SE5 ECEAI/eceai 2023/2024/ValleeSellali - Historique des versions

Fvallee le 28 janvier 2024 à 13:18

2024-01-28T13:18:31Z

← Version précédente		Version du 28 janvier 2024 à 13:18
Ligne 88 :		Ligne 88 :
	Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)		Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)

	=== ~~Réseau~~ ===		=== Transmission et stockage des données ===
	- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)		- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)

Fvallee : Mise en page

2024-01-28T13:17:52Z

Mise en page

← Version précédente		Version du 28 janvier 2024 à 13:17
Ligne 88 :		Ligne 88 :
	Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)		Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)

	==== Réseau ====		=== Réseau ===
	- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)		- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)

Ligne 99 :		Ligne 99 :
	[[Fichier:TerminauxECEAI Vallee.png\|vignette\|570x570px]]		[[Fichier:TerminauxECEAI Vallee.png\|vignette\|570x570px]]

	=== Vidéo : ===		=== Vidéo ===
	Image de l'écran capturé dans la vidéo : [[:Fichier:DemoVideo.mp4\|DemoVideo.mp4]]		Image de l'écran capturé dans la vidéo : [[:Fichier:DemoVideo.mp4\|DemoVideo.mp4]]

Fvallee le 28 janvier 2024 à 13:17

2024-01-28T13:17:16Z

← Version précédente		Version du 28 janvier 2024 à 13:17
Ligne 1 :		Ligne 1 :
	Groupe Vallée-Sellali		Groupe Vallée-Sellali

	== Séance n°1: ==		== Séance n°1 ==
	Machine virtuelle créée sur chassiron :		Machine virtuelle créée sur chassiron :

Ligne 24 :		Ligne 24 :
	STM32F401RE : Nanoedge et IDE installés, conception d'un code pour tester le capteur en cours		STM32F401RE : Nanoedge et IDE installés, conception d'un code pour tester le capteur en cours

	== Séance n°2 (18/12/2023) : ==		== Séance n°2 (18/12/2023) ==
	Raspberry connectée au WiFi SE5		Raspberry connectée au WiFi SE5

Ligne 35 :		Ligne 35 :
	Création d'un programme python serveur à destination de la VM qui reçoit et stocke les données		Création d'un programme python serveur à destination de la VM qui reçoit et stocke les données

	== Séance 3 (19/12/2023) : ==		== Séance 3 (19/12/2023) ==
	Création des datasets : main fermée et main ouverte (Une ligne = 16 * 16 données, environ 30 lignes par fichier)		Création des datasets : main fermée et main ouverte (Une ligne = 16 * 16 données, environ 30 lignes par fichier)

Ligne 55 :		Ligne 55 :
	La VM reçoit les données mais ne les traite pas encore.		La VM reçoit les données mais ne les traite pas encore.

	== Travail hors des séances et rendu final : ==		== Travail hors des séances et rendu final ==

			=== Ajouts ===
	Extension du programme sur la STM aux 64 capteurs.		Extension du programme sur la STM aux 64 capteurs.

Ligne 86 :		Ligne 88 :
	Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)		Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)

	==== Réseau : ====		==== Réseau ====
	- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)		- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)

Ligne 111 :		Ligne 113 :
	Tous les codes rendus en annexe sont dans leur version finale et ont été utilisés au cours du projet.		Tous les codes rendus en annexe sont dans leur version finale et ont été utilisés au cours du projet.

	=== Codes externes ayant servis à l'entraînement : ===		=== Codes externes ayant servis à l'entraînement ===
	Les fichiers de type data ou test ont été réalisés en lisant le port série et en insérant directement les données dans le fichier texte à condition que les données ne soient pas corrompues.		Les fichiers de type data ou test ont été réalisés en lisant le port série et en insérant directement les données dans le fichier texte à condition que les données ne soient pas corrompues.

Ligne 268 :		Ligne 270 :
	</syntaxhighlight>		</syntaxhighlight>

	=== Codes internes à la STM : ===		=== Codes internes à la STM ===
	app_tof.c : Code du process. Acquisition des données des 64 capteurs, 16 fois, envoi en temps réel des données et stockage temporaire des données pour faire une estimation avec le modèle interne à la stm32. Une fois les 1024 données récupérées, print d'un \n pour que "serial.readline()" des commandes python se termine.		app_tof.c : Code du process. Acquisition des données des 64 capteurs, 16 fois, envoi en temps réel des données et stockage temporaire des données pour faire une estimation avec le modèle interne à la stm32. Une fois les 1024 données récupérées, print d'un \n pour que "serial.readline()" des commandes python se termine.

Ligne 377 :		Ligne 379 :
	</syntaxhighlight>		</syntaxhighlight>

	=== Codes internes à la Raspberry pi : ===		=== Codes internes à la Raspberry pi ===
	GestionData.py : Lis le port série, stocke les données, effectue une estimation du mouvement, affiche l'estimation provenant de la STM32 et envoie les données brutes à la VM via TCP		GestionData.py : Lis le port série, stocke les données, effectue une estimation du mouvement, affiche l'estimation provenant de la STM32 et envoie les données brutes à la VM via TCP

Ligne 448 :		Ligne 450 :
	</syntaxhighlight>		</syntaxhighlight>

	=== Codes internes à la VM (présents en réalité sur la machine personnelle) : ===		=== Codes internes à la VM (présents en réalité sur la machine personnelle) ===
	server_tcp.py : Ecoute sur le port donné, reçois les données brutes, les stocke, et estime le mouvement effectué<syntaxhighlight lang="python3">		server_tcp.py : Ecoute sur le port donné, reçois les données brutes, les stocke, et estime le mouvement effectué<syntaxhighlight lang="python3">
	import socket		import socket

Fvallee : Explications Video

2024-01-28T13:15:16Z

Explications Video

← Version précédente		Version du 28 janvier 2024 à 13:15
Ligne 62 :		Ligne 62 :
	Création de nouveaux datasets adaptés : lignes de 64 * 16 données, une ligne correspond à une itération du mouvement, environ 170 lignes par datasets pour une prise en compte de plusieurs cas		Création de nouveaux datasets adaptés : lignes de 64 * 16 données, une ligne correspond à une itération du mouvement, environ 170 lignes par datasets pour une prise en compte de plusieurs cas

	(passage rapide, passage lent, hauteurs différentes).		(passage rapide, passage lent, hauteurs différentes). (Utilisation du code annexe GestionData sans la communication TCP pour la création des fichiers)

	Les mouvements sont :		Les mouvements sont :
Ligne 76 :		Ligne 76 :
	Avec Nanoedge, entraînement d'un nouveau modèle à destination de la STM. Le modèle le plus efficace avec nos fichiers de tests sont, contrairement aux premières séances, un modèle MLP (multilayer		Avec Nanoedge, entraînement d'un nouveau modèle à destination de la STM. Le modèle le plus efficace avec nos fichiers de tests sont, contrairement aux premières séances, un modèle MLP (multilayer

	perceptron). Résultats avec nos fichiers de tests : précision de 90%		perceptron). Résultats avec nos fichiers de tests : précision de 90%.

	En effet, les modèles SVM ne semblent pas adaptés à nos datasets => Adaptation du code python de la raspberry pour utiliser lui aussi un modèle MLP, ce qui est plus efficace.		Intégration de la bibliothèque libneai.a créée par Nanoedge dans le projet STM et adaptation du code de la STM pour y intégrer l'estimation à partir des données des capteurs. (Annexe app_tof.c)

			En effet, les modèles SVM ne semblent pas adaptés à nos datasets => Adaptation du code python de la raspberry pour utiliser lui aussi un modèle MLP, ce qui est plus efficace. (entraînement du modèle avec le programme mlpAlgo.py présent en annexe)

	Modèle résultant avec comme input les fichiers de tests : 70% de précision sur Droite à gauche, 68% de gauche à droite, 100% si aucune présence.		Modèle résultant avec comme input les fichiers de tests : 70% de précision sur Droite à gauche, 68% de gauche à droite, 100% si aucune présence.
Ligne 85 :		Ligne 87 :

	==== Réseau : ====		==== Réseau : ====
	- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré par le port série (~~knowledge.h, nanoEdgeAi.h, libneai.a et appTof~~.c ~~sont disponibles~~ en annexe)		- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré, par le port série (ap_tof.c disponible en annexe)

	- La Raspberry Pi reçoit ces données brutes, les stocke dans un fichier texte, estime le mouvement effectué, et affiche l'estimation en plus de celle de la STM. Ensuite, les données brutes sont transmises à la VM par TCP/IP en IPV6, à la condition que 1024 données soient présentes à chaque lecture. Si ce n'est pas le cas, les données "corrompues" ne sont pas transmises puisqu'inexploitables. (Voir GestionData.py en annexe)		- La Raspberry Pi reçoit ces données brutes, les stocke dans un fichier texte, estime le mouvement effectué, et affiche l'estimation en plus de celle de la STM. Ensuite, les données brutes sont transmises à la VM par TCP/IP en IPV6, à la condition que 1024 données soient présentes à chaque lecture. Si ce n'est pas le cas, les données "corrompues" ne sont pas transmises puisqu'inexploitables. (Voir GestionData.py en annexe)

Fvallee : Video+codes+mise en page

2024-01-28T13:08:48Z

Video+codes+mise en page

Voir les modifications

Fvallee : Video

2024-01-28T12:47:08Z

Video

Voir les modifications

Fvallee : Travail Hors Seance

2024-01-28T11:10:03Z

Travail Hors Seance

← Version précédente		Version du 28 janvier 2024 à 11:10
Ligne 53 :		Ligne 53 :

	Création d'un script Python utilisant la bibliothèque sklearn pour implémenter un algorithme de classification SVM, à destination de la Raspberry et de la VM		Création d'un script Python utilisant la bibliothèque sklearn pour implémenter un algorithme de classification SVM, à destination de la Raspberry et de la VM

			Le choix de main ouverte/main fermée se questionne, on utilise pas l'aspect mouvement que permet les algorithmes.

			Les algorithmes donnent un bon résultat avec une précision proche de 70%. La communication entre la VM et la zabeth sur laquelle on teste les fichiers pythons fonctionne.

			Du microcontrôleur, on reçoit les données brutes et l'estimation de l'état de la main. Le fichier python sur la zabeth, à destination future de la raspberry, reçoit ces données via le port série, les stocke dans un fichier txt, fait une estimation de l'état de la main, et envoie les données brutes à la VM en utilisant TCP/IP avec l'adresse IPV6 de la VM.

			La VM reçoit les données mais ne les traite pas encore.


			Travail hors des séances et rendu final :

			Extension du programme sur la STM aux 64 capteurs.

			Nouveau choix de test qui prend en compte les mouvements.

			Création de nouveaux datasets adaptés : lignes de 64 * 16 données, une ligne correspond à une itération du mouvement, environ 170 lignes par datasets pour une prise en compte de plusieurs cas

			(passage rapide, passage lent, hauteurs différentes).

			Les mouvements sont :

			- Mouvement de gauche à droite

			- Mouvement de droite à gauche

			- Aucune présence

			Pour pouvoir tester les modèles résultant de ces datasets, 3 fichiers de tests sont créés contenant chacun une trentaine d'itérations du mouvement.

			Avec Nanoedge, entraînement d'un nouveau modèle à destination de la STM. Le modèle le plus efficace avec nos fichiers de tests sont, contrairement aux premières séances, un modèle MLP (multilayer

			perceptron). Résultats avec nos fichiers de tests : précision de 90%

			En effet, les modèles SVM ne semblent pas adaptés à nos datasets => Adaptation du code python de la raspberry pour utiliser lui aussi un modèle MLP, ce qui est plus efficace.

			Modèle résultant avec comme input les fichiers de tests : 70% de précision sur Droite à gauche, 68% de gauche à droite, 100% si aucune présence.

			Intégration du code GestionData.py dans la raspberry ainsi que du modèle créé par mlpAlgo.py (uniquement l'output)

			Réseau :

			- La STM32 envoie les données brutes + l'estimation du mouvement issue de son modèle intégré par le port série (knowledge.h, nanoEdgeAi.h, libneai.a et appTof.c sont disponibles en annexe)

			- La Raspberry Pi reçoit ces données brutes, les stocke dans un fichier texte, estime le mouvement effectué, et affiche l'estimation en plus de celle de la STM. Ensuite, les données brutes sont transmises à la VM par TCP/IP en IPV6, à la condition que 1024 données soient présentes à chaque lecture. Si ce n'est pas le cas, les données "corrompues" ne sont pas transmises puisqu'inexploitables. (Voir GestionData.py en annexe)

			- La VM reçoit les données par paquet de 1024 entiers, stocke les données dans un fichier txt, et fait une estimation du mouvement en utilisant le même modèle que celui présent dans la raspberry pi.


			Lors des tests, nous avons constaté que la communication TCP ne semblait pas permise depuis un ordinateur externe au réseau des zabeths vers la VM : le ping est possible, mais la communication ne semble pas. Nous avons donc fait le choix d'utiliser un ordinateur personnel pour montrer l'efficacité du projet : le fonctionnement est similaire, les données sont envoyées sur la machine personnelle en IPV6.


			Vidéo :


			Annexe

			Tous les codes rendus en annexe sont dans leur version finale et ont été utilisés au cours du projet.

			Codes externes ayant servis à l'entraînement :

			Codes internes à la STM :

			Codes internes à la Raspberry pi :

			Codes internes à la VM (présents en réalité sur la machine personnelle) :

Fvallee le 1 janvier 2024 à 13:00

2024-01-01T13:00:50Z

← Version précédente		Version du 1 janvier 2024 à 13:00
Ligne 13 :		Ligne 13 :
	Mémoire vive : 1G		Mémoire vive : 1G

	Mot de ~~passe : glopglop~~		Mot de passe habituel

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

Fvallee le 20 décembre 2023 à 13:19

2023-12-20T13:19:19Z

← Version précédente		Version du 20 décembre 2023 à 13:19
Ligne 46 :		Ligne 46 :

	Entrainement du modèle avec les datasets sur NanoEdge		Entrainement du modèle avec les datasets sur NanoEdge


			Séance 4 (20/12/2023)

			Création de nouveaux datasets et de fichiers de tests : (100 lignes de 16 * 16 données)

			Création d'un script Python utilisant la bibliothèque sklearn pour implémenter un algorithme de classification SVM, à destination de la Raspberry et de la VM

Fvallee le 20 décembre 2023 à 07:11

2023-12-20T07:11:46Z

← Version précédente		Version du 20 décembre 2023 à 07:11
Ligne 26 :		Ligne 26 :


	Séance n°2 :		Séance n°2 (18/12/2023) :

	Raspberry connectée au WiFi SE5		Raspberry connectée au WiFi SE5
Ligne 37 :		Ligne 37 :

	Création d'un programme python serveur à destination de la VM qui reçoit et stocke les données		Création d'un programme python serveur à destination de la VM qui reçoit et stocke les données


			Séance 3 (19/12/2023) :

			Création des datasets : main fermée et main ouverte (Une ligne = 16 * 16 données, environ 30 lignes par fichier)

			Choix de garder les capteurs en 4x4 pour un compromis vitesse de création des datasets/temps d'entrainement du modèle/efficacité du capteur de mouvement.

			Entrainement du modèle avec les datasets sur NanoEdge

SE5 ECEAI/eceai 2023/2024/ValleeSellali - Historique des versions

Fvallee le 28 janvier 2024 à 13:18

Fvallee : Mise en page

Fvallee le 28 janvier 2024 à 13:17

Fvallee : Explications Video

Fvallee : Video+codes+mise en page

Fvallee : Video

Fvallee : Travail Hors Seance