Penggunaan Machine Learning dengan Raspberry Pi
Apa itu Machine Learning?
Machine Learning (ML) dan Artificial Intelligence (AI) adalah beberapa kata kunci terkait rekayasa teratas saat ini, dan yang terpenting di antara paradigma ML saat ini mungkin adalah Jaringan Saraf Tiruan (JST).
Mereka melibatkan jutaan perhitungan kecil, digabungkan bersama dalam jaringan raksasa yang terinspirasi secara biologis – itulah namanya. Jaringan ini biasanya memiliki jutaan parameter yang mengontrol setiap perhitungan, dan mereka harus dioptimalkan untuk setiap tugas berbeda yang ada.
Proses pengoptimalan parameter sehingga satu set input yang diberikan dengan benar menghasilkan satu set output yang diketahui dikenal sebagai pelatihan , dan inilah yang menimbulkan perasaan bahwa jaringan itu “belajar”.
Jenis ANN yang populer digunakan untuk memproses gambar adalah Convolutional Neural Network. Banyak perhitungan kecil dilakukan pada kelompok piksel input untuk menghasilkan setiap piksel keluaran
Kerangka kerja Pembelajaran Mesin
jumlah perusahaan terkenal memproduksi kerangka kerja ML gratis yang dapat Anda unduh dan gunakan di komputer Anda sendiri. Prosedur pelatihan jaringan berjalan paling baik pada mesin dengan CPU dan GPU yang kuat, tetapi bahkan menggunakan salah satu jaringan yang telah dilatih sebelumnya (dikenal sebagai inferensi ) bisa sangat mahal.
Salah satu kerangka kerja paling populer adalah Google’s TensorFlow (TF), dan karena ini agak intensif sumber daya, mereka juga menghasilkan versi pengurangan yang dioptimalkan untuk platform yang kurang kuat. Ini adalah TensorFlow Lite ( TFLite ), yang dapat dijalankan secara efektif di Raspberry Pi.
Estimasi kedalaman
JST telah terbukti sangat mahir dalam berbagai tugas pemrosesan gambar, terutama klasifikasi dan deteksi objek, tetapi juga estimasi kedalaman . Ini adalah proses mengambil satu atau lebih gambar dan menghitung seberapa jauh setiap bagian pemandangan dari kamera, menghasilkan peta kedalaman .
Berikut ini contohnya:
ambar di sebelah kanan menunjukkan, dengan kecerahan setiap piksel, seberapa jauh objek dalam gambar asli (kiri) dari kamera (lebih gelap = lebih dekat).
Kami membedakan antara estimasi kedalaman stereo , yang dimulai dengan sepasang gambar stereo (diambil dari sudut pandang yang sedikit berbeda; di sini, paralaks dapat digunakan untuk menginformasikan algoritme), dan estimasi kedalaman monokular , yang bekerja hanya dari satu gambar.
Penerapan teknik tersebut harus jelas, mulai dari robot yang perlu memahami dan menavigasi lingkungan mereka, hingga efek bokeh palsu yang disukai banyak kamera smartphone modern.
