Позвольте мне быть откровенным, я все еще новичок в машинном обучении. Я прошел курс Эндрю Нг по машинному обучению, но мне еще многое предстоит узнать об инструментах, которые сегодня используются в отрасли. Большинство из вас слышали о PyTorch, Tableau, Keras, TensorFlow, Caffe, но редко когда-либо осмысленно представляли их в классе.
Вот почему я взял на себя задачу научиться использовать эти инструменты на практике. Инструмент, который я сейчас изучаю, — это TensorFlow Object Detection. Вместе с ним я планирую опубликовать пост о своей недавней работе с этой платформой машинного обучения.
Но сначала я хотел бы рассказать, как его установить и подготовить к запуску любых руководств или интересных проектов, с которыми вы столкнетесь. Когда я впервые изучал API обнаружения объектов, я потратил недели на отладку того, что сейчас кажется простыми исправлениями. Итак, здесь я проведу вас через процесс шаг за шагом, чтобы вы тоже могли начать осваивать этот фреймворк!
Прежде всего, немного информации об этой структуре: TensorFlow — это среда машинного обучения с открытым исходным кодом, разработанная Google для использования в своих исследованиях и приложениях. Теперь целое сообщество разработчиков может использовать его функциональность для некоторых действительно крутых приложений!
Перед тем, как приступить к этим шагам, вы должны сначала установить python и Git на свой компьютер! Чтобы установить Python, я предпочитаю установку Miniconda, которая избавит вас от Python с меньшими трудностями. Смотрите направления здесь.
Шаг 1: Установите TensorFlow
Запустите следующую команду в любой папке, содержащей проекты, над которыми вы будете работать:
pip установить тензорный поток
Примечание: если вы используете Windows, я настоятельно рекомендую установить GitBash, так как это командное приложение, которое я использовал при установке TensorFlow на свой ПК.
Шаг 2: Клонируйте репозиторий моделей TensorFlow
Найдите место, где вы будете хранить репозиторий моделей TensorFlow, и введите следующую команду:
клон git https://github.com/tensorflow/models
Это загрузит каталог моделей TensorFlow, который содержит API обнаружения объектов. Вам понадобятся все эти файлы для использования TensorFlow Object Detection.
Шаг 3: Установите зависимости
Затем установите зависимости (другое программное обеспечение, используемое TensorFlow):
подушка для установки пипа
pip install lxml
pip установить jupyter
pip install matplotlib
Шаг 4: Установите COCO
Набор данных COCO содержит множество различных классов, которые можно использовать для обнаружения и сегментации объектов. Чтобы использовать COCO с TensorFlow, его необходимо загрузить и скопировать в каталог tensorflow/models/research. Вот как:
клон git https://github.com/cocodataset/cocoapi.git
Затем переместите папку инструментов pycoco в папку tensorflow/models/research.
Шаг 5: Компиляция Protobuf
Запустите компиляцию Protobuf. Шаги для MacOS и Windows отличаются.
Для MacOSмашин запустите следующую команду из каталога tensorflow/models/research:
protoc object_detection/protos/*.proto — python_out=.
Для компьютеров с Windows вам необходимо загрузить Protobuf от Google здесь. Загрузите файл protoc-3.4.0-win32.zip и извлеките его в папку загрузок. Вы можете извлечь его куда-нибудь еще, если планируете использовать его позже, но вскоре я удалил его. Перейдите в папку tensorflow/models/research и выполните следующую команду:
«C:\path-to-protoc\protoc-3.4.0-win32\bin\protoc.exe» object_detection/protos/*.proto — python_out=.
Где path-to-protoc — это путь к protoc-3.4.0-win32.
Шаг 6: Обновите переменные среды
Затем вам нужно будет добавить исследовательский каталог TensorFlow в переменные среды, чтобы его можно было найти с помощью операторов импорта в ваших программах. Перейдите в каталог tensorflow/models/research и выполните следующую команду:
экспортировать PYTHONPATH=$PYTHONPATH: ‘pwd’:’pwd’/slim
Эту команду нужно будет запускать из одного и того же места каждый раз, когда вы перезапускаете терминал или окно GitBash. Альтернативой является изменение профиля bash, чтобы он каждый раз запускался в фоновом режиме для MacOS, и изменение переменных среды в Windows. Но это никогда не работало хорошо для меня, поэтому я просто придерживаюсь этого, так как это работает каждый раз.
Шаг 7: Поиграйте с обнаружением объектов!
Перейдите в tensorflow/models/research и выполните следующую команду:
блокнот Jupyter
Это запустит Jupyter Notebook в вашем браузере и отобразит каталог исследований. Выберите object_detection_tutorial.ipynb из перечисленных там файлов и папок. Файл программы должен появиться в другой вкладке.
Перейдите на вкладку ячейка в строке меню и выберите Выполнить все. Вы должны увидеть песочные часы на вкладке браузера, когда программа запустится. Если вы прокрутите вниз, вы должны увидеть выходные изображения программы, объекты которых были трассированы квадратами с отображением процентов достоверности.
Поздравляем! Вы только что запустили программу классификации изображений. Можете ли вы после этого урока обучить свой собственный классификатор изображений? Черт возьми нет! Нам еще многое предстоит узнать, так что следите за моим следующим постом!
