=Création de la machine virtuelle=
Création d'une machine virtuelle '''gabidann''' sur le serveur chassiron :

<code>xen-create-image --hostname=gabidann --force --dist=bookworm --size=10G --memory=10G --dir=/usr/local/xen --password=glopglop --dhcp --bridge=bridgeStudents</code>

La machine virtuelle est à présent connectée au WiFi.

Après cela, nous avons configuré la machine virtuelle selon l'énoncé du TP en faisant un xen console gabidann. Nous avons ensuite participé à la mise en place du point d'accès WiFi.

===Premières observations du capteur===
De plus nous avons observé le retour du capteur de distance Nucleo-53L5A1 avec l'outil minicom. Le contenu envoyé par le capteur était compréhensible avec une fréquence de 460 800 bauds ; sur minicom, on a pu constater que le capteur nous envoie des valeurs qui dépendent de la distance entre celui-ci et un obstacle.

===Raspberry===
D'un autre côté, nous avons branché la Raspberry Pi à l'ordinateur selon le pinout fourni dans la documentation.

[[Fichier:20231218 085218.jpg|vignette|néant]]

Enfin, nous avons activé la communication UART de la Raspberry Pi afin de pouvoir communiquer avec. En fin de séance, nous étions en train de vérifier que la Raspberry Pi répondait bien, même en ayant ajouté la ligne enable_uart=1 dans le fichier config.txt de la Raspberry.

==Séance du 18/12/2023==
===Configuration de la Raspberry===
Nous avons résolu le problème de la Raspberry qui ne répondait pas. Cela était dû à l'alimentation : brancher la carte en USBC résoud le problème. Cependant, nous recevons une erreur l'erreur EXT4-fs error (device mmcblk0p2).
Le problème venait des arguments saisis lors du lancement de Minicom. Avec la commande suivante, il est à présent possible de se connecter sur la Raspberry : <code>minicom -D /dev/ttyUSB0 -b 115200</code>
Dans la Raspberry, nous avons configuré une interface réseau wlan0 pour se connecter à WiFi_IE_1 :
auto wlan0
iface wlan0 inet dhcp
wpa-conf /etc/wpa_supplicant/wpa_supplicant.conf
A présent à partir de la Raspberry, on peut ping la machine virtuelle sur chassiron avec son IPv6.

===Configuration du capteur de distance===
Un programme était déjà présent sur le capteur. On a téléchargé le logiciel STM32CubeIDE pour pouvoir éditer du code et le téléverser sur le capteur. Nous avons testé de téléverser un programme d'exemple dont voici le résultat :
[[Fichier:Screenshot 2023-12-18 13-12-19.jpg|vignette|néant|700x700px]]

Nous avons modifié ce programme afin d'effectuer un formatage des données transmises par le capteur sous le format ''<distance>,'' pour chaque valeur. Grâce à ce formatage, il est à présent possible d'utiliser les données reçues par le logiciel NanoEdgeStudio AI pour la partie Machine Learning.

Pour recevoir les valeurs de manière exploitable, il faut modifier le code Exemple dans le logiciel STM Cube IDE

[[Fichier:Capture d'écran 2023-12-20 084719.png|néant|vignette|800x800px]]

L'objectif est d'obtenir une liste séparée par des virgules, il a donc fallu supprimer les espaces et les barres verticales de la fonction d'affichage ainsi que les statuts de chacun des capteurs :<syntaxhighlight lang="c">
static void print_result(RANGING_SENSOR_Result_t *Result)
{
int8_t j;
int8_t k;
int8_t l;
uint8_t zones_per_line;
zones_per_line = ((Profile.RangingProfile == RS_PROFILE_8x8_AUTONOMOUS) ||
(Profile.RangingProfile == RS_PROFILE_8x8_CONTINUOUS)) ? 8 : 4;
for (j = 0; j < Result->NumberOfZones; j += zones_per_line)
{
for (l = 0; l < RANGING_SENSOR_NB_TARGET_PER_ZONE; l++)
{
/* Print distance and status */
for (k = (zones_per_line - 1); k >= 0; k--)
{
if (Result->ZoneResult[j+k].NumberOfTargets > 0)
printf("%ld,",(long)Result->ZoneResult[j+k].Distance[l]);
}
}
}
printf("\n");
}
</syntaxhighlight>On passe ensuite sur Nano Edge Studio pour définir les signaux dans l'onglet "Signals" et entraîner le modèle dans l'onglet "Benchmark".

[[Fichier:Capture d'écran 2023-12-18 172047.png|néant|vignette|800x800px]]

Une fois le modèle entraîné, on peut le tester avec l'onglet "Emulator"

[[Fichier:Capture d'écran 2023-12-18 173255.png|néant|vignette|800x800px]]

===Emulation avec NanoEdgeStudio AI===

Dans un premier temps, nous avons essayé d'entraîner le programme à reconnaître les chiffres 1, 2, 3, 4 et 5 sur les doigts d'une main. Les résultats n'étaient pas concluant, il semblerait que le capteur détecte avant tout le volume de la main à la place de détecter le nombre de doigts.

Nous avons ensuite choisi de faire un détecteur de visages capable de faire la différence entre Gabriel et Dann. L'émulation donne des résultats très satisfaisant proche de 100% de réussite

===Configuration du serveur===
Configuration d'un serveur HTTP sur la machine virtuelle gabidann :<syntaxhighlight lang="python3">
import socket
from http.server import HTTPServer, SimpleHTTPRequestHandler

class MyHandler(SimpleHTTPRequestHandler):
def do_GET(self):
if self.path == '/ip':
self.send_response(200)
self.send_header('Content-type', 'text/html')
self.end_headers()
self.wfile.write(f'Your IP address is {self.client_address[0]}'.encode())
return
else:
return SimpleHTTPRequestHandler.do_GET(self)

class HTTPServerV6(HTTPServer):
address_family = socket.AF_INET6

def main():
server = HTTPServerV6(('::', 8080), MyHandler)
server.serve_forever()

if __name__ == '__main__':
main()

</syntaxhighlight>

Pour se connecter au serveur depuis un navigateur, on peut ouvrir un navigateur depuis la zabeth et y accéder avec l'adresse : ''[<ipv6_VM>]:<port>''. Dans notre cas, le serveur écoute le port '''8080'''.

La page index.html s'affiche par défaut lorsque l'on se connecte au serveur HTTP :
<syntaxhighlight lang="html">
<!DOCTYPE html>

<html lang="fr">
<head>
<meta charset="UTF-8">
<title>Gabidann</title>
</head>

<body>
<h1>Bienvenue sur Gabidann !<h1>
<div id="data"></div>
</body>

</html>
</syntaxhighlight>Nous avons également testé la communication en TCP avec l'utilitaire socat

Nous avons créé un serveur python en TCP. Nous pouvons maintenant envoyer des messages du client ( raspberry ) au serveur (VM Xen). Nous nous servirons de cette architecture pour envoyer les données du Nucleo à la Vm Xen

Une fois le modèle entrainé et les tests concluants, on peut déployer notre modèle sur n'importe quel appareils linux ou windows. Pour cela, on va dans l'onglet deployment et on télécharge notre librairie personnalisée.

===Déploiement du modèle===

On peut lui passer un fichier CSV contenant les données brutes du capteur et grâce au fichier knowledge.dat, l'émulateur est capable de faire la différence entre les situations<syntaxhighlight lang="bat">
PS C:\Users\gabyt\Documents\Gaby\emulators> .\NanoEdgeAI_Class_Emulator.exe neai_classification --knowledge_path .\knowledge.dat --file .\data.csv
{
"status": "classification",
"lib_id": "6582b12625c3e0368b2c2a09",
"input": ".\data.csv",
"results": [
{"signal": 1, "line": 1, "class_status": 2, "class_name": "dann", "class_proba": [0.01, 0.99]},
{"signal": 2, "line": 2, "class_status": 2, "class_name": "dann", "class_proba": [0.01, 0.99]},
{"signal": 3, "line": 3, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 4, "line": 4, "class_status": 1, "class_name": "gaby", "class_proba": [0.83, 0.17]},
{"signal": 5, "line": 5, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 6, "line": 6, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 7, "line": 7, "class_status": 1, "class_name": "gaby", "class_proba": [0.50, 0.50]},
{"signal": 8, "line": 8, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 9, "line": 9, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 10, "line": 10, "class_status": 2, "class_name": "dann", "class_proba": [0.17, 0.83]},
{"signal": 11, "line": 11, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 12, "line": 12, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 13, "line": 13, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 14, "line": 14, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 15, "line": 15, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 16, "line": 16, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 17, "line": 17, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 18, "line": 18, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 19, "line": 19, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 20, "line": 20, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 21, "line": 21, "class_status": 2, "class_name": "dann", "class_proba": [0.11, 0.89]},
{"signal": 22, "line": 22, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 23, "line": 23, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 24, "line": 24, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 25, "line": 25, "class_status": 1, "class_name": "gaby", "class_proba": [0.50, 0.50]},
{"signal": 26, "line": 26, "class_status": 2, "class_name": "dann", "class_proba": [0.06, 0.94]},
{"signal": 27, "line": 27, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 28, "line": 28, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 29, "line": 29, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]}
],
"classification_summary": {"signals": 29, "classified": [19, 10], "unclassified": 0}
}
</syntaxhighlight>

===Visualisation des données sur le serveur===

RodenburgThomas

2023-12-20T16:09:59Z

Gthomas : /* Séance du 18/12/2023 */

=Création de la machine virtuelle=
Création d'une machine virtuelle '''gabidann''' sur le serveur chassiron :

<code>xen-create-image --hostname=gabidann --force --dist=bookworm --size=10G --memory=10G --dir=/usr/local/xen --password=glopglop --dhcp --bridge=bridgeStudents</code>

La machine virtuelle est à présent connectée au WiFi.

Après cela, nous avons configuré la machine virtuelle selon l'énoncé du TP en faisant un xen console gabidann. Nous avons ensuite participé à la mise en place du point d'accès WiFi.

===Premières observations du capteur===
De plus nous avons observé le retour du capteur de distance Nucleo-53L5A1 avec l'outil minicom. Le contenu envoyé par le capteur était compréhensible avec une fréquence de 460 800 bauds ; sur minicom, on a pu constater que le capteur nous envoie des valeurs qui dépendent de la distance entre celui-ci et un obstacle.

===Raspberry===
D'un autre côté, nous avons branché la Raspberry Pi à l'ordinateur selon le pinout fourni dans la documentation.

[[Fichier:20231218 085218.jpg|vignette|néant]]

Enfin, nous avons activé la communication UART de la Raspberry Pi afin de pouvoir communiquer avec. En fin de séance, nous étions en train de vérifier que la Raspberry Pi répondait bien, même en ayant ajouté la ligne enable_uart=1 dans le fichier config.txt de la Raspberry.

===Configuration de la Raspberry===
Nous avons résolu le problème de la Raspberry qui ne répondait pas. Cela était dû à l'alimentation : brancher la carte en USBC résoud le problème. Cependant, nous recevons une erreur l'erreur EXT4-fs error (device mmcblk0p2).
Le problème venait des arguments saisis lors du lancement de Minicom. Avec la commande suivante, il est à présent possible de se connecter sur la Raspberry : <code>minicom -D /dev/ttyUSB0 -b 115200</code>
Dans la Raspberry, nous avons configuré une interface réseau wlan0 pour se connecter à WiFi_IE_1 :
auto wlan0
iface wlan0 inet dhcp
wpa-conf /etc/wpa_supplicant/wpa_supplicant.conf
A présent à partir de la Raspberry, on peut ping la machine virtuelle sur chassiron avec son IPv6.

===Configuration du capteur de distance===
Un programme était déjà présent sur le capteur. On a téléchargé le logiciel STM32CubeIDE pour pouvoir éditer du code et le téléverser sur le capteur. Nous avons testé de téléverser un programme d'exemple dont voici le résultat :
[[Fichier:Screenshot 2023-12-18 13-12-19.jpg|vignette|néant|700x700px]]

Nous avons modifié ce programme afin d'effectuer un formatage des données transmises par le capteur sous le format ''<distance>,'' pour chaque valeur. Grâce à ce formatage, il est à présent possible d'utiliser les données reçues par le logiciel NanoEdgeStudio AI pour la partie Machine Learning.

Pour recevoir les valeurs de manière exploitable, il faut modifier le code Exemple dans le logiciel STM Cube IDE

[[Fichier:Capture d'écran 2023-12-20 084719.png|néant|vignette|800x800px]]

L'objectif est d'obtenir une liste séparée par des virgules, il a donc fallu supprimer les espaces et les barres verticales de la fonction d'affichage ainsi que les statuts de chacun des capteurs :<syntaxhighlight lang="c">
static void print_result(RANGING_SENSOR_Result_t *Result)
{
int8_t j;
int8_t k;
int8_t l;
uint8_t zones_per_line;
zones_per_line = ((Profile.RangingProfile == RS_PROFILE_8x8_AUTONOMOUS) ||
(Profile.RangingProfile == RS_PROFILE_8x8_CONTINUOUS)) ? 8 : 4;
for (j = 0; j < Result->NumberOfZones; j += zones_per_line)
{
for (l = 0; l < RANGING_SENSOR_NB_TARGET_PER_ZONE; l++)
{
/* Print distance and status */
for (k = (zones_per_line - 1); k >= 0; k--)
{
if (Result->ZoneResult[j+k].NumberOfTargets > 0)
printf("%ld,",(long)Result->ZoneResult[j+k].Distance[l]);
}
}
}
printf("\n");
}
</syntaxhighlight>On passe ensuite sur Nano Edge Studio pour définir les signaux dans l'onglet "Signals" et entraîner le modèle dans l'onglet "Benchmark".

[[Fichier:Capture d'écran 2023-12-18 172047.png|néant|vignette|800x800px]]

Une fois le modèle entraîné, on peut le tester avec l'onglet "Emulator"

[[Fichier:Capture d'écran 2023-12-18 173255.png|néant|vignette|800x800px]]

===Emulation avec NanoEdgeStudio AI===

Dans un premier temps, nous avons essayé d'entraîner le programme à reconnaître les chiffres 1, 2, 3, 4 et 5 sur les doigts d'une main. Les résultats n'étaient pas concluant, il semblerait que le capteur détecte avant tout le volume de la main à la place de détecter le nombre de doigts.

Nous avons ensuite choisi de faire un détecteur de visages capable de faire la différence entre Gabriel et Dann. L'émulation donne des résultats très satisfaisant proche de 100% de réussite

===Configuration du serveur===
Configuration d'un serveur HTTP sur la machine virtuelle gabidann :<syntaxhighlight lang="python3">
import socket
from http.server import HTTPServer, SimpleHTTPRequestHandler

class MyHandler(SimpleHTTPRequestHandler):
def do_GET(self):
if self.path == '/ip':
self.send_response(200)
self.send_header('Content-type', 'text/html')
self.end_headers()
self.wfile.write(f'Your IP address is {self.client_address[0]}'.encode())
return
else:
return SimpleHTTPRequestHandler.do_GET(self)

class HTTPServerV6(HTTPServer):
address_family = socket.AF_INET6

def main():
server = HTTPServerV6(('::', 8080), MyHandler)
server.serve_forever()

if __name__ == '__main__':
main()

</syntaxhighlight>

Pour se connecter au serveur depuis un navigateur, on peut ouvrir un navigateur depuis la zabeth et y accéder avec l'adresse : ''[<ipv6_VM>]:<port>''. Dans notre cas, le serveur écoute le port '''8080'''.

La page index.html s'affiche par défaut lorsque l'on se connecte au serveur HTTP :
<syntaxhighlight lang="html">
<!DOCTYPE html>

<html lang="fr">
<head>
<meta charset="UTF-8">
<title>Gabidann</title>
</head>

<body>
<h1>Bienvenue sur Gabidann !<h1>
<div id="data"></div>
</body>

</html>
</syntaxhighlight>Nous avons également testé la communication en TCP avec l'utilitaire socat

Nous avons créé un serveur python en TCP. Nous pouvons maintenant envoyer des messages du client ( raspberry ) au serveur (VM Xen). Nous nous servirons de cette architecture pour envoyer les données du Nucleo à la Vm Xen

Une fois le modèle entrainé et les tests concluants, on peut déployer notre modèle sur n'importe quel appareils linux ou windows. Pour cela, on va dans l'onglet deployment et on télécharge notre librairie personnalisée.

===Déploiement du modèle===

On peut lui passer un fichier CSV contenant les données brutes du capteur et grâce au fichier knowledge.dat, l'émulateur est capable de faire la différence entre les situations<syntaxhighlight lang="bat">
PS C:\Users\gabyt\Documents\Gaby\emulators> .\NanoEdgeAI_Class_Emulator.exe neai_classification --knowledge_path .\knowledge.dat --file .\data.csv
{
"status": "classification",
"lib_id": "6582b12625c3e0368b2c2a09",
"input": ".\data.csv",
"results": [
{"signal": 1, "line": 1, "class_status": 2, "class_name": "dann", "class_proba": [0.01, 0.99]},
{"signal": 2, "line": 2, "class_status": 2, "class_name": "dann", "class_proba": [0.01, 0.99]},
{"signal": 3, "line": 3, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 4, "line": 4, "class_status": 1, "class_name": "gaby", "class_proba": [0.83, 0.17]},
{"signal": 5, "line": 5, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 6, "line": 6, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 7, "line": 7, "class_status": 1, "class_name": "gaby", "class_proba": [0.50, 0.50]},
{"signal": 8, "line": 8, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 9, "line": 9, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 10, "line": 10, "class_status": 2, "class_name": "dann", "class_proba": [0.17, 0.83]},
{"signal": 11, "line": 11, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 12, "line": 12, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 13, "line": 13, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 14, "line": 14, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 15, "line": 15, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 16, "line": 16, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 17, "line": 17, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 18, "line": 18, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 19, "line": 19, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 20, "line": 20, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 21, "line": 21, "class_status": 2, "class_name": "dann", "class_proba": [0.11, 0.89]},
{"signal": 22, "line": 22, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 23, "line": 23, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 24, "line": 24, "class_status": 1, "class_name": "gaby", "class_proba": [0.74, 0.26]},
{"signal": 25, "line": 25, "class_status": 1, "class_name": "gaby", "class_proba": [0.50, 0.50]},
{"signal": 26, "line": 26, "class_status": 2, "class_name": "dann", "class_proba": [0.06, 0.94]},
{"signal": 27, "line": 27, "class_status": 2, "class_name": "dann", "class_proba": [0.37, 0.63]},
{"signal": 28, "line": 28, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]},
{"signal": 29, "line": 29, "class_status": 1, "class_name": "gaby", "class_proba": [0.63, 0.37]}
],
"classification_summary": {"signals": 29, "classified": [19, 10], "unclassified": 0}
}
</syntaxhighlight>

===Visualisation des données sur le serveur===

RodenburgThomas

2023-12-20T07:46:31Z

Gthomas : /* Séance du 20/12/2023 */

RodenburgThomas

2023-12-19T14:50:15Z

Gthomas : /* Séance du 19/12/2023 */

RodenburgThomas

2023-12-19T14:20:53Z

Gthomas : /* Objectifs */

2023-12-04T17:02:31Z

Gthomas :

SE5 ECEAI 2023/2024
[[SE5 ECEAI/eceai 2023/2024/jcie]]

[[Gabidann|SE5 ECEAI/eceai 2023/2024/gabidann]]
== Groupe Patrikeev-Mouton ==
'''Séance n°1:'''

* Une machin virtuelle a été crée sur le serveur chassiron avec la commande :
<syntaxhighlight lang="coffee">
xen-create-image --hostname g19 --force --dist bookworm --size 10G --memory 1G --dir /usr/local/xen --password glopglop --dhcp --bridge bridgeStudents
</syntaxhighlight>La machine virtuelle possède les propriétés suivantes:

Hostname   : g19

Distribution    : bookworm

Stockage : 10G

Mémoire vive : 1G

Mot de passe : glopglop

Les fichier /etc/network/interfaces, /etc/resolv.conf et /etc/apt/sources.list on étés configurés comme demandé dans le sujet.

* La Raspberry Pi 4 a été configurée et connectée au WiFi WIFI_IE_1.

Mot de passe : pasglop

Login : pifou

La communication entre la Raspberry et la machine virtuelle a été vérifiée avec une commande de ping.

* Le STM32F401RE et le capteur de distance (Nucleo-53L5A1):

Les valeurs lues par le capteurs sont renvoyés par le port série du contrôleur STM32 vers le logiciel nanoedge.

== Groupe Vallée-Sellali ==
'''Séance n°1:'''

Machine virtuelle créée sur chassiron :

Hostname   : ValSel

Distribution    : bookworm

Stockage : 10G

Mémoire vive : 1G

Mot de passe : glopglop

Les fichiers /etc/network/interfaces, /etc/resolv.conf et /etc/apt/sources.list ont été modifiés comme demandés.

Raspberry 4 :

Communication via le port série possible

Login : pifou Pwd : pasglop

STM32F401RE : Nanoedge et IDE installés, conception d'un code pour tester le capteur en cours