MACHINE LEARNING | juancortes

TALLER MACHINE LEARNING

Guia de Instalacion de Tensorflow en Windows 10

1. Bajar Python 3.6 (ideal) o 3.7 - no el 3.8.

(importante checkear la opcion de PATH en el instalador)

https://www.ics.uci.edu/~pattis/common/handouts/pythoneclipsejava/python.html

2.En el Command Prompt Instalar Tensorflow 1.15 (Importante!)

pip install tensorflow==1.15

3. Bajar Visual Studio 10 y actualizar

4.entrar a python y probar tensorflow

import tensorflow as tf

si no da errores esta bien instalado

Importante: Clasificador de imagenes simple con TF

Primero lo primero, vas a necesitar Python. La página de instalación está aquí. Tome Python 2.7 (Python) o python 3.6 (Python3) y haga clic en el correo no deseado a través de la configuración. El siguiente es TensorFlow, una biblioteca de código abierto para la programación de flujo de datos. Si estás en una Mac, puedes abrir la terminal y simplemente ejecutar:

pip install tensorflow (instalar primero pip)

¡Excelente! Ahora tenemos todas las dependencias necesarias. Comencemos clonando el repositorio de TensorFlow. Estamos usando una variante especial provista por Google que viene con algunos scripts increíbles. Abre tu terminal y ejecuta:

git clone https://github.com/googlecodelabs/tensorflow-for-poets-2 cd tensorflow-for-poets-2

¡Ahora puedes elegir tus imágenes! La elección es completamente suya, solo asegúrese de que estén separadas por carpetas por las categorías que desea clasificar (imágenes a continuación). Por ejemplo, si deseamos usar las imágenes de flores proporcionadas en el ejemplo, podemos ejecutar (asegúrese de estar en el directorio correcto usando las líneas anteriores):

(ejemplo con flores)

curl http://download.tensorflow.org/example_images/flower_photos.tgz
| tar xz -C tf_files

Esto descarga imágenes de cinco tipos diferentes de flores en nuestro repositorio.

ls tf_files/flower_photos

Debe imprimir todas las carpetas adicionales en el directorio flower_photos

daisy/

dandelion/

roses/

sunflowers/

tulip/

LICENSE.txt

Puedes usar las imágenes que quieras. Cuanto más, mejor (miles). Sepárelos por categorías como se hizo anteriormente, y asegúrese de que estén en una carpeta llamada tf_files. Encontré un excelente complemento que permite la descarga de imágenes por lotes en Google Chrome: hará que encontrar datos de entrenamiento sea muy fácil. Link abajo Seguí la misma estructura de carpetas anterior y construí un clasificador de basura (más sobre eso más adelante). Así es como mi configuración buscaba una referencia visual:

https://chrome.google.com/webstore/detail/fatkun-batch-download-ima/nnjjahlikiabnchcpehcpkdeckfgnohf?hl=en

¡Ahora estamos listos para entrenar a nuestro modelo! La única forma en que podemos hacer que una computadora reconozca objetos es si podemos aprender de todas las imágenes que acabamos de descargar. Afortunadamente, hacerlo solo requiere unas pocas líneas de Python.

IMAGE_SIZE=224
ARCHITECTURE="mobilenet_0.50_${IMAGE_SIZE}"
python -m scripts.retrain \
--bottleneck_dir=tf_files/bottlenecks \
--model_dir=tf_files/models/"${ARCHITECTURE}" \
--summaries_dir=tf_files/training_summaries/"${ARCHITECTURE}" \
--output_graph=tf_files/retrained_graph.pb \
--output_labels=tf_files/retrained_labels.txt \
--architecture="${ARCHITECTURE}" \
--image_dir=tf_files/YOUR_IMAGE_DIRECTORY_HERE

Complete YOUR_IMAGE_DIRECTORY_HERE con la carpeta de imágenes que ha descargado. El paso de entrenamiento durará entre 30 minutos y una hora. No se preocupe si lleva algo de tiempo; esto depende en gran medida de las especificaciones de su computadora. Sin embargo, una vez que haya terminado, ¡tiene un clasificador de imágenes listo para ser probado! Descargue una imagen de la web, o tome una usando su teléfono y ejecute el siguiente comando:

python -m scripts.label_image \
--graph=tf_files/retrained_graph.pb \
--image=YOUR_PATH_TO_IMAGE_HERE

Nuevamente, reemplace YOUR_PATH_TO_IMAGE_HERE con la ruta del archivo de la imagen que acaba de descargar. Al ejecutar la línea, debería ver resultados probabilísticos sobre lo que contiene la imagen.

Tutorial de YOLO (reconocimiento con camara)

https://github.com/riclombar/Instalacion_YOLO