怎样在树莓派上使用TensorFlow进行图像识别

步骤1：机器学习

机器学习和深度学习将属于人工智能（AI）。机器学习将观察和分析可用数据，并随着时间的推移改善其结果。

示例：YouTube推荐的视频功能。它显示了您之前观看过的相关视频。该预测仅限于基于文本的结果。但是深度学习可以比这更深入。

步骤2：深度学习

深度学习与此相似，但是它可以做出更准确的决策通过收集对象的各种信息自行完成。它具有许多层次的分析，并据此做出决定。为了加快这一过程，它使用了神经网络，并为我们提供了所需的更精确的结果（比ML更好的预测）。像人脑如何思考和做出决定。

示例：对象检测。它检测图像中可用的内容。类似的东西，您可以通过外观，大小和颜色来区分Arduino和Raspberry Pi。

这是一个广泛的话题，并具有多种应用。

步骤3：先决条件

TensorFlow宣布正式支持Raspberry Pi，从1.9版开始，它将使用pip软件包安装支持Raspberry Pi。在本教程中，我们将看到如何在Raspberry Pi上安装它。

Python 3.4（推荐）

Raspberry Pi

电源供应器

Raspbian 9（拉伸）

步骤4：更新Raspberry Pi及其软件包

步骤1 ：更新您的Raspberry Pi及其软件包。

sudo apt-get更新

sudo apt-get升级 》

步骤2：使用此命令测试您是否拥有最新的python版本。

python3 –-version

建议至少具有Python 3.4。

步骤3：我们需要安装libatlas库（ATLAS-自动调整的线性代数软件）。因为TensorFlow使用numpy。因此，请使用以下命令进行安装

sudo apt install libatlas-base-dev

步骤4：使用以下命令安装TensorFlow： Pip3安装命令。

pip3 install tensorflow

现在已安装TensorFlow。

第5步：预测图像使用Imagenet模型示例：

TensorFlow发布了一个模型来预测图像。您需要先下载模型，然后运行它。

步骤1：运行以下命令来下载模型。您可能需要安装git。

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

步骤2： 导航至imagenet示例。

cd模型/教程/图像/imagenet

专业提示：新的Raspbian Stretch，您可以手动找到“ classify_image.py”文件，然后在其上单击“右键”。选择“复制路径”。然后将其粘贴到“ cd”之后的终端中，然后按Enter。通过这种方式，您可以更快地导航而不会出现任何错误（以防拼写错误或文件名在新更新中被更改）。

我使用了“复制路径”方法，因此它包含了确切的路径（/home/pi）。

步骤3：使用此命令运行示例。显示预测结果大约需要30秒。

python3 classify_image.py

步骤6：自定义图像预测

您也可以从互联网下载图像，或者使用相机拍摄的图像进行预测。为了获得更好的效果，请使用较少的内存映像。

要使用自定义映像，请使用以下方法。我的图片文件位于“/home/pi/Downloads/TensorImageTest1.jpg”位置。只需将其替换为您的文件位置和名称即可。使用“复制路径”来简化导航。

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

您也可以尝试其他示例。但是您需要在执行之前安装必要的软件包。我们将在即将到来的教程中介绍一些有趣的TensorFlow主题。

责任编辑：wv