కోరిందకాయ పై పై మెషీన్ లెర్నింగ్ సాఫ్ట్‌వేర్ టెన్సార్‌ఫ్లో ఇన్‌స్టాల్ చేస్తోంది

మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఇప్పుడు పరిశ్రమలలో ట్రెండింగ్ టాపిక్స్ మరియు ప్రతి కొత్త ఎలక్ట్రానిక్స్ పరికరాన్ని ప్రారంభించడంతో వారి పెరుగుతున్న ప్రమేయాన్ని మనం చూడవచ్చు. కంప్యూటర్ సైన్స్ ఇంజనీరింగ్ యొక్క దాదాపు ప్రతి అనువర్తనం భవిష్యత్ ఫలితాలను విశ్లేషించడానికి మరియు అంచనా వేయడానికి మెషిన్ లెర్నింగ్‌ను ఉపయోగిస్తోంది. ఇప్పటికే, మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ యొక్క శక్తిని ఉపయోగిస్తున్న అనేక పరికరాలు మార్కెట్లో ఉన్నాయి, స్మార్ట్ఫోన్ యొక్క కెమెరా ముఖాన్ని గుర్తించడానికి AI ఎనేబుల్ చేసిన లక్షణాలను ఉపయోగిస్తుంది మరియు ముఖం గుర్తించడం నుండి స్పష్టమైన వయస్సును తెలియజేస్తుంది.

ఈ సాంకేతిక పరిజ్ఞానంలో మార్గదర్శకులలో గూగుల్ ఒకరు అని చెప్పడంలో ఆశ్చర్యం లేదు. గూగుల్ ఇప్పటికే మా అనువర్తనాల్లో సులభంగా అమలు చేయగల అనేక ML మరియు AI ఫ్రేమ్‌వర్క్‌లను తయారు చేసింది. ఇమేజ్ వర్గీకరణ, ఆబ్జెక్ట్ డిటెక్షన్లు మొదలైన యంత్ర అభ్యాస అనువర్తనాల్లో ఉపయోగించబడే గూగుల్ యొక్క ఓపెన్ సోర్స్ న్యూరల్ నెట్‌వర్క్ లైబ్రరీలో టెన్సార్ ఫ్లో ఒకటి.

రాబోయే సంవత్సరాల్లో, మా రోజువారీ జీవితంలో AI యొక్క ఎక్కువ వినియోగాన్ని మేము చూస్తాము మరియు కిరాణాను ఆన్‌లైన్‌లో ఆర్డర్ చేయడం, కారు నడపడం, మీ గృహోపకరణాలను నియంత్రించడం వంటి మీ రోజువారీ పనులను AI నిర్వహించగలదు. కాబట్టి, మేము కొన్ని యంత్రాలను దోపిడీ చేయడానికి ఎందుకు వదిలిపెట్టాము రాస్ప్బెర్రీ పై వంటి పోర్టబుల్ పరికరాల్లో అల్గోరిథంలు.

ఈ ట్యుటోరియల్‌లో, రాస్‌ప్బెర్రీ పైలో టెన్సార్‌ఫ్లోను ఎలా ఇన్‌స్టాల్ చేయాలో నేర్చుకుంటాము మరియు ముందుగా శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్‌లో సాధారణ ఇమేజ్ వర్గీకరణతో కొన్ని ఉదాహరణలను చూపుతాము. ఆప్టికల్ క్యారెక్టర్ రికగ్నిషన్, ఫేస్ రికగ్నిషన్, నంబర్ ప్లేట్ డిటెక్షన్ వంటి ఇతర ఇమేజ్ ప్రాసెసింగ్ పనుల కోసం మేము గతంలో రాస్ప్బెర్రీ పైని ఉపయోగించాము.

అవసరాలు

1. రాస్ప్బెర్యన్ పైతో రాస్ప్బెర్రీ పై ఇన్స్టాల్ చేయబడింది (ఎస్డి కార్డ్ కనీసం 16 జిబి)
2. వర్కింగ్ ఇంటర్నెట్ కనెక్షన్

ఇక్కడ, ల్యాప్‌టాప్‌లో రాస్‌ప్బెర్రీ పైని యాక్సెస్ చేయడానికి మేము SSH ని ఉపయోగిస్తాము. మీరు ల్యాప్‌టాప్‌లో VNC లేదా రిమోట్ డెస్క్‌టాప్ కనెక్షన్‌ను ఉపయోగించవచ్చు లేదా మీ రాస్‌ప్బెర్రీ పైని మానిటర్‌తో కనెక్ట్ చేయవచ్చు. మానిటర్ లేకుండా ఇక్కడ రాస్‌ప్బెర్రీ పైని తల లేకుండా ఏర్పాటు చేయడం గురించి మరింత తెలుసుకోండి.

రాస్ప్బెర్రీ పై, పోర్టబుల్ మరియు తక్కువ విద్యుత్ వినియోగించే పరికరం, ఫేస్ రికగ్నిషన్, ఆబ్జెక్ట్ ట్రాకింగ్, హోమ్ సెక్యూరిటీ సిస్టమ్, సర్వైలెన్స్ కెమెరా వంటి అనేక రియల్ టైమ్ ఇమేజ్ ప్రాసెసింగ్ అనువర్తనాలలో ఉపయోగించబడుతుంది. చాలా శక్తివంతమైన ఇమేజ్ ప్రాసెసింగ్ అనువర్తనాలను నిర్మించవచ్చు.

గతంలో, టెన్సార్‌ఫ్లోను ఇన్‌స్టాల్ చేయడం చాలా కష్టమైన పని, అయితే ML మరియు AI డెవలపర్‌ల ఇటీవలి సహకారం చాలా సులభం చేసింది మరియు ఇప్పుడు దీన్ని కొన్ని ఆదేశాలను ఉపయోగించడం ద్వారా ఇన్‌స్టాల్ చేయవచ్చు. మెషిన్ లెర్నింగ్ మరియు డీప్ లెర్నింగ్ యొక్క కొన్ని ప్రాథమికాలు మీకు తెలిస్తే, న్యూరల్ నెట్‌వర్క్ లోపల ఏమి జరుగుతుందో తెలుసుకోవడం మీకు సహాయపడుతుంది. మీరు మెషిన్ లెర్నింగ్ డొమైన్‌కు క్రొత్తవారైతే, మీరు ఇంకా ట్యుటోరియల్‌తో కొనసాగడానికి మరియు దానిని నేర్చుకోవడానికి కొన్ని ఉదాహరణ ప్రోగ్రామ్‌లను ఉపయోగించటానికి ఎటువంటి సమస్య ఉండదు.

రాస్ప్బెర్రీ పైలో టెన్సర్ ఫ్లోను ఇన్స్టాల్ చేస్తోంది

రాస్ప్బెర్రీ పైలో టెన్సర్ ఫ్లోను వ్యవస్థాపించే దశలు క్రింద ఉన్నాయి:

దశ 1: రాస్ప్బెర్రీ పైలో టెన్సార్ ఫ్లోను ఇన్స్టాల్ చేసే ముందు, మొదట కింది ఆదేశాలను ఉపయోగించి రాస్పియన్ ఓఎస్ ను నవీకరించండి మరియు అప్‌గ్రేడ్ చేయండి

apt-గెట్ నవీకరణ sudo సుడో వర్ణనాత్మక-పొందుటకు నవీకరణ

దశ 2: అప్పుడు నంపి మరియు ఇతర డిపెండెన్సీలకు మద్దతు పొందడానికి అట్లాస్ లైబ్రరీని ఇన్‌స్టాల్ చేయండి.

sudo apt install libatlas-base-dev

దశ 3: అది పూర్తయిన తర్వాత, కింది ఆదేశాన్ని ఉపయోగించి పైప్ 3 ద్వారా టెన్సార్‌ఫ్లోను ఇన్‌స్టాల్ చేయండి

పైప్ 3 ఇన్‌స్టాల్ టెన్సార్‌ఫ్లో

టెన్సార్‌ఫ్లోను ఇన్‌స్టాల్ చేయడానికి కొంత సమయం పడుతుంది, ఇన్‌స్టాల్ చేసేటప్పుడు మీకు కొంత లోపం ఎదురైతే, పై ఆదేశాన్ని ఉపయోగించి దాన్ని మళ్లీ ప్రయత్నించండి.

దశ 4: టెన్సార్‌ఫ్లో విజయవంతంగా వ్యవస్థాపించిన తరువాత, చిన్న హలో వరల్డ్ ప్రోగ్రామ్‌ను ఉపయోగించడం ద్వారా ఇది సరిగ్గా ఇన్‌స్టాల్ చేయబడిందో లేదో తనిఖీ చేస్తాము. దీన్ని చేయడానికి దిగువ ఆదేశాన్ని ఉపయోగించి నానో టెక్స్ట్ ఎడిటర్‌ను తెరవండి:

sudo nano tfcheck.py

మరియు నానో టెర్మినల్‌లోని పంక్తుల క్రింద కాపీ-పేస్ట్ చేసి, ctrl + x ఉపయోగించి సేవ్ చేసి ఎంటర్ నొక్కండి.

టెన్సార్‌ఫ్లోను tf హలో = tf.constant ('హలో, టెన్సార్‌ఫ్లో!') sess = tf.Session () print (sess.run (hello)) గా దిగుమతి చేయండి

దశ 5: ఇప్పుడు, దిగువ ఆదేశాన్ని ఉపయోగించి టెర్మినల్‌లో ఈ స్క్రిప్ట్‌ను అమలు చేయండి

python3 tfcheck.py

అన్ని ప్యాకేజీలు సరిగ్గా ఇన్‌స్టాల్ చేయబడితే మీరు హలో టెన్సార్‌ఫ్లో చూస్తారు ! క్రింద చూపిన విధంగా చివరి పంక్తిలో సందేశం, అన్ని హెచ్చరికలను విస్మరించండి.

ఇది బాగా పనిచేస్తుంది మరియు ఇప్పుడు మేము టెన్సార్‌ఫ్లో ఉపయోగించి ఆసక్తికరంగా ఏదైనా చేస్తాము మరియు ఈ ప్రాజెక్ట్ చేయడానికి మీకు మెషిన్ లెర్నింగ్ మరియు లోతైన అభ్యాసం గురించి ఎటువంటి జ్ఞానం అవసరం లేదు. ఇక్కడ ఒక చిత్రం ముందే నిర్మించిన మోడల్‌లో ఇవ్వబడుతుంది మరియు టెన్సార్‌ఫ్లో చిత్రాన్ని గుర్తిస్తుంది. టెన్సార్ ఫ్లో చిత్రంలో ఉన్నదానికి సమీప సంభావ్యతను ఇస్తుంది.

ఇమేజ్ రికగ్నిషన్ కోసం రాస్ప్బెర్రీ పై పై ఇమేజ్ క్లాసిఫైయర్ను ఇన్స్టాల్ చేస్తోంది

దశ 1: - దిగువ ఆదేశాలను ఉపయోగించి డైరెక్టరీని తయారు చేసి డైరెక్టరీకి నావిగేట్ చేయండి.

mkdir tf cd tf

దశ 2: - ఇప్పుడు, టెన్సార్ ఫ్లో జిఐటి రిపోజిటరీలో అందుబాటులో ఉన్న మోడళ్లను డౌన్‌లోడ్ చేయండి. దిగువ ఆదేశాన్ని ఉపయోగించి రిపోజిటరీని tf డైరెక్టరీలోకి క్లోన్ చేయండి

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

ఇది ఇన్‌స్టాల్ చేయడానికి కొంత సమయం పడుతుంది, మరియు ఇది పరిమాణంలో పెద్దది కాబట్టి మీకు తగినంత డేటా ప్లాన్ ఉందని నిర్ధారించుకోండి.

దశ 3: - మేము మోడల్స్ / ట్యుటోరియల్స్ / ఇమేజ్ / ఇమేజనెట్‌లో చూడగలిగే ఇమేజ్ వర్గీకరణ ఉదాహరణను ఉపయోగిస్తాము . దిగువ ఆదేశాన్ని ఉపయోగించి ఈ ఫోల్డర్‌కు నావిగేట్ చేయండి

సిడి మోడల్స్ / ట్యుటోరియల్స్ / ఇమేజ్ / ఇమేజనెట్

దశ 4: - ఇప్పుడు, దిగువ ఆదేశాన్ని ఉపయోగించి ముందే నిర్మించిన న్యూరల్ నెట్‌వర్క్‌లోని చిత్రాన్ని ఫీడ్ చేయండి.

python3 classify_image.py --image_file = / home / pi / image_file_name

Image_file_name ను మీరు ఫీడ్ చేయాల్సిన చిత్రంతో భర్తీ చేసి , ఆపై ఎంటర్ నొక్కండి.

టెన్సార్‌ఫ్లో ఉపయోగించి చిత్రాలను గుర్తించడానికి మరియు గుర్తించడానికి కొన్ని ఉదాహరణలు క్రింద ఉన్నాయి.

చెడ్డది కాదు! న్యూరల్ నెట్ ఇతర ఎంపికలతో పోల్చినప్పుడు చిత్రాన్ని ఈజిప్టు పిల్లిగా వర్గీకరించింది.

పైన పేర్కొన్న అన్ని ఉదాహరణలలో, ఫలితాలు చాలా బాగున్నాయి మరియు టెన్సార్ ఫ్లో చిత్రాలను దగ్గరగా నిశ్చయంగా వర్గీకరించగలదు. మీ అనుకూలీకరించిన చిత్రాలను ఉపయోగించి మీరు దీన్ని ప్రయత్నించవచ్చు.

మీకు మెషీన్ లెర్నింగ్ గురించి కొంత జ్ఞానం ఉంటే, అది కొన్ని లైబ్రరీలను ఉపయోగించి ఈ ప్లాట్‌ఫారమ్‌లో ఆబ్జెక్ట్ డిటెక్షన్ చేయవచ్చు.

/>