如何使用TensorFlow創建智能秤

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。