Découvrez la reconnaissance d'images avec TensorFlow sur Raspberry Pi : guide débutant

TensorFlow est la bibliothèque open-source de Google dédiée aux réseaux de neurones et à l'apprentissage automatique. Leader dans ce domaine en pleine expansion, Google propose des outils puissants et accessibles.

Dans ce tutoriel détaillé, apprenez à installer TensorFlow sur un Raspberry Pi et à effectuer une classification d'images simple à l'aide d'un modèle pré-entraîné. Idéal pour les débutants en IA embarquée.

Premiers pas

Pour commencer, munissez-vous d'un Raspberry Pi (tout modèle convient) et d'une carte SD avec Raspbian Stretch (9.0+) ou ultérieur. Si vous débutez, consultez notre guide d'installation Raspbian.

Démarrez votre Pi, ouvrez un terminal et mettez à jour le système. Vérifiez ensuite vos versions de Python :

sudo apt-get update
python --version
python3 --version

Ce tutoriel utilise Python 3.4+. Pour Python 2.7 (non recommandé aujourd'hui), remplacez python3 par python et pip3 par pip. Pip, gestionnaire de paquets Python, est généralement préinstallé sur les distributions Linux. Sinon, installez-le via les instructions officielles.

Installation de TensorFlow

Grâce aux mises à jour récentes, installer TensorFlow est désormais simple sur Raspberry Pi. Une connaissance de base en apprentissage automatique est un plus, mais non obligatoire.

Installez d'abord la bibliothèque ATLAS :

sudo apt install libatlas-base-dev

Puis TensorFlow via pip3 :

pip3 install --user tensorflow

Cela installe TensorFlow pour l'utilisateur courant. Pour un environnement virtuel, adaptez la commande.

Test de TensorFlow

Testez l'installation avec un script "Hello World" TensorFlow.

Créez un fichier Python :

nano tftest.py

Insérez ce code fourni par Google :

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

Enregistrez (Ctrl+X, Y dans nano) et exécutez :

python3 tftest.py

Vous devriez voir "Bonjour, TensorFlow !". Avec Python 3.5+, ignorez les avertissements courants (confirmés par la doc officielle TensorFlow).

Parfait ! Passons à la reconnaissance d'images.

Installation du classificateur d'images

Créez un répertoire projet :

mkdir tf1
cd tf1

Clonez le dépôt Git officiel TensorFlow models :

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

Accédez au dossier de l'exemple :

cd models/tutorials/image/imagenet

Le script classify_image.py utilise une image de panda fournie :

Exécutez :

python3 classify_image.py

Le modèle analyse l'image et renvoie des prédictions avec scores de confiance :

Le panda est détecté à ~90% de certitude !

Utiliser une image personnalisée

Testez avec votre propre image pour valider. Voici George, un dinosaure :

Téléchargez-la dans /home/pi/george.jpg et lancez :

python3 classify_image.py --image_file /home/pi/george.jpg

Résultat :

Le modèle identifie un dinosaure avec haute confiance. Excellent !

TensorFlow et Raspberry Pi : prêts pour l'action

Cette configuration locale ne nécessite pas Internet, idéale pour des projets embarqués avec caméra Pi et batterie. L'apprentissage automatique est vaste ; approfondissez via des cours dédiés ou d'autres projets TensorFlow sur Raspberry Pi.