基于树莓派和Tensowflow 的物体识别是怎样的

这篇文章将为大家详细讲解有关基于树莓派和Tensowflow 的物体识别是怎样的，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

我们先来实现这个项目的核心部分：用树莓派和Tensowflow的识别现实世界的物体。

随手把桌子上同事给的橘子拍下来，之后我们试着让树莓派认出它

任务描述

How to build a robot that “sees” with $100 and TensorFlow 已经把要做的是事说清楚了

物体识别是近来机器学习领域的热点之一。对于识别人脸或是区分猫狗这件事上，计算机已经胸有成竹，而在更大的图片集中识别一个指定的物体还是人工智能领域的“圣杯”，不过近年也有很大进展

我们将造一个能自己识别物体的机器人（不需要云服务）

工具介绍

树莓派

树莓派（Raspberry Pi）是一款基于Linux的单板机电脑，它只有巴掌大小，却有惊人的计算能力，你可以把它当做一台普通电脑。

树莓派的使命是制作一套启发孩子的电脑，降低孩子们试错的成本

树莓派最新的版本是树莓派3,较前一代树莓派2，树莓派3的处理器升级为了64位的博通BCM2837，并首次加入了Wi-Fi无线网络及蓝牙功能。加量不加价

TensorFlow

TensorFlow是一个由"Google大脑"团队的研究人员开发的机器学习库，Google遵循Apache License 2.0将其开源。该系统可以被用于语音识别、图片识别等多个领域

在这个项目中我们主要用到一个叫做 inception 的模型（基于ImageNet数据集）。它可以完成物体识别，我们直接使用预训练好的模型。训练模型可是个费时费力的工作

你把智能当黑盒使用的时候，并不需要有那么多偷懒的负罪感啦（哈哈 我还是有一点）

电气时代来临的时候，变革社会的除了那些发电的人，那些懂得使用电力去改造传统行业，创造新的行业的人，也许对社会的变革更为深刻。尽管他们可能连卡诺循环都不知道，甚至不知如何将水蒸汽中的动能转换为功，进而驱动电机发电

ImageNet数据集

这个数据集包含约120万张训练图像、5万张验证图像和10万张测试图像，分为1000个不同的类别，用于机器学习中训练图像识别系统

准备工作

我们先准备好树莓派,我用的是安装了 raspbian-2016-05-31 版本的树莓派3代（使用其他版本应该也没问题），关于树莓派的相关配置可以参考我之前的文章： 树莓派折腾笔记之系统安装与配置

安装Tensowflow

How to build a robot that “sees” with $100 and TensorFlow 这篇文章里，作者采用的是TensorFlow提供的makefile命令，在树莓派中本地编译，这一步骤花费了作者几个小时。不过好处是一步到位。安装完后可以直接运行： tensorflow/contrib/pi_examples/label_image/gen/bin/label_image 来识别物体

我不打算编译安装，除了过程费事，还需要在安装的几个小时里提心吊胆，深怕某个依赖问题导致前功尽弃，重新编译。 我在手动编译opencv的时候就曾备受折磨

我的安装过程

我们先安装已经适合树莓派的Tensowflow，这种工作，肯定有人做过，github一搜果不其然： tensorflow-on-raspberry-pi 。我们开始安装：

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  #这一步会安装其他依赖，如果太慢，可以用-i参数，使用豆瓣源

安装过程很快，也就喝杯茶时间，过程十分流畅

Tensowflow安装完成，我们开始加载模型,安装过程参考这里: pi_examples

mkdir  ~/tfcd /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/imagenetpython classify_image.py --model_dir ~/tf/imagenet #--model_dir 指定模型数据存放的目录

完成后我们来测试下是否正常

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

如果是如下输出则一切就绪：

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)

测试

我们来试一下我的伞（拍于办公室）：

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

输出为

程序会给出5个可能的物体，得分最高的是雨伞，识别的很准确

我们接着给它看一张橘子的图片：

输出为

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

它认为最大的可能是柠檬，橘子和柠檬确实很相似

如果你想自己来训练你的模型，可以参考googleblog上的这篇文章: Train your own image classifier with Inception in TensorFlow

优化

目前物体识别的性能不高，需要等一会儿，Lukas的机器人很有趣，它每次拍下照片，开始计算的时候会说 I'm thinking 。延时得很自然，机器也确实是在“思考”

关于如何提高运算速度，以下是几个可能

• 利用GPU来计算。树莓派支持GPU运算，不过 tensorflow-on-raspberry-pi 目前没有GPU版本的whl，linux/mac都有GPU版本的whl. 此问题详细谈论可以参考: Question on GPU

• 使树莓派超频可以加快运算速度

• 把tensorflow部署到小车控制器坐在的电脑上（本地电脑），实际计算在本地进行（这样可以把tensorflow用到任何client里，不过需要联网运行）

• 把tensorflow部署到云上，提供网络服务

另一个优化是，缩小图片尺寸，可以使用ImageMagick提供的convert指令： convert -resize 100x100 test.png dest.jpg 。 如此一来就把图片转化为小尺寸（100×100），能有效提高运算速度。

关于基于树莓派和Tensowflow 的物体识别是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。