From 5728dcb1efa213d842376d336f84ab695c6711b4 Mon Sep 17 00:00:00 2001 From: "Xingyu.Wang" Date: Mon, 30 Jul 2018 20:33:06 +0800 Subject: [PATCH] PRF:20180306 How to apply Machine Learning to IoT using Android Things and TensorFlow.md @qhwdw --- ...IoT using Android Things and TensorFlow.md | 96 ++++++++----------- 1 file changed, 42 insertions(+), 54 deletions(-) diff --git a/translated/tech/20180306 How to apply Machine Learning to IoT using Android Things and TensorFlow.md b/translated/tech/20180306 How to apply Machine Learning to IoT using Android Things and TensorFlow.md index 6905e64f39..0e31bc266b 100644 --- a/translated/tech/20180306 How to apply Machine Learning to IoT using Android Things and TensorFlow.md +++ b/translated/tech/20180306 How to apply Machine Learning to IoT using Android Things and TensorFlow.md @@ -1,30 +1,32 @@ 如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习 ============================================================  +![](https://www.survivingwithandroid.com/wp-content/uploads/2018/03/Apply_Machine_Learning_to_IoT.png) + +> 探索如何将 Android Things 与 Tensorflow 集成起来，以及如何应用机器学习到物联网系统上。学习如何在装有 Android Things 的树莓派上使用 Tensorflow 进行图片分类。 + 这个项目探索了如何将机器学习应用到物联网上。具体来说，物联网平台我们将使用 **Android Things**，而机器学习引擎我们将使用 **Google TensorFlow**。 -![Machine Learning with Android Things](https://www.survivingwithandroid.com/wp-content/uploads/2018/03/machine_learning_android_things.png) +现如今，Android Things 处于名为 Android Things 1.0 的稳定版本，已经可以用在生产系统中了。如你可能已经知道的，树莓派是一个可以支持 Android Things 1.0 做开发和原型设计的平台。本教程将使用 Android Things 1.0 和树莓派，当然，你可以无需修改代码就能换到其它所支持的平台上。这个教程是关于如何将机器学习应用到物联网的，这个物联网平台就是 Android Things Raspberry Pi。 -现如今，机器学习是物联网上使用的最热门的主题之一。给机器学习的最简单的定义，可能就是 [维基百科上的定义][13]：机器学习是计算机科学中，让计算机不需要显式编程就能去“学习”（即，逐步提升在特定任务上的性能）使用数据的一个领域。 +物联网上的机器学习是最热门的话题之一。要给机器学习一个最简单的定义，可能就是 [维基百科上的定义][13]： -换句话说就是，经过训练之后，那怕是它没有针对它们进行特定的编程，这个系统也能够预测结果。另一方面，我们都知道物联网和联网设备的概念。其中一个前景看好的领域就是如何在物联网上应用机器学习，构建专业的系统，这样就能够去开发一个能够“学习”的系统。此外，还可以使用这些知识去控制和管理物理对象。 +> 机器学习是计算机科学中，让计算机不需要显式编程就能去“学习”（即，逐步提升在特定任务上的性能）使用数据的一个领域。 -这里有几个应用机器学习和物联网产生重要价值的领域，以下仅提到了几个感兴趣的领域，它们是： +换句话说就是，经过训练之后，那怕是它没有针对它们进行特定的编程，这个系统也能够预测结果。另一方面，我们都知道物联网和联网设备的概念。其中前景最看好的领域之一就是如何在物联网上应用机器学习，构建专家系统，这样就能够去开发一个能够“学习”的系统。此外，还可以使用这些知识去控制和管理物理对象。在深入了解 Android Things 的细节之前，你应该先将其安装在你的设备上。如果你是第一次使用 Android Things，你可以阅读一下这篇[如何在你的设备上安装 Android Things][14] 的教程。 + +这里有几个应用机器学习和物联网产生重要价值的领域，以下仅提到了几个有趣的领域，它们是： * 在工业物联网（IIoT）中的预见性维护 - * 消费物联网中，机器学习可以让设备更智能，它通过调整使设备更适应我们的习惯 -在本教程中，我们希望去探索如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习。这个 Adnroid Things 物联网项目的基本想法是，探索如何去*构建一个能够识别前方道路上基本形状（比如箭头）的无人驾驶汽车*。我们已经介绍了 [如何使用 Android Things 去构建一个无人驾驶汽车][5]，因此，在开始这个项目之前，我们建议你去阅读那个教程。 +在本教程中，我们希望去探索如何使用 Android Things 和 TensorFlow 在物联网上应用机器学习。这个 Adnroid Things 物联网项目的基本想法是，探索如何去*构建一个能够识别前方道路上基本形状（比如箭头）并控制其道路方向的无人驾驶汽车*。我们已经介绍了 [如何使用 Android Things 去构建一个无人驾驶汽车][5]，因此，在开始这个项目之前，我们建议你去阅读那个教程。 这个机器学习和物联网项目包含如下的主题： * 如何使用 Docker 配置 TensorFlow 环境 - * 如何训练 TensorFlow 系统 - * 如何使用 Android Things 去集成 TensorFlow - * 如何使用 TensorFlow 的成果去控制无人驾驶汽车 这个项目起源于 [Android Things TensorFlow 图像分类器][6]。 @@ -33,59 +35,55 @@ ### 如何使用 Tensorflow 图像识别 -在开始之前，需要安装和配置 TensorFlow 环境。我不是机器学习方面的专家，因此，我需要快速找到并且准备去使用一些东西，因此，我们可以构建 TensorFlow 图像识别器。为此，我们使用 Docker 去运行一个 TensorFlow 镜像。以下是操作步骤： +在开始之前，需要安装和配置 TensorFlow 环境。我不是机器学习方面的专家，因此，我需要找到一些快速而能用的东西，以便我们可以构建 TensorFlow 图像识别器。为此，我们使用 Docker 去运行一个 TensorFlow 镜像。以下是操作步骤： -1. 克隆 TensorFlow 仓库： - ``` - git clone https://github.com/tensorflow/tensorflow.git - cd /tensorflow - git checkout v1.5.0 - ``` +1、 克隆 TensorFlow 仓库： -2. 创建一个目录（`/tf-data`），它将用于保存这个项目中使用的所有文件。 +``` +git clone https://github.com/tensorflow/tensorflow.git +cd /tensorflow +git checkout v1.5.0 +``` -3. 运行 Docker： - ``` - docker run -it \ - --volume /tf-data:/tf-data \ - --volume /tensorflow:/tensorflow \ - --workdir /tensorflow tensorflow/tensorflow:1.5.0 bash - ``` +2、 创建一个目录（`/tf-data`），它将用于保存这个项目中使用的所有文件。 - 使用这个命令，我们运行一个交互式 TensorFlow 环境，可以在使用项目期间挂载一些目录。 +3、 运行 Docker： + +``` +docker run -it \ +--volume /tf-data:/tf-data \ +--volume /tensorflow:/tensorflow \ +--workdir /tensorflow tensorflow/tensorflow:1.5.0 bash +``` + +使用这个命令，我们运行一个交互式 TensorFlow 环境，可以挂载一些在使用项目期间使用的目录。 ### 如何训练 TensorFlow 去识别图像 在 Android Things 系统能够识别图像之前，我们需要去训练 TensorFlow 引擎，以使它能够构建它的模型。为此，我们需要去收集一些图像。正如前面所言，我们需要使用箭头来控制 Android Things 无人驾驶汽车，因此，我们至少要收集四种类型的箭头： * 向上的箭头 - * 向下的箭头 - * 向左的箭头 - * 向右的箭头 为训练这个系统，需要使用这四类不同的图像去创建一个“知识库”。在 `/tf-data` 目录下创建一个名为 `images` 的目录，然后在它下面创建如下名字的四个子目录： -* up-arrow - -* down-arrow - -* left-arrow - -* right-arrow +* `up-arrow` +* `down-arrow` +* `left-arrow` +* `right-arrow` 现在，我们去找图片。我使用的是 Google 图片搜索，你也可以使用其它的方法。为了简化图片下载过程，你可以安装一个 Chrome 下载插件，这样你只需要点击就可以下载选定的图片。别忘了多下载一些图片，这样训练效果更好，当然，这样创建模型的时间也会相应增加。 **扩展阅读** -[如何使用 API 去集成 Android Things][2] -[如何与 Firebase 一起使用 Android Things][3] + +- [如何使用 API 去集成 Android Things][2] +- [如何与 Firebase 一起使用 Android Things][3] 打开浏览器，开始去查找四种箭头的图片： ![TensorFlow image classifier](https://www.survivingwithandroid.com/wp-content/uploads/2018/03/TensorFlow-image-classifier.png) -[Save][7] 每个类别我下载了 80 张图片。不用管图片文件的扩展名。 @@ -102,9 +100,8 @@ python /tensorflow/examples/image_retraining/retrain.py \ 这个过程你需要耐心等待，它需要花费很长时间。结束之后，你将在 `/tf-data` 目录下发现如下的两个文件： -1. retrained_graph.pb - -2. retrained_labels.txt +1. `retrained_graph.pb` +2. `retrained_labels.txt` 第一个文件包含了 TensorFlow 训练过程产生的结果模型，而第二个文件包含了我们的四个图片类相关的标签。 @@ -139,7 +136,6 @@ python /tensorflow/python/tools/optimize_for_inference.py \ TensorFlow 的数据模型准备就绪之后，我们继续下一步：如何将 Android Things 与 TensorFlow 集成到一起。为此，我们将这个任务分为两步来完成： 1. 硬件部分，我们将把电机和其它部件连接到 Android Things 开发板上 - 2. 实现这个应用程序 ### Android Things 示意图 @@ -147,13 +143,9 @@ TensorFlow 的数据模型准备就绪之后，我们继续下一步：如何将 在深入到如何连接外围部件之前，先列出在这个 Android Things 项目中使用到的组件清单： 1. Android Things 开发板（树莓派 3） - 2. 树莓派摄像头 - 3. 一个 LED 灯 - 4. LN298N 双 H 桥电机驱动模块（连接控制电机） - 5. 一个带两个轮子的无人驾驶汽车底盘 我不再重复 [如何使用 Android Things 去控制电机][9] 了，因为在以前的文章中已经讲过了。 @@ -161,12 +153,10 @@ TensorFlow 的数据模型准备就绪之后，我们继续下一步：如何将 下面是示意图： ![Integrating Android Things with IoT](https://www.survivingwithandroid.com/wp-content/uploads/2018/03/tensor_bb.png) -[Save][10] 上图中没有展示摄像头。最终成果如下图： ![Integrating Android Things with TensorFlow](https://www.survivingwithandroid.com/wp-content/uploads/2018/03/android_things_with_tensorflow-min.jpg) -[Save][11] ### 使用 TensorFlow 实现 Android Things 应用程序 @@ -175,11 +165,8 @@ TensorFlow 的数据模型准备就绪之后，我们继续下一步：如何将 这个 Android Things 应用程序与原始的应用程序是不一样的，因为： 1. 它不使用按钮去开启摄像头图像捕获 - 2. 它使用了不同的模型 - 3. 它使用一个闪烁的 LED 灯来提示，摄像头将在 LED 停止闪烁后拍照 - 4. 当 TensorFlow 检测到图像时（箭头）它将控制电机。此外，在第 3 步的循环开始之前，它将打开电机 5 秒钟。 为了让 LED 闪烁，使用如下的代码： @@ -264,7 +251,7 @@ public void onImageAvailable(ImageReader reader) { 在这个方法中，当 TensorFlow 返回捕获的图片匹配到的可能的标签之后，应用程序将比较这个结果与可能的方向，并因此来控制电机。 -最后，将去使用前面创建的模型了。拷贝 _assets_ 文件夹下的 `opt_graph.pb` 和 `reatrained_labels.txt` 去替换现在的文件。 +最后，将去使用前面创建的模型了。拷贝 `assets` 文件夹下的 `opt_graph.pb` 和 `reatrained_labels.txt` 去替换现在的文件。 打开 `Helper.java` 并修改如下的行： @@ -289,9 +276,9 @@ public static final String OUTPUT_NAME = "final_result"; via: https://www.survivingwithandroid.com/2018/03/apply-machine-learning-iot-using-android-things-tensorflow.html -作者：[Francesco Azzola ][a] +作者：[Francesco Azzola][a] 译者：[qhwdw](https://github.com/qhwdw) -校对：[校对者ID](https://github.com/校对者ID) +校对：[wxy](https://github.com/wxy) 本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出 @@ -309,3 +296,4 @@ via: https://www.survivingwithandroid.com/2018/03/apply-machine-learning-iot-usi [11]:http://pinterest.com/pin/create/bookmarklet/?media=data:image/gif;base64,R0lGODdhAQABAPAAAP///wAAACwAAAAAAQABAEACAkQBADs=&url=https://www.survivingwithandroid.com/2018/03/apply-machine-learning-iot-using-android-things-tensorflow.html&is_video=false&description=Integrating%20Android%20Things%20with%20TensorFlow [12]:https://github.com/androidthings/sample-tensorflow-imageclassifier [13]:https://en.wikipedia.org/wiki/Machine_learning +[14]:https://www.survivingwithandroid.com/2017/01/android-things-android-internet-of-things.html \ No newline at end of file