Allan besloot geen genoegen te nemen met de gemiddelde slimme spiegel en bouwde de TensorFlow magische spiegel met spraakherkenning.

Ontevreden over de kosten van webgebaseerde spraakherkenning, koos Alasdair voor TensorFlow als een offline alternatief. TensorFlow's voorgedefinieerde spraakherkenningsmodel integreren in het reeds gebruikte AIY-kit code voegt aangepaste wake-woorden toe aan het project.

Google heeft een dataset samengesteld met meer dan 65.000 crowdsourced woorden. Deze open-source dataset trainde het neurale netwerk om sommige woorden te begrijpen.

In dit geval heeft het verschillende mogelijke waakwoorden toegevoegd, maar loopt het nog steeds tegen een bekend probleem met machine learning aan: er zijn veel gegevens voor nodig om een ​​neuraal netwerk te trainen.

Tenzij u bereid bent een unieke dataset met tienduizenden vermeldingen te maken, bent u beperkt tot wat vrij beschikbaar is. Dit project toont de beperkingen van TensorFlow op de Pi in zijn huidige staat. Het is volledig functioneel, maar duwt de rekenmogelijkheden van de Pi. Zoals met alle nieuwe technologieën, is deze vroege implementatie een kijkje in de toekomst van smart home-apparaten.

Gezien Google's geschiedenis met zelfrijdende auto's Hoe zelfrijdende auto's werken: de moeren en bouten achter het autonome autoprogramma van GoogleIn staat zijn om heen en weer te pendelen naar het werk terwijl u slaapt, eet of uw favoriet inhaalt blogs is een concept dat even aantrekkelijk en schijnbaar ver weg en te futuristisch is om eigenlijk te zijn gebeuren. Lees verder is het geen verrassing dat TensorFlow zeer geschikt is voor autonoom rijden.

De DeepPiCar is een uitstekend voorbeeld van dit soort neurale netwerk in actie. Naast de standaard afstandsbediening heeft deze Raspberry Pi-robot iets heel slimmer. Opgeleid op een dataset op de GitHub-projectpagina, leert het netwerk op een vooraf bepaald spoor te blijven.

Dit project is niet voor beginners. De benodigde hardware is te vinden in bijna elke goedkope robotkit. De software-implementatie vergt wat meer diepgaande kennis. U moet machine learning goed beheersen voordat u deze aanneemt.

Een van de bekendste implementaties van TensorFlow op de Pi, Makoto Koike's komkommersorteerder is een teken van wat komen gaat.

Het sorteren van verse producten voor verschillende markten is een enorme kost voor kleinere aanbieders. Het sorteren van komkommers op maat en kwaliteit is een taak die tot voor kort alleen door een menselijke operator kon worden uitgevoerd. Machinaal sorteren was erg moeilijk en kostbaar. TensorFlow lost dit probleem op door komkommers in realtime te categoriseren via de camera.

Met meer dan 7000 afbeeldingen van komkommers trainde Makoto een neuraal netwerk om onderscheid te maken tussen verschillende soorten. In bedrijf nemen webcams beelden op vanuit drie hoeken. De Pi classificeert de afbeeldingen voordat ze worden doorgestuurd naar een Linux-server voor verdere classificatie. Het resultaat leidt tot een transportband en een servosysteem dat de komkommers in dozen sorteert.

Het begin van Something Smart

We hebben gezien Raspberry Pi wordt voor alles gebruikt 26 geweldige toepassingen voor een Raspberry PiMet welk Raspberry Pi-project moet je beginnen? Hier is onze verzameling van de beste Raspberry Pi-toepassingen en -projecten die er zijn! Lees verder , dus het is niet verwonderlijk dat TensorFlow erop is aangekomen. De Pi heeft moeite om aan de eisen van machine learning te voldoen, maar dat is het wel geweldig voor het leren van de basis Wat is machine learning? De gratis cursus van Google breekt het voor u uitGoogle heeft een gratis online cursus ontwikkeld om u de basisprincipes van machine learning te leren. Lees verder .