當然可以。

只不過，考慮到樹莓派的效能，比較好的方案是讓樹莓派做為一個客戶端，將影象傳送給更給力的機器進行機器學習推理。

比如，Kirk Kaiser就用樹莓派自制了一個抓拍小鳥的深度學習相機。

上圖為整個專案的總體架構。我們可以看到，樹莓派連線一個攝像頭，在樹莓派上運行了一個基於Flask搭建的web服務，透過WiFi網路將影象傳給主機。主機上執行基於TensorFlow實現的YOLO模型（可以實時檢測目標的深度學習網路）。一旦檢測到影象中有鳥，就將影象儲存下來。

基於Flask搭建的web服務，讓我們能夠透過瀏覽器方便地檢視影象。

具體而言，使用的模型是YOLO V2 tiny版本，與完整版本相比，準確率稍低一點，不過好處是算力負擔輕，甚至可以在CPU上執行（理論上可以直接在樹莓派上跑，當然速度可能會很慢）。

以上圖片均來自於Kirk Kaiser的部落格文章（www.makeartwithpython.com/blog/poor-mans-deep-learning-camera/）。

所有程式碼可以訪問GitHub獲取：github.com/burningion/poor-mans-deep-learning-camera

還有一種方案 我沒在樹莓派上用過(還沒買樹莓派，後面準備買)，在x86上驗證完畢。

使用英特爾movidius神經加速棒來進行影象分類或目標檢測，movidius有arm版的庫，對樹莓派支援很好，詳細看github上 ncsdk。

方案如下

1 .採用python語言

2.使用opencv對影象或影片處理

3.使用ssd_moblienetv1版本(movidius有直接的demo)，在x86計算機上使用640*480影片影象，壓縮成300*300轉入movidius，usb3.0介面能做到10幀/s，給出目標位置，目標分類和機率，當然可以多插幾個movidius來進行識別加速，每個影片影象輪訓的給各神經加速棒，沒試過樹莓派上能接幾個加速棒，還是看樹莓派的處理影象效能

4.使用百度網盤的介面，可以用樹莓派間隔識別後的圖片上傳到百度網盤上(github上油python工程，在x86已驗證好用)，用百度網盤主要是免費，後期可以賣穩定的雲端