In diesem Beitrag startest du damit dein erstes KI-Projekt. Es geht dabei um Bilderkennung. Das Programm sagt dir zu Gegenständen, die du in die Kamera hältst, was es erkennt und wie hoch es die Wahrscheinlichkeit einschätzt, dass die Erkennung korrekt ist.

Zunächst verbindest du das Dev Board Mini über den microHDMI-Anschluss mit einem Monitor und wie gewohnt über den Anschluss USB-OTG mit deinem Host-PC. Öffne die Git Bash und starte mit mdt shell das Terminal von Mendel Linux. Lege als Erstes eine Umgebungsvariable fest, die später den Code vereinfacht: export DEMO_FILES=“$HOME/demo_files.

Wir beginnen mit einem einfachen Projekt, in dem das Programm ein vorgegebenes Foto erkennt. Es zeigt dir die grundlegende Vorgehensweise und du siehst, wie Bilderkennung funktioniert. In dem Beispiel erfährst du, wie man mit Hilfe der TensorFlow Lite API und unterstützt durch die PyCoral API eine Inferenz auf der Edge TPU des Boards durchführt. Eine Inferenz ist eine aus einem Regelsystem erzeugte Schlussfolgerung. Die PyCoral API ist auf der TensorFlow Lite Python API aufgebaut und vereinfacht den Code. TensorFlow Lite wiederum ist ein Machine-Learning-Framework. Im Bereich der künstlichen Intelligenz ist Python als Programmiersprache erste Wahl. Installiere den Code für das Projekt. Das erledigst du mit bash examples/install_requirements.sh classify_image.py Als Ergebnis erhälst du die Datei „classify_image.py“. Jetzt wird es spannend: Du führst die Bilderkennung mit dem Foto von einem Papagei durch. Dazu führst du diesen Code aus: python3 examples/classify_image.py \ –model test_data/mobilenet_v2_1.0_224_inat_bird_quant_edgetpu.tflite \ –labels test_data/inat_bird_labels.txt \ –input test_data/parrot.jpg Du kannst diesen und die nachfolgenden Codes auch von dieser Seite kopieren und im Terminal des Boards einfügen, um Tippfehler zu vermeiden. Dazu klickst du mit der rechten Maustaste auf die Zeile, in der der Cursor steht, und klickst auf „Paste“. […]

Blog-Beitrag für Buyzero