您好,登錄后才能下訂單哦!
如何使用TensorFlow創建智能秤,很多新手對此不是很清楚,為了幫助大家解決這個難題,下面小編將為大家詳細講解,有這方面需求的人可以來學習下,希望你能有所收獲。
使用TensorFlow從比例圖片中自動讀取體重并隨時間繪制圖表。將學習TensorFlow對象檢測API的基礎知識,并能夠將其應用于此圖像分析項目和其他圖像分析項目。
使用TensorFlow從分析圖片中自動檢測到的重量(由于有更多數據點,線條在右側更加鋸齒狀)
這篇文章有意保持簡短,以便可以快速獲得良好的概述,同時提供包含更多詳細信息的其他材料的鏈接。
獲取您的比例圖像
首先,與任何機器學習項目一樣,數據是關鍵。每當踩到秤時,拍下它的照片,體重就會清晰顯示出來。為獲得最佳效果,請在不同的照明條件下拍攝照片,并可能在房屋的不同區域拍照。100張照片應該作為一個相當不錯的訓練集。
如果你的照片備份到谷歌的照片,那么你就可以使用腳本,下載它們。
https://github.com/xiaowen/weightcheck/blob/master/scale/dlphotos.py
標記圖像
接下來,使用labelImg等工具標記圖像。他們的docker鏡像很容易設置和使用一些簡單的命令。在整個比例尺周圍添加了一個名為“scale”的標簽,另一個在圓形顯示屏周圍添加了一個名為“read”的標簽。labelImg將為每個圖像創建一個XML文件,如下所示。
帶有在刻度周圍繪制的邊界框以及顯示器周圍的刻度圖像
訓練神經網絡以檢測您的規模
獲得數據后,就可以訓練神經網絡來檢測圖像中的比例。在高級別,步驟如下:
1.安裝 TensorFlow對象檢測API
2.安裝gcloud用于將作業提交到Google Cloud Machine Learning(ML)引擎的命令行工具。
3.創建 Google云平臺存儲分區。訓練數據將存儲在此處。
4.上傳預先訓練的模型以啟動您的訓練。TensorFlow為model zoo提供了一些常見的模型。ssd_mobilenet_v1_coco是一種流行的選擇,可以在簡單模型的速度和精度之間取得良好的平衡。
5.準備自定義輸入數據并將其上載到云存儲。
6.捆綁由ML引擎運行的TensorFlow對象檢測源代碼。
7.更新對象檢測配置文件。可以用最少的改變重新使用我的。
8.將訓練作業提交給ML引擎。請注意,ML引擎需要幾分鐘才能啟動作業。
9.當訓練作業運行時,它會每十分鐘將其狀態寫入存儲桶。可以使用TensorBoard監視它并查找曲線的收斂。如果在單個GPU上運行,此作業可能需要幾個小時才能收斂。
10.當模型經過充分訓練后,請下載并導出。
11.使用導出的模型執行一些推斷。可以使用TensorFlow 的演示Jupyter筆記本查看結果。
TensorBoard截圖; 左:損失曲線收斂; right:推斷輸出與手工注釋的邊界框并排顯示
訓練神經網絡來讀取顯示
既然已經訓練了一個神經網絡來檢測您的體重,那么下一步就是訓練一個從體重秤中讀取體重。
幸運的是,這個過程幾乎與已經完成的過程相同。在高級別,步驟如下:
1.使用經過訓練的刻度模型自動裁剪顯示圖像。可以嘗試腳本來執行此任務。
2.標記這些圖像中的每個數字以教導神經網絡識別它們。為每個數字(0-9)和'%'使用了標簽。傳遞給對象檢測代碼的標簽映射在這里。
3.使用與上面相同的步驟訓練神經網絡識別數字。由于訓練數據的差異,請使用略微修改的對象檢測配置文件和標簽映射。
看完上述內容是否對您有幫助呢?如果還想對相關知識有進一步的了解或閱讀更多相關文章,請關注億速云行業資訊頻道,感謝您對億速云的支持。
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。