基于樹莓派和Tensowflow 的物體識別是怎樣的

這篇文章將為大家詳細講解有關基于樹莓派和Tensowflow 的物體識別是怎樣的，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

我們先來實現這個項目的核心部分：用樹莓派和Tensowflow的識別現實世界的物體。

隨手把桌子上同事給的橘子拍下來，之后我們試著讓樹莓派認出它

任務描述

How to build a robot that “sees” with $100 and TensorFlow 已經把要做的是事說清楚了

物體識別是近來機器學習領域的熱點之一。對于識別人臉或是區分貓狗這件事上，計算機已經胸有成竹，而在更大的圖片集中識別一個指定的物體還是人工智能領域的“圣杯”，不過近年也有很大進展

我們將造一個能自己識別物體的機器人（不需要云服務）

工具介紹

樹莓派

樹莓派（Raspberry Pi）是一款基于Linux的單板機電腦，它只有巴掌大小，卻有驚人的計算能力，你可以把它當做一臺普通電腦。

樹莓派的使命是制作一套啟發孩子的電腦，降低孩子們試錯的成本

樹莓派最新的版本是樹莓派3,較前一代樹莓派2，樹莓派3的處理器升級為了64位的博通BCM2837，并首次加入了Wi-Fi無線網絡及藍牙功能。加量不加價

TensorFlow

TensorFlow是一個由"Google大腦"團隊的研究人員開發的機器學習庫，Google遵循Apache License 2.0將其開源。該系統可以被用于語音識別、圖片識別等多個領域

在這個項目中我們主要用到一個叫做 inception 的模型（基于ImageNet數據集）。它可以完成物體識別，我們直接使用預訓練好的模型。訓練模型可是個費時費力的工作

你把智能當黑盒使用的時候，并不需要有那么多偷懶的負罪感啦（哈哈 我還是有一點）

電氣時代來臨的時候，變革社會的除了那些發電的人，那些懂得使用電力去改造傳統行業，創造新的行業的人，也許對社會的變革更為深刻。盡管他們可能連卡諾循環都不知道，甚至不知如何將水蒸汽中的動能轉換為功，進而驅動電機發電

ImageNet數據集

這個數據集包含約120萬張訓練圖像、5萬張驗證圖像和10萬張測試圖像，分為1000個不同的類別，用于機器學習中訓練圖像識別系統

準備工作

我們先準備好樹莓派,我用的是安裝了 raspbian-2016-05-31 版本的樹莓派3代（使用其他版本應該也沒問題），關于樹莓派的相關配置可以參考我之前的文章： 樹莓派折騰筆記之系統安裝與配置

安裝Tensowflow

How to build a robot that “sees” with $100 and TensorFlow 這篇文章里，作者采用的是TensorFlow提供的makefile命令，在樹莓派中本地編譯，這一步驟花費了作者幾個小時。不過好處是一步到位。安裝完后可以直接運行： tensorflow/contrib/pi_examples/label_image/gen/bin/label_image 來識別物體

我不打算編譯安裝，除了過程費事，還需要在安裝的幾個小時里提心吊膽，深怕某個依賴問題導致前功盡棄，重新編譯。 我在手動編譯opencv的時候就曾備受折磨

我的安裝過程

我們先安裝已經適合樹莓派的Tensowflow，這種工作，肯定有人做過，github一搜果不其然： tensorflow-on-raspberry-pi 。我們開始安裝：

wget https://github.com/samjabrahams/tensorflow-on-raspberry-pi/raw/master/bin/tensorflow-0.9.0-cp27-none-linux_armv7l.whl
sudo pip install tensorflow-0.9.0-cp27-none-linux_armv7l.whl  #這一步會安裝其他依賴，如果太慢，可以用-i參數，使用豆瓣源

安裝過程很快，也就喝杯茶時間，過程十分流暢

Tensowflow安裝完成，我們開始加載模型,安裝過程參考這里: pi_examples

mkdir  ~/tfcd /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/imagenetpython classify_image.py --model_dir ~/tf/imagenet #--model_dir 指定模型數據存放的目錄

完成后我們來測試下是否正常

python /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/imagenet/classify_image.py  --model_dir ~/tf/imagenet

如果是如下輸出則一切就緒：

giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89233)indri, indris, Indri indri, Indri brevicaudatus (score = 0.00859)lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00264)custard apple (score = 0.00141)earthstar (score = 0.00107)

測試

我們來試一下我的傘（拍于辦公室）：

python /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/imagenet/classify_image.py  --model_dir ~/tf/imagenet --image_file /tmp/test.jpg  # 圖片需是jpg格式

輸出為

程序會給出5個可能的物體，得分最高的是雨傘，識別的很準確

我們接著給它看一張橘子的圖片：

輸出為

lemon (score = 0.72036)orange (score = 0.16516)spaghetti squash (score = 0.01571)butternut squash (score = 0.00304)ocarina, sweet potato (score = 0.00298)

它認為最大的可能是檸檬，橘子和檸檬確實很相似

如果你想自己來訓練你的模型，可以參考googleblog上的這篇文章: Train your own image classifier with Inception in TensorFlow

優化

目前物體識別的性能不高，需要等一會兒，Lukas的機器人很有趣，它每次拍下照片，開始計算的時候會說 I'm thinking 。延時得很自然，機器也確實是在“思考”

關于如何提高運算速度，以下是幾個可能

• 利用GPU來計算。樹莓派支持GPU運算，不過 tensorflow-on-raspberry-pi 目前沒有GPU版本的whl，linux/mac都有GPU版本的whl. 此問題詳細談論可以參考: Question on GPU

• 使樹莓派超頻可以加快運算速度

• 把tensorflow部署到小車控制器坐在的電腦上（本地電腦），實際計算在本地進行（這樣可以把tensorflow用到任何client里，不過需要聯網運行）

• 把tensorflow部署到云上，提供網絡服務

另一個優化是，縮小圖片尺寸，可以使用ImageMagick提供的convert指令： convert -resize 100x100 test.png dest.jpg 。 如此一來就把圖片轉化為小尺寸（100x100），能有效提高運算速度。

關于基于樹莓派和Tensowflow 的物體識別是怎樣的就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。