La pregunta principal aquí es, ¿Qué pasaría si quisiéramos usar Go & TensorFlow Lite?

El objetivo de este artículo es brindar la oportunidad de usar Go en el poderoso mundo de la inferencia en el dispositivo y también brindar una experiencia de uso fluida.

Hay algunas iniciativas trabajando en eso, pero sin un diseño central claro, un entorno de mantenimiento y dependencias.

Para la propuesta inicial, decidí usar la biblioteca TensorFlow Lite C y para el enlace estoy usando cgo (cgo permite la creación de paquetes Go que llaman código C) para implementar la solución.

Creé la versión inicial de la biblioteca tflitego. * Siempre damos la bienvenida a los contribuyentes, expertos y expertos en inferencia en el dispositivo, etc.

Aquí el diseño de la versión inicial :

También creé un proyecto de ejemplos inicial con la propuesta, el objetivo aquí es usar el modelo Iris TensorFlow lite y ver tflitego en acción. Básicamente, necesitamos 7 pasos para ejecutar una inferencia simple:

1. Creación de modelos
2. Establecer opciones de intérprete
3. Crear intérprete
4. Asignar tensores
5. Tensor de entrada
6. Invocación de intérprete
7. Salidas / Resultados

En cuanto al entorno de implementación, creé una representación en acciones de GitHub para probar la simplicidad de uso de tflitego. (linux / X86_64, 2.4.0, Ubuntu 18.04). * TensorFlow 2.4.0. La clave es un paquete para implementar correctamente la biblioteca C de TensorFlow. Puedes ver un ejemplo aquí.

También representé un método de implementación simple para usar en raspberry pi, por ahora probado en v3. Raspberrypi_linux / ARMv7, 2.4.0 * TensorFlow 2.4.0.

wget https://storage.googleapis.com/clitelibrary/ctflitelib_2.4.0_ARMv7.tar.gz
sudo tar -C /usr/local -xzf ctflitelib_2.4.0_ARMv7.tar.gz

metodología bastante sencilla, ambiente raspberry.

Te invito a probar esta idea:

go get github.com/nbortolotti/tflitego

Toda la información incluida en:

• https://tflitego.nicolasbortolotti.com/
• https://github.com/nbortolotti/tflitego

The post Tutorial: TensorFlow Lite con Go API en 7 pasos first appeared on Planeta Chatbot.

El desafío es crear un bot que pueda interactuar con imágenes en una conversación, para informar al usuario las frutas que contiene su desayuno. Utilizando esta información se pueden entregar muchas variaciones de análisis en el futuro, por el momento solo una prueba de concepto.

Vamos a proponer una integración de TensorPhotoXRay (nuestra solución para detección de etiquetas en imágenes, artículo previo) para detectar frutas en las imágenes y vamos a crear una integración con un Telegram Bot (proyecto appengine-telegram-bot).

Esta es la solución terminada y funcionando:

Vamos a describir los elementos básicos para utilizar esta arquitectura.

Creación del bot en telegram: usted puede conocer más sobre esta opción en este link oficial. *Elemento Importante de este paso, obtener el token para interactuar la plataforma de telegram.

The post Tensor Flow Object Detection sobre Telegram Bot, mi desayuno, frutas y una conversación interactiva first appeared on Planeta Chatbot.

• Entrenemos un modelo personalizado que nos permita ubicar a astro Argentino.
• Analicemos una transmisión real [en este caso seleccioné Uruguay-Argentina por eliminatorias 31 de agosto 2017] para ver qué resultados podemos obtener.
• Pensemos si es posible mejorar o aportar algo a la táctica de este pasional deporte, utilizando esta tecnología.

*Vamos a utilizar TensorFlow y el modelo propuesto para Object Detection, todo bajo licencia Apache License 2.0.

En esta oportunidad vamos a empezar por mostrarles el resultado obtenido:

Si les parece interesante, los invito a dedicar unos minutos más y seguir el paso a paso, para comprender el procedimiento de construcción de este modelo. Debemos completar dos elementos importantes:

1. Construir la base de datos personalizada con los objetos a detectar. [en este caso Lionel Messi en plena acción].
2. Entrenar y evaluar el modelo utilizando TensorFlow.
3. Utilizar el modelo creado.

Paso a paso

Momento de construir la base de datos personalizada

1. Si exploramos la documentación oficial, encontraremos una sección exclusiva para construir nuestro dataset personalizado. Aquí lo pueden ver.
2. Necesitamos las fotografías de los objetos que queremos detectar y el etiquetado de las mismas.

• Para este caso como herramient utilicé RectLabel, una buena opción para MacOS. [hay otra alternativas que podrían evaluar como LabelImg]
• Luego para las primeras pruebas he recolectado unas 119 fotografías[muy poco cantidad, solo con fines de prueba] de un partido de fútbol.
• He etiquetado unas 100 unidades seleccionando al astro Argentino.

3. El siguiente paso, es convertir esas fotografías y etiquetas en archivos con TFFormat. Aquí pueden ver el script utilizado [utilicé un paso intermedio convirtiendo el marcado xml a csv para las anotaciones de las fotografías, esto da mucha más flexibilidad para los siguientes paso y si hay que repetir parte de esta actividad aquí el script].

4. Recuerden que lo ideal es construir el conjunto de entrenamiento y el conjunto de evaluación.

Momento de entrenar/evaluar el modelo personalizado

1. Con estos archivos completos, pasaremos a entrenar el modelo.

• Para este paso he utilizado ML Engine ya que no contaba con la infraestructura local para realizar el proceso en 1 hora promedio. [aquí está la descripción oficial del procedimiento]
• 5 workers utilizando standard gpu.
• También es muy recomendable asociar TensorBoard para visualizar el proceso de entrenamiento y evaluación.
• Recuerde que debe utilizar una interacción directa con Google Cloud Storage. Es decir todos los archivos deben estar en este tipo de repositorio para poder interactuar con el motor de entrenamiento.

2. Luego de una 21.77 unidades utilizadas, 1 hora 9 mins y unos 20k iteraciones tenemos varios checkpoints y un modelo aceptable.

3. Utilizando el checkpoint más avanzado, procedemos a convertir el modelo entrenado para inferencia. [aquí pueden ver la documentación oficial]

Utilizar el modelo personalizado

1. Terminado este procedimiento vamos a utilizado el modelo desde estas opciones:

• script que utiliza el modelo y genera un video con el resultado de las detecciones. Aquí el ejemplo de implementación.
• script que puede evaluar el vídeo en realtime y decodificar las etiquetas para calcular las apariciones del astro argentino. Aquí el ejemplo de implementación.

Mismo video en slow-motion aquí.

Quizás es el inicio de una línea de investigación interesante, tratar de mejorar la táctica deportiva, incorporando más jugadores y validando asociaciones.

Es real que estamos utilizando solo la transmisión que entrega la TV tradicional, pero qué ocurriría si tuviéramos la opción de cámaras con más detalles o una visión completa del campo de juego?. Se podrían calcular las posiciones de todos los jugadores, de hecho probamos que se pueden identificar fácilmente, entonces… podríamos encontrar mejores tácticas basadas en la posición de los jugadores y sus conocidas habilidades?

Espero que se hayan divertido con este procedimiento, y esperemos ver cada vez más este tipo de implementaciones en disciplinas deportivas, no solo en el fútbol sino en los demás deportes.

The post Siguiendo a Messi utilizando TensorFlow y Object Detection first appeared on Planeta Chatbot.

• ssd_mobilenet_v1_coco_11_06_2017
• ssd_inception_v2_coco_11_06_2017
• rfcn_resnet101_coco_11_06_2017
• faster_rcnn_resnet101_coco_11_06_2017
• faster_rcnn_inception_resnet_v2_atrous_coco_11_06_2017

Todos los modelos utilizan COCO, (common objects in context) pueden ver los detalles aquí.

Veamos nuestra imagen original, que hipotéticamente se acaba de capturar por uno de los participantes de la cena:

Image reference COCO database

Y veamos nuestro rápido procesamiento con #TensorFlow, para este análisis, la mejor respuesta que obtuve fué utilizando faster_rcnn_inception_resnet_v2_atrous_coco_11_06_2017. [faster_rcnn y inception_resnet]

De esta forma tenemos las clases detectadas, el número de ocurrencias, las etiquetas y desde luego podemos pintar sobre la foto para hacerlo más gráfico. Por ahora este modelo es limitado ya que utiliza COCO, pero sin duda, esperamos que más modelos se sumen a este y se encuentren nuevas utilidades.

*Por cierto, muy rápidamente podemos contar la cantidad de botellas que propone la foto…

Aquí les dejo el segmento de implementación que hace esta operaciones en #TensorFlow. Pueden ver toda la implementación en la documentación oficial.

The post TensorFlow Object Detection API, cena con amigos first appeared on Planeta Chatbot.

Para nuestro estudio, vamos a analizar la edad de niños en el eje “x” y la altura de los mismos en el eje “y”. Intentaremos predecir la altura de los niños basada en su edad, aplicando regresión lineal simple. Fuente académica de este ejemplo link.

Vamos a utilizar una planilla de cálculo para explorar la situación de manera tradicional:

Ahora bien, ¿Qué buscamos con el modelo de aprendizaje automático?. Recordando nuestra función lineal nos enfocaremos en W y b.

y = Wx +b

Buscamos aprender para encontrar los mejores W y b. En la siguiente figura se muestra la representación simple de una regresión lineal.

Los mejores W y b reducen el costo. Como muestra la siguiente figura, este será el objetivo del modelo de aprendizaje automático.

Con el menor costo, mejoramos radicalmente la predicción, representado en la siguiente figura:

Nuestro pregunta central: “Vamos a preguntar por la edad y buscamos la respuesta de la altura mejor ajustada”

Llegó la hora de crear el modelo en #TensorFlow:

Valores de ingreso:

X = tf.placeholder(tf.float32, [m, n])
Y = tf.placeholder(tf.float32, [m, 1])

Peso y la perturbación aleatoria:

W = tf.Variable(tf.zeros([n, 1], dtype=np.float32), name=”weight”)
b = tf.Variable(tf.zeros([1], dtype=np.float32), name=”bias”)

Modelo Lineal:

with tf.name_scope(“linear_Wx_b”) as scope:
activation = tf.add(tf.matmul(X, W), b)

Costo:

with tf.name_scope(“cost”) as scope:

cost = tf.reduce_sum(tf.square(activation — Y)) / (2 * m)

tf.summary.scalar(“cost”, cost)

Entrenamiento:

with tf.name_scope(“train”) as scope:

optimizer = tf.train.GradientDescentOptimizer(0.07).minimize(cost)

Luego generamos la sesión en #TensorFlow:

with tf.Session() as sess:

merged = tf.summary.merge_all()

writer = tf.summary.FileWriter(log_file, sess.graph)

init = tf.global_variables_initializer()

sess.run(init)

for step in range(1500):

result, _ = sess.run([merged, optimizer], feed_dict={X: np.asarray(train_X), Y: np.asarray(train_Y)})

writer.add_summary(result, step)

Vamos a iterar 1500 veces el modelo, luego pueden evaluar diferentes configuraciones y desde luego variar el ratio de aprendizaje que por el momento está fijado en 0.07.

print “Prediction for 3.5 years”

predict_X = np.array([3.5], dtype=np.float32).reshape([1, 1])

predict_X = (predict_X — mean) / std

predict_Y = tf.add(tf.matmul(predict_X, W), b)

print “Child height(Y) =”, sess.run(predict_Y)

Esto nos entrega un valor de 0.9737 (expresa la altura en metros) Pueden validar académicamente la solución del ejercicio en este link.

Aquí la implementación de la solución

Además incluí #TensorBoard en nuestro estudio para poder analizar:el modelo con más detalles:

El trazado de la función de costo:

Nota: he seleccionado muchos valores y configuraciones estándares, con el objetivo de simplificar la explicación, luego el lector puede modificar a gusto los elementos de estudio.

Si comparamos nuestro estudio inicial utilizando una planilla tradicional y nuestro modelo automático, es evidente que tenemos mucha mayor exactitud con nuestro modelo automático y además toda la escala para ingerir un volumen mayor de datos y crear mejores predicciones. Están listos para más magia?

Regresión lineal simple en #TensorFlow, aprendizaje automático para mayor exactitud por Nicolas Bortolotti se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.

The post Regresión lineal simple en #TensorFlow, aprendizaje automático para mayor exactitud first appeared on Planeta Chatbot.