Bringebær Pi og maskinlæring: Hvordan komme i gang

Slik konfigurerer du Raspberry Pi 3 Model B + Denne videoen leder deg gjennom alt du trenger å vite for å få Raspberry Pi 3 Model B + i gang.

Hvis du vil dable med maskinlæring på Raspberry Pi $ 35 har du aldri hatt flere alternativer.

Mer om Open Source

  • 8 av tiårets verste open source-innovasjoner
  • Åpen kilde i 2020: Fremtiden ser lys ut
  • Linus Torvalds: "Git beviste at jeg kunne være mer enn et en-rart."
  • 20 raske tips for å gjøre Linux-nettverk enklere (gratis PDF)

Google tilbyr flere sett for å utføre tale- og bildegjenkjenning på Pi-en og klargjør en USB-pinne som vil turbo lade Pis maskinlæringsevner.

Teknigiganten økte nylig Pis maskinlæringsopplysninger ytterligere ved å offisielt støtte maskinvarelæringsprogramvaren TensorFlow i styret.

Hvis du vil komme i gang med maskinlæring på Pi, er her alt du trenger å vite.

Hvordan komme i gang?

Googles sett med kunstig intelligens (AIY) gir en flott introduksjon til maskinlæring på Pi.

Du kan velge mellom to sett, slik at du kan eksperimentere med tale- eller bildegjenkjenning. Kitene inneholder all maskinvaren du trenger - kameraer, mikrofoner osv. - og detaljerte opplæringsprogrammer for hvordan du setter opp Pi.

Mens stemmene AIY-settet laster ned talegjenkjenning til Google Cloud, utfører visjonen AIY-settet faktisk bildegjenkjenning på brettet, om enn med hjelp av en Intel Movidius AI-akselerator.

Når du har fullført opplæringen, er det andre trente maskinlæringsmodeller du kan kjøre på Pi og AIY-settene, inkludert ansikts- / hund / katt / menneskelige detektorer og en generell bildeklassifiserer.

Hvilke andre alternativer er tilgjengelige?

De med mer maskinlæringserfaring kan installere Googles TensorFlow-programvarebibliotek på Pi, en prosess som nylig har blitt mye enklere.

TensorFlow er et programvareramme som brukes til å bygge maskinlæringsmodeller, og brukes til et bredt spekter av dype læringsoppgaver, for eksempel bilde- og talegjenkjenning.

Følg disse instruksjonene for å installere TensorFlow på Pi, og følg deretter opplæringen under delen Lær og bruk ML på denne siden, som beskriver hvordan du kan trene og teste modeller for enkel tekst- og bildeklassifisering.

Et faktum som er verdt å huske på er at Pis beskjedne spesifikasjoner vil begrense ytelsen.

Hva er grensene for Pi når det gjelder maskinlæring?

Selv om den relativt lite spesifikke Pi ikke er et opplagt valg for maskinlæring, betyr styrets kompakte størrelse og lave strømforbruk at den er godt egnet til å bygge mobile hjemmelagde dingser og roboter. Læring av maskiner kan hjelpe disse enhetene til å håndtere nye oppgaver, ved å bruke bildegjenkjenning for å "se" og talegjenkjenning for å "høre". Imidlertid er det klare grenser for Pi's ML-evner.

Det er to hovedstadier for maskinlæring, trening, der modellen lærer hvordan man utfører en gitt oppgave, og slutning, når den trente modellen brukes til å utføre denne oppgaven.

Pis begrensede prosessorkraft betyr at den ikke egner seg til å trene noe annet enn de enkleste maskinlæringsmodellene. I stedet blir dette trinnet typisk ført på en maskin med minst en midt-til high-end GPU.

Imidlertid er Pi i stand til å utføre slutninger, faktisk kjøre den trente maskinlæringsmodellen, om enn ganske sakte.

I en test var Pis estimerte ytelse ved bruk av bildegjenkjenning til å oppdage biler i dashcam-opptak omtrent 1–4 bilder per sekund, åpenbart langt tregere enn sanntid. Og mens Googles AIY-visjonssett kjører trente modeller på Pi, gjør det det ved hjelp av en AI-akselerator.

Disse begrensningene er grunnen til at visjonsoppgaver for datamaskiner på Pi ofte håndteres ved hjelp av OpenCV-programvarebiblioteket, som bruker ikke-ML-teknikker som gir bedre resultater på Pi.

Hvordan kan jeg forbedre maskinens læringsytelse på Pi?

Hvis du løper mot grensene for hva Pi kan gjøre, er det tillegg som akselererer Pis evne til å kjøre trente maskinlæringsmodeller.

Intels Movidius Compute Stick øker hastigheten som Pi utfører synsrelaterte oppgaver som ansikts- og objektgjenkjenning ved å bruke sin 12-kjerne Myriad 2 Vision Processing Unit.

USB-pinnen på $ 79 er i stand til 100 gigaflops (en tusen million, flytende punktoperasjoner per sekund) og bruker en enkelt watt, selv om strømtrekket av og til stiger til 2, 5W. Grove estimater av ytelse på nettet sier at pinne-VPU kan gjøre 10 slutninger per sekund ved hjelp av et GoogLeNet konvolutjonelt nevralt nettverk, en maskinlæringsmodell som ofte brukes til bildegjenkjenning. Det er sammenlignet med omtrent 2 slutninger per sekund ved å bruke Googles innviklingsmessige nevrale nettverksarkitektur på en ubetjent Raspberry Pi.

Du kan se hva slags ytelse boost Movidius Stick gir Pi i denne videoen av en akselerert Pi som utfører identifikasjon av kjøretøy i sanntid.

Google har også avslørt sin egen USB-pinne som den sier vil dramatisk øke hastigheten som Pi kjører trente maskinlæringsmodeller.

Googles sier at Edge TPU Accelerator vil tillate enheter å kjøre flere avanserte datamaskinvisjonsmodeller på høyoppløselig video med mer enn 30 bilder per sekund.

Dette ytelsesnivået ville være langt utover det en uhjelpen Pi er i stand til, og tilsynelatende over ytelsesnivåene som ble rapportert ved å bruke Intels Movidius Neural Compute Stick.

Enheten er på vei ut i høst, og de interesserte kan registrere seg for å bli varslet om utgivelsen.

Hva gjør folk med maskinlæring på Pi?

Det er forskjellige eksempler, for eksempel denne automatiserte agurksorteren som ble brukt på en japansk agurkefarme til denne AI-togspotteren.

Tekniske nyheter du kan bruke nyhetsbrev

Vi leverer de nyeste teknologiske nyhetshistoriene om selskapene, menneskene og produktene som revolusjonerer planeten. Leveres daglig

Registrer deg i dag

Les mer

  • Raspberry Pi: Et jukseark
  • Raspberry Pi 3 Model B +: Et jukseark
  • Hvordan gi Raspberry Pi den moderne datamaskinvisjonen med Intel Movidius Neural Compute Stick
  • Raspberry Pi møter AI: Prosjektene som setter maskinlæring på $ 35-tavlen

© Copyright 2020 | mobilegn.com