如何使用TensorFlow创建智能秤

如何使用TensorFlow创建智能秤，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

使用TensorFlow从比例图片中自动读取体重并随时间绘制图表。将学习TensorFlow对象检测API的基础知识，并能够将其应用于此图像分析项目和其他图像分析项目。

使用TensorFlow从分析图片中自动检测到的重量（由于有更多数据点，线条在右侧更加锯齿状）

这篇文章有意保持简短，以便可以快速获得良好的概述，同时提供包含更多详细信息的其他材料的链接。

获取您的比例图像

首先，与任何机器学习项目一样，数据是关键。每当踩到秤时，拍下它的照片，体重就会清晰显示出来。为获得最佳效果，请在不同的照明条件下拍摄照片，并可能在房屋的不同区域拍照。100张照片应该作为一个相当不错的训练集。

如果你的照片备份到谷歌的照片，那么你就可以使用脚本，下载它们。

https://github.com/xiaowen/weightcheck/blob/master/scale/dlphotos.py 

标记图像

接下来，使用labelImg等工具标记图像。他们的docker镜像很容易设置和使用一些简单的命令。在整个比例尺周围添加了一个名为“scale”的标签，另一个在圆形显示屏周围添加了一个名为“read”的标签。labelImg将为每个图像创建一个XML文件，如下所示。

带有在刻度周围绘制的边界框以及显示器周围的刻度图像

训练神经网络以检测您的规模

获得数据后，就可以训练神经网络来检测图像中的比例。在高级别，步骤如下：

1.安装 TensorFlow对象检测API

2.安装gcloud用于将作业提交到Google Cloud Machine Learning（ML）引擎的命令行工具。

3.创建 Google云平台存储分区。训练数据将存储在此处。

4.上传预先训练的模型以启动您的训练。TensorFlow为model zoo提供了一些常见的模型。ssd_mobilenet_v1_coco是一种流行的选择，可以在简单模型的速度和精度之间取得良好的平衡。

5.准备自定义输入数据并将其上载到云存储。

6.捆绑由ML引擎运行的TensorFlow对象检测源代码。

7.更新对象检测配置文件。可以用最少的改变重新使用我的。

8.将训练作业提交给ML引擎。请注意，ML引擎需要几分钟才能启动作业。

9.当训练作业运行时，它会每十分钟将其状态写入存储桶。可以使用TensorBoard监视它并查找曲线的收敛。如果在单个GPU上运行，此作业可能需要几个小时才能收敛。

10.当模型经过充分训练后，请下载并导出。

11.使用导出的模型执行一些推断。可以使用TensorFlow 的演示Jupyter笔记本查看结果。

TensorBoard截图; 左：损失曲线收敛; right：推断输出与手工注释的边界框并排显示

训练神经网络来读取显示

既然已经训练了一个神经网络来检测您的体重，那么下一步就是训练一个从体重秤中读取体重。

幸运的是，这个过程几乎与已经完成的过程相同。在高级别，步骤如下：

1.使用经过训练的刻度模型自动裁剪显示图像。可以尝试脚本来执行此任务。

2.标记这些图像中的每个数字以教导神经网络识别它们。为每个数字（0-9）和'％'使用了标签。传递给对象检测代码的标签映射在这里。

3.使用与上面相同的步骤训练神经网络识别数字。由于训练数据的差异，请使用略微修改的对象检测配置文件和标签映射。

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。