L'apprentissage automatique est le sujet sur toutes les lèvres. Il est facile de voir pourquoi. C'est l'avenir de la manipulation de données et il est déjà utilisé dans presque tous les environnements commerciaux modernes. Mais peut-il être combiné avec un Raspberry Pi ? Le Pi est-il à la hauteur de la tâche de maintenir un réseau de neurones fonctionnel ? Avec Google TensorFlow, c'est possible !
Voici comment installer TensorFlow sur un Raspberry Pi, avec quelques exemples d'utilisation.
Avant de plonger dans des exemples d'utilisation de TensorFlow, il est utile de savoir de quoi il s'agit réellement.
En bref, TensorFlow est le réseau neuronal entraînable de Google, qui peut effectuer de nombreuses tâches différentes. En apprenant activement à partir d'un ensemble de données organisé par l'utilisateur, les réseaux de neurones TensorFlow effectuent des prédictions précises lorsqu'ils reçoivent de nouvelles données.
En bref, les réseaux de neurones TensorFlow pensent .
Consultez notre liste d'exemples Tensorflow pour plus d'informations.
Bien que la compréhension du sujet de l'apprentissage automatique nécessite une étude sérieuse, l'utilisation de base de TensorFlow est facile à suivre. Notre didacticiel sur la reconnaissance d'images avec TensorFlow couvre l'installation de la bibliothèque sur votre Pi. Il couvre également le test et l'exécution du programme de classification d'images Inception de base.
Dans ce cas, TensorFlow fournit un réseau de neurones déjà formé. Tout ce que l'utilisateur doit faire est de saisir le type de données correct, et TensorFlow devinera ce que contient l'image. Même l'implémentation de base de TensorFlow est capable de classer les images en 1000 classes. Il obtient un montant surprenant !
Mais que pouvez-vous faire d'autre avec TensorFlow sur le Raspberry Pi ?
Nous avons déjà expliqué comment créer une webcam intelligente, mais ce classificateur d'images mobile parlant l'amène à un nouveau niveau.
Cet article détaillé décrit la configuration matérielle et le logiciel personnalisé intégré au classificateur d'images Inception. L'exemple de code montre à quel point il est facile d'intégrer TensorFlow à un projet (à condition que vous soyez à l'aise avec les bases du langage de programmation Python). L'article décrit en détail le processus de reconnaissance d'image. C'est une excellente ressource en général pour toute personne intéressée par le domaine.
Un excellent élément de cette configuration peut ne pas être clair au départ :
"Un avantage supplémentaire que beaucoup ont souligné est qu'une fois installé, aucun accès Internet n'est requis."
La reconnaissance d'image précédente a toujours reposé sur un temps de traitement énorme ou sur une connexion Internet. Un Pi ne peut pas toujours transmettre des informations au cloud et a une puissance de traitement limitée. C'est la solution, un outil de reconnaissance d'objets hors ligne autonome que vous pouvez créer chez vous. Il vous dira même ce qu'il regarde. Le futur n'est-il pas merveilleux ?
https://vimeo.com/240635807
Les miroirs intelligents (ou "magiques") faits maison sont à peu près la chose la plus cool que vous puissiez construire. Ne nécessitant qu'un Pi et un vieil écran d'ordinateur portable ainsi que des fournitures de bricolage de base, c'est un excellent projet pour débutant. Alasdair Allan a décidé de ne pas se contenter du miroir intelligent moyen et a construit le miroir magique TensorFlow avec reconnaissance vocale.
Insatisfait du coût de la reconnaissance vocale sur le Web, Alasdair a opté pour TensorFlow comme alternative hors ligne. L'intégration du modèle de reconnaissance vocale pré-entraîné de TensorFlow dans le code du kit AIY déjà utilisé ajoute des mots d'activation personnalisés au projet.
Google a rassemblé un ensemble de données avec plus de 65 000 mots issus du crowdsourcing. Cet ensemble de données open source a entraîné le réseau neuronal à comprendre certains mots.
Dans ce cas, il a ajouté plusieurs mots d'activation possibles, mais se heurte toujours à un problème d'apprentissage automatique familier :il faut beaucoup de données pour entraîner un réseau de neurones.
À moins que vous ne souhaitiez créer un ensemble de données unique avec des dizaines de milliers d'entrées, vous êtes limité à ce qui est librement disponible. Ce projet montre les limites de TensorFlow sur le Pi dans son état actuel. Il est entièrement fonctionnel mais pousse les capacités de calcul du Pi. Comme pour toutes les nouvelles technologies, cette mise en œuvre précoce est un aperçu de l'avenir des appareils intelligents pour la maison.
Compte tenu de l'histoire de Google avec les voitures autonomes, il n'est pas surprenant que TensorFlow soit bien adapté à la conduite autonome.
Le DeepPiCar est un excellent exemple de ce type de réseau de neurones en action. En plus de la télécommande standard, ce robot Raspberry Pi dispose de quelque chose de tout à fait plus intelligent. Formé sur un jeu de données fourni sur la page du projet GitHub, le réseau apprend à rester sur une piste prédéterminée.
Ce projet n'est pas pour les débutants. Le matériel requis peut être trouvé dans presque tous les kits de robot bon marché. La mise en œuvre du logiciel nécessite des connaissances plus approfondies. Vous devez avoir une bonne maîtrise du machine learning avant de vous lancer.
L'un des déploiements les plus connus de TensorFlow sur le Pi, le trieur de concombres de Makoto Koike est un signe des choses à venir.
Le tri des produits frais pour différents marchés représente un coût énorme pour les petits fournisseurs. Le tri des concombres par taille et qualité est une tâche qui, jusqu'à récemment, ne pouvait être effectuée que par un opérateur humain. Le tri mécanique était très difficile à réaliser et coûteux. TensorFlow résout ce problème en catégorisant les concombres en temps réel via la caméra.
À l'aide de plus de 7000 images de concombres, Makoto a formé un réseau de neurones pour distinguer les différents types. En fonctionnement, les webcams capturent des images sous trois angles. Le Pi classe les images, avant de les transmettre à un serveur Linux pour une classification plus poussée. Le résultat déclenche un tapis roulant et un système d'asservissement qui trie les concombres dans des boîtes.
Nous avons vu le Raspberry Pi utilisé pour tout, il n'est donc pas surprenant que TensorFlow soit arrivé dessus. Le Pi a du mal à répondre aux exigences de l'apprentissage automatique, mais il est idéal pour apprendre les bases.
