怎么使用Android Things和TensorFlow在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)

這篇文章主要介紹怎么使用Android Things和TensorFlow在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

這個項目探索了如何將機(jī)器學(xué)習(xí)應(yīng)用到物聯(lián)網(wǎng)上。具體來說，物聯(lián)網(wǎng)平臺我們將使用 Android Things，而機(jī)器學(xué)習(xí)引擎我們將使用 Google TensorFlow。

現(xiàn)如今，Android Things 處于名為 Android Things 1.0  的穩(wěn)定版本，已經(jīng)可以用在生產(chǎn)系統(tǒng)中了。如你可能已經(jīng)知道的，樹莓派是一個可以支持 Android Things 1.0  做開發(fā)和原型設(shè)計的平臺。本教程將使用 Android Things 1.0  和樹莓派，當(dāng)然，你可以無需修改代碼就能換到其它所支持的平臺上。這個教程是關(guān)于如何將機(jī)器學(xué)習(xí)應(yīng)用到物聯(lián)網(wǎng)的，這個物聯(lián)網(wǎng)平臺就是 Android  Things Raspberry Pi。

物聯(lián)網(wǎng)上的機(jī)器學(xué)習(xí)是最熱門的話題之一。要給機(jī)器學(xué)習(xí)一個最簡單的定義，可能就是 維基百科上的定義：

機(jī)器學(xué)習(xí)是計算機(jī)科學(xué)中，讓計算機(jī)不需要顯式編程就能去“學(xué)習(xí)”（即，逐步提升在特定任務(wù)上的性能）使用數(shù)據(jù)的一個領(lǐng)域。

換句話說就是，經(jīng)過訓(xùn)練之后，那怕是它沒有針對它們進(jìn)行特定的編程，這個系統(tǒng)也能夠預(yù)測結(jié)果。另一方面，我們都知道物聯(lián)網(wǎng)和聯(lián)網(wǎng)設(shè)備的概念。其中前景最看好的領(lǐng)域之一就是如何在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)，構(gòu)建專家系統(tǒng)，這樣就能夠去開發(fā)一個能夠“學(xué)習(xí)”的系統(tǒng)。此外，還可以使用這些知識去控制和管理物理對象。在深入了解  Android Things 的細(xì)節(jié)之前，你應(yīng)該先將其安裝在你的設(shè)備上。如果你是***次使用 Android Things，你可以閱讀一下這篇如何在你的設(shè)備上安裝 Android Things 的教程。

這里有幾個應(yīng)用機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)產(chǎn)生重要價值的領(lǐng)域，以下僅提到了幾個有趣的領(lǐng)域，它們是：

• 在工業(yè)物聯(lián)網(wǎng)（IIoT）中的預(yù)見性維護(hù)

• 消費(fèi)物聯(lián)網(wǎng)中，機(jī)器學(xué)習(xí)可以讓設(shè)備更智能，它通過調(diào)整使設(shè)備更適應(yīng)我們的習(xí)慣

在本教程中，我們希望去探索如何使用 Android Things 和 TensorFlow 在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)。這個 Adnroid Things 物聯(lián)網(wǎng)項目的基本想法是，探索如何去構(gòu)建一個能夠識別前方道路上基本形狀（比如箭頭）并控制其道路方向的無人駕駛汽車。我們已經(jīng)介紹了 如何使用 Android Things 去構(gòu)建一個無人駕駛汽車，因此，在開始這個項目之前，我們建議你去閱讀那個教程。

這個機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)項目包含如下的主題：

• 如何使用 Docker 配置 TensorFlow 環(huán)境

• 如何訓(xùn)練 TensorFlow 系統(tǒng)

• 如何使用 Android Things 去集成 TensorFlow

• 如何使用 TensorFlow 的成果去控制無人駕駛汽車

這個項目起源于 Android Things TensorFlow 圖像分類器。

我們開始吧！

如何使用 Tensorflow 圖像識別

在開始之前，需要安裝和配置 TensorFlow 環(huán)境。我不是機(jī)器學(xué)習(xí)方面的專家，因此，我需要找到一些快速而能用的東西，以便我們可以構(gòu)建  TensorFlow 圖像識別器。為此，我們使用 Docker 去運(yùn)行一個 TensorFlow 鏡像。以下是操作步驟：

1、 克隆 TensorFlow 倉庫：

git clone https://github.com/tensorflow/tensorflow.gitcd /tensorflowgit checkout v1.5.0

2、 創(chuàng)建一個目錄（/tf-data），它將用于保存這個項目中使用的所有文件。

3、 運(yùn)行 Docker：

docker run -it \--volume /tf-data:/tf-data \--volume /tensorflow:/tensorflow \--workdir /tensorflow tensorflow/tensorflow:1.5.0 bash

使用這個命令，我們運(yùn)行一個交互式 TensorFlow 環(huán)境，可以掛載一些在使用項目期間使用的目錄。

如何訓(xùn)練 TensorFlow 去識別圖像

在 Android Things 系統(tǒng)能夠識別圖像之前，我們需要去訓(xùn)練 TensorFlow  引擎，以使它能夠構(gòu)建它的模型。為此，我們需要去收集一些圖像。正如前面所言，我們需要使用箭頭來控制 Android Things  無人駕駛汽車，因此，我們至少要收集四種類型的箭頭：

• 向上的箭頭

• 向下的箭頭

• 向左的箭頭

• 向右的箭頭

為訓(xùn)練這個系統(tǒng)，需要使用這四類不同的圖像去創(chuàng)建一個“知識庫”。在 /tf-data 目錄下創(chuàng)建一個名為 images 的目錄，然后在它下面創(chuàng)建如下名字的四個子目錄：

• up-arrow

• down-arrow

• left-arrow

• right-arrow

現(xiàn)在，我們?nèi)フ覉D片。我使用的是 Google 圖片搜索，你也可以使用其它的方法。為了簡化圖片下載過程，你可以安裝一個 Chrome  下載插件，這樣你只需要點(diǎn)擊就可以下載選定的圖片。別忘了多下載一些圖片，這樣訓(xùn)練效果更好，當(dāng)然，這樣創(chuàng)建模型的時間也會相應(yīng)增加。

擴(kuò)展閱讀

• 如何使用 API 去集成 Android Things

• 如何與 Firebase 一起使用 Android Things

打開瀏覽器，開始去查找四種箭頭的圖片：

TensorFlow image classifier

每個類別我下載了 80 張圖片。不用管圖片文件的擴(kuò)展名。

為所有類別的圖片做一次如下的操作（在 Docker 界面下）：

python /tensorflow/examples/image_retraining/retrain.py \ --bottleneck_dir=tf_files/bottlenecks \--how_many_training_steps=4000 \--output_graph=/tf-data/retrained_graph.pb \--output_labels=/tf-data/retrained_labels.txt \--image_dir=/tf-data/images

這個過程你需要耐心等待，它需要花費(fèi)很長時間。結(jié)束之后，你將在 /tf-data 目錄下發(fā)現(xiàn)如下的兩個文件：

1. retrained_graph.pb

2. retrained_labels.txt

***個文件包含了 TensorFlow 訓(xùn)練過程產(chǎn)生的結(jié)果模型，而第二個文件包含了我們的四個圖片類相關(guān)的標(biāo)簽。

如何測試 Tensorflow 模型

如果你想去測試這個模型，去驗證它是否能按預(yù)期工作，你可以使用如下的命令：

python scripts.label_image \--graph=/tf-data/retrained-graph.pb \--image=/tf-data/images/[category]/[image_name.jpg]

優(yōu)化模型

在 Android Things 項目中使用我們的 TensorFlow 模型之前，需要去優(yōu)化它：

python /tensorflow/python/tools/optimize_for_inference.py \--input=/tf-data/retrained_graph.pb \--output=/tf-data/opt_graph.pb \--input_names="Mul" \--output_names="final_result"

那個就是我們?nèi)康哪Ｐ汀Ｎ覀儗⑹褂眠@個模型，把 TensorFlow 與 Android Things  集成到一起，在物聯(lián)網(wǎng)或者更多任務(wù)上應(yīng)用機(jī)器學(xué)習(xí)。目標(biāo)是使用 Android Things  應(yīng)用程序智能識別箭頭圖片，并反應(yīng)到接下來的無人駕駛汽車的方向控制上。

如果你想去了解關(guān)于 TensorFlow 以及如何生成模型的更多細(xì)節(jié)，請查看官方文檔以及這篇 教程。

如何使用 Android Things 和 TensorFlow 在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)

TensorFlow 的數(shù)據(jù)模型準(zhǔn)備就緒之后，我們繼續(xù)下一步：如何將 Android Things 與 TensorFlow 集成到一起。為此，我們將這個任務(wù)分為兩步來完成：

1. 硬件部分，我們將把電機(jī)和其它部件連接到 Android Things 開發(fā)板上

2. 實現(xiàn)這個應(yīng)用程序

Android Things 示意圖

在深入到如何連接外圍部件之前，先列出在這個 Android Things 項目中使用到的組件清單：

1. Android Things 開發(fā)板（樹莓派 3）

2. 樹莓派攝像頭

3. 一個 LED 燈

4. LN298N 雙 H 橋電機(jī)驅(qū)動模塊（連接控制電機(jī)）

5. 一個帶兩個輪子的無人駕駛汽車底盤

我不再重復(fù) 如何使用 Android Things 去控制電機(jī) 了，因為在以前的文章中已經(jīng)講過了。

下面是示意圖：

Integrating Android Things with IoT

上圖中沒有展示攝像頭。最終成果如下圖：

Integrating Android Things with TensorFlow

使用 TensorFlow 實現(xiàn) Android Things 應(yīng)用程序

***一步是實現(xiàn) Android Things 應(yīng)用程序。為此，我們可以復(fù)用 Github 上名為 TensorFlow 圖片分類器示例 的示例代碼。開始之前，先克隆 Github 倉庫，這樣你就可以修改源代碼。

這個 Android Things 應(yīng)用程序與原始的應(yīng)用程序是不一樣的，因為：

1. 它不使用按鈕去開啟攝像頭圖像捕獲

2. 它使用了不同的模型

3. 它使用一個閃爍的 LED 燈來提示，攝像頭將在 LED 停止閃爍后拍照

4. 當(dāng) TensorFlow 檢測到圖像時（箭頭）它將控制電機(jī)。此外，在第 3 步的循環(huán)開始之前，它將打開電機(jī) 5 秒鐘。

為了讓 LED 閃爍，使用如下的代碼：

private Handler blinkingHandler = new Handler();private Runnable blinkingLED = new Runnable() {  @Override  public void run() {    try {     // If the motor is running the app does not start the cam     if (mc.getStatus())       return ;      Log.d(TAG, "Blinking..");     mReadyLED.setValue(!mReadyLED.getValue());     if (currentValue <= NUM_OF_TIMES) {       currentValue++;       blinkingHandler.postDelayed(blinkingLED,                        BLINKING_INTERVAL_MS);     }     else {      mReadyLED.setValue(false);      currentValue = 0;      mBackgroundHandler.post(mBackgroundClickHandler);     }   } catch (IOException e) {     e.printStackTrace();   }  }};

當(dāng) LED 停止閃爍后，應(yīng)用程序?qū)⒉东@圖片。

現(xiàn)在需要去關(guān)心如何根據(jù)檢測到的圖片去控制電機(jī)。修改這個方法：

@Overridepublic void onImageAvailable(ImageReader reader) {  final Bitmap bitmap;   try (Image image = reader.acquireNextImage()) {     bitmap = mImagePreprocessor.preprocessImage(image);   }    final List<Classifier.Recognition> results =       mTensorFlowClassifier.doRecognize(bitmap);    Log.d(TAG,     "Got the following results from Tensorflow: " + results);    // Check the result   if (results == null || results.size() == 0) {     Log.d(TAG, "No command..");     blinkingHandler.post(blinkingLED);     return ;    }     Classifier.Recognition rec = results.get(0);    Float confidence = rec.getConfidence();    Log.d(TAG, "Confidence " + confidence.floatValue());     if (confidence.floatValue() &lt; 0.55) {     Log.d(TAG, "Confidence too low..");     blinkingHandler.post(blinkingLED);     return ;    }     String command = rec.getTitle();    Log.d(TAG, "Command: " + rec.getTitle());     if (command.indexOf("down") != -1)       mc.backward();    else if (command.indexOf("up") != -1)       mc.forward();    else if (command.indexOf("left") != -1)       mc.turnLeft();    else if (command.indexOf("right") != -1)       mc.turnRight();}

在這個方法中，當(dāng) TensorFlow 返回捕獲的圖片匹配到的可能的標(biāo)簽之后，應(yīng)用程序?qū)⒈容^這個結(jié)果與可能的方向，并因此來控制電機(jī)。

***，將去使用前面創(chuàng)建的模型了。拷貝 assets 文件夾下的 opt_graph.pb 和 reatrained_labels.txt 去替換現(xiàn)在的文件。

打開 Helper.java 并修改如下的行：

public static final int IMAGE_SIZE = 299;private static final int IMAGE_MEAN = 128;private static final float IMAGE_STD = 128;private static final String LABELS_FILE = "retrained_labels.txt";public static final String MODEL_FILE = "file:///android_asset/opt_graph.pb";public static final String INPUT_NAME = "Mul";public static final String OUTPUT_OPERATION = "output";public static final String OUTPUT_NAME = "final_result";

運(yùn)行這個應(yīng)用程序，并給攝像頭展示幾種箭頭，以檢查它的反應(yīng)。無人駕駛汽車將根據(jù)展示的箭頭進(jìn)行移動。

以上是“怎么使用Android Things和TensorFlow在物聯(lián)網(wǎng)上應(yīng)用機(jī)器學(xué)習(xí)”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！