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

Jdelanno : /* Performance de NanoEdge : */

2024-01-28T16:36:59Z

Performance de NanoEdge :

← Version précédente		Version du 28 janvier 2024 à 16:36
Ligne 416 :		Ligne 416 :
	Nous obtenons donc un score de 73,65 % dont une balanced accuracy de 78,27 %. Cependant, après analyse des résultats, nous remarquons que l'IA a énormément de mal à distinguer les ciseaux, les confondant souvent avec des feuilles et des pierres. Ce résultat était prévisible dû à la resemblance des gestes et à la précision du capteur. Voici un test en vidéo de l'IA :		Nous obtenons donc un score de 73,65 % dont une balanced accuracy de 78,27 %. Cependant, après analyse des résultats, nous remarquons que l'IA a énormément de mal à distinguer les ciseaux, les confondant souvent avec des feuilles et des pierres. Ce résultat était prévisible dû à la resemblance des gestes et à la précision du capteur. Voici un test en vidéo de l'IA :

	[[Fichier:VID 20240128 170828.mp4\|vignette]]		[[Fichier:VID 20240128 170828.mp4\|centré\|vignette]]

	On remarque ici que le premier essai devine la pierre comme prévu mais lorsque qu'on essaie la feuille, il ressort pierre à égalité avec feuille (49% chacun). Ensuite, tel prévu, il ne reconnait pas du tout le ciseau.		On remarque ici que le premier essai devine la pierre comme prévu mais lorsque qu'on essaie la feuille, il ressort pierre à égalité avec feuille (49% chacun). Ensuite, tel prévu, il ne reconnait pas du tout le ciseau.

Jdelanno : /* Performance de NanoEdge : */

2024-01-28T16:36:29Z

Performance de NanoEdge :

← Version précédente		Version du 28 janvier 2024 à 16:36
Ligne 417 :		Ligne 417 :

	[[Fichier:VID 20240128 170828.mp4\|vignette]]		[[Fichier:VID 20240128 170828.mp4\|vignette]]

			On remarque ici que le premier essai devine la pierre comme prévu mais lorsque qu'on essaie la feuille, il ressort pierre à égalité avec feuille (49% chacun). Ensuite, tel prévu, il ne reconnait pas du tout le ciseau.
			On peut aussi remarqué que l'acquisition des valeur est très lente mais l'IA fournit un résultat convaicant pour le projet

			=== Performance Serveur : ===

			De ce point là, et après le cours, la Raspberry a cessé de vouloir envoyer des requêtes API vers notre serveur sans qu'on ne sache pourquoi. Pour avoir essayé en cours, l'acquisition des données était plutôt rapide mais cependant, et comme expliqué plus haut, le résultat n'était pas du tout convaincant (avec moins de 50% de réussite)

Jdelanno : /* Performance de NanoEdge : */

2024-01-28T16:32:31Z

Performance de NanoEdge :

← Version précédente		Version du 28 janvier 2024 à 16:32
Ligne 415 :		Ligne 415 :

	Nous obtenons donc un score de 73,65 % dont une balanced accuracy de 78,27 %. Cependant, après analyse des résultats, nous remarquons que l'IA a énormément de mal à distinguer les ciseaux, les confondant souvent avec des feuilles et des pierres. Ce résultat était prévisible dû à la resemblance des gestes et à la précision du capteur. Voici un test en vidéo de l'IA :		Nous obtenons donc un score de 73,65 % dont une balanced accuracy de 78,27 %. Cependant, après analyse des résultats, nous remarquons que l'IA a énormément de mal à distinguer les ciseaux, les confondant souvent avec des feuilles et des pierres. Ce résultat était prévisible dû à la resemblance des gestes et à la précision du capteur. Voici un test en vidéo de l'IA :

			[[Fichier:VID 20240128 170828.mp4\|vignette]]

Jdelanno : /* Performance et Sobriété Energétique */

2024-01-28T16:19:52Z

Performance et Sobriété Energétique

← Version précédente		Version du 28 janvier 2024 à 16:19
Ligne 406 :		Ligne 406 :
	</pre>		</pre>

	==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Performance ~~et Sobriété Energétique~~</div>==		==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Performance</div>==

	=== Performance de NanoEdge : ===		=== Performance de NanoEdge : ===

Jdelanno : /* Performance et Sobriété Energétique */

2024-01-28T16:19:37Z

Performance et Sobriété Energétique

← Version précédente		Version du 28 janvier 2024 à 16:19
Ligne 407 :		Ligne 407 :

	==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Performance et Sobriété Energétique</div>==		==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Performance et Sobriété Energétique</div>==

			=== Performance de NanoEdge : ===
			Après avoir paramétré NanoEdge et lancé l'acquisition de valeur depuis la STM32, nous pouvons lancer un Benchmark qui va pouvoir entrainer notre IA. Voici les résultats :

			[[Fichier:Image 2024-01-28 171138780.png\|centré\|vignette\|400x400px]]


			Nous obtenons donc un score de 73,65 % dont une balanced accuracy de 78,27 %. Cependant, après analyse des résultats, nous remarquons que l'IA a énormément de mal à distinguer les ciseaux, les confondant souvent avec des feuilles et des pierres. Ce résultat était prévisible dû à la resemblance des gestes et à la précision du capteur. Voici un test en vidéo de l'IA :

Clemair1 : /* Entrainement avec Scikit : */

2024-01-28T14:03:16Z

Entrainement avec Scikit :

← Version précédente		Version du 28 janvier 2024 à 14:03
Ligne 246 :		Ligne 246 :

	Pour le projet, nous avons d'abord développé et entrainé notre IA sur la plateforme NanoEdge AI Studio. Pour ce faire, nous devons d'abord définir un projet de classification de n-class ("pierre","feuille","ciseau") en utilisant un capteur générique à 16 axes. Pour ce faire, nous modifions le code de la STM32 pour qu'elle renvoie une ligne contenant 16*16 mesure en continue. Une fois le projet créé, nous ajoutons 3 signaux correspondant à nos dataset de "Pierre", "Feuille" et "Ciseau". Pour rajouter des valeurs dans notre dataset, nous utilisons la liaison série pour lire les valeurs de notre capteur.		Pour le projet, nous avons d'abord développé et entrainé notre IA sur la plateforme NanoEdge AI Studio. Pour ce faire, nous devons d'abord définir un projet de classification de n-class ("pierre","feuille","ciseau") en utilisant un capteur générique à 16 axes. Pour ce faire, nous modifions le code de la STM32 pour qu'elle renvoie une ligne contenant 16*16 mesure en continue. Une fois le projet créé, nous ajoutons 3 signaux correspondant à nos dataset de "Pierre", "Feuille" et "Ciseau". Pour rajouter des valeurs dans notre dataset, nous utilisons la liaison série pour lire les valeurs de notre capteur.
	=== Entrainement avec Scikit : ===		=== Entrainement avec Scikit ===

	Pour la suite de notre projet, nous avons developpé et entrainé une IA avec Scikit.		Pour la suite de notre projet, nous avons developpé et entrainé une IA avec Scikit.

Clemair1 : /* Code complet */

2024-01-28T13:47:19Z

Code complet

← Version précédente		Version du 28 janvier 2024 à 13:47
Ligne 405 :		Ligne 405 :
	serve(app,host="::", port="8080")		serve(app,host="::", port="8080")
	</pre>		</pre>

			==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Performance et Sobriété Energétique</div>==

Clemair1 : /* Configuration de la Raspberry */

2024-01-28T13:44:28Z

Configuration de la Raspberry

← Version précédente		Version du 28 janvier 2024 à 13:44
Ligne 65 :		Ligne 65 :
	==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Configuration de la Raspberry </div>==		==<div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; color: #FFFFFF; text-align: center; font-size: 80%; background: #42acc9; vertical-align: top; width: 96%;"> Configuration de la Raspberry </div>==

	Dans le cadra du projet, nous avons à disposition une Raspberry PI 4 model B que nous allons configurer. Pour ce faire, nous utilisons le logiciel le "Raspberry PI Imager" pour choisir notre OS.		Dans le cadra du projet, nous avons à disposition une Raspberry PI 4 model B que nous allons configurer. Pour ce faire, nous utilisons le logiciel "Raspberry PI Imager" pour choisir notre OS.
	[[Fichier:JCIE RPI Imager.png\|centré\|vignette\|400x400px]]Maintenant que nous avons une carte SD prête pour la Raspberry, nous la configurons via sa liaison série en passant par minicom :		[[Fichier:JCIE RPI Imager.png\|centré\|vignette\|400x400px]]Maintenant que nous avons une carte SD prête pour la Raspberry, nous la configurons via sa liaison série en passant par minicom :
	root@zabeth18: / $ minicom -D /dev/ttyACM0 -b 9600		root@zabeth18: / $ minicom -D /dev/ttyACM0 -b 9600

Clemair1 : /* Introduction Projet IE Delannoy - Lemaire */

2024-01-28T13:43:11Z

Introduction Projet IE Delannoy - Lemaire

← Version précédente		Version du 28 janvier 2024 à 13:43
Ligne 7 :		Ligne 7 :
	* Un carte programmable '''STM32F401RE'''		* Un carte programmable '''STM32F401RE'''
	* Un capteur à ultrason '''Nucleo-53L5A1'''		* Un capteur à ultrason '''Nucleo-53L5A1'''




	Ce wiki est le compte-rendu du projet de '''Jason DELANNOY et Chloé LEMAIRE'''. Nous avons décider de développer une intelligence artificielle permettant de '''déterminer''' '''l'action faite par un joueur de Pierre-Feuille-Ciseau''' à l'aide du capteur à ultrason.		Ce wiki est le compte-rendu du projet de '''Jason DELANNOY et Chloé LEMAIRE'''. Nous avons décider de développer une intelligence artificielle permettant de '''déterminer''' '''l'action faite par un joueur de Pierre-Feuille-Ciseau''' à l'aide du capteur à ultrason.

Clemair1 : /* Entrainement de l'IA */

2024-01-28T13:35:31Z

Entrainement de l'IA

← Version précédente		Version du 28 janvier 2024 à 13:35
Ligne 249 :		Ligne 249 :

	Pour le projet, nous avons d'abord développé et entrainé notre IA sur la plateforme NanoEdge AI Studio. Pour ce faire, nous devons d'abord définir un projet de classification de n-class ("pierre","feuille","ciseau") en utilisant un capteur générique à 16 axes. Pour ce faire, nous modifions le code de la STM32 pour qu'elle renvoie une ligne contenant 16*16 mesure en continue. Une fois le projet créé, nous ajoutons 3 signaux correspondant à nos dataset de "Pierre", "Feuille" et "Ciseau". Pour rajouter des valeurs dans notre dataset, nous utilisons la liaison série pour lire les valeurs de notre capteur.		Pour le projet, nous avons d'abord développé et entrainé notre IA sur la plateforme NanoEdge AI Studio. Pour ce faire, nous devons d'abord définir un projet de classification de n-class ("pierre","feuille","ciseau") en utilisant un capteur générique à 16 axes. Pour ce faire, nous modifions le code de la STM32 pour qu'elle renvoie une ligne contenant 16*16 mesure en continue. Une fois le projet créé, nous ajoutons 3 signaux correspondant à nos dataset de "Pierre", "Feuille" et "Ciseau". Pour rajouter des valeurs dans notre dataset, nous utilisons la liaison série pour lire les valeurs de notre capteur.


	=== Entrainement avec Scikit : ===		=== Entrainement avec Scikit : ===


	Pour la suite de notre projet, nous avons developpé et entrainé une IA avec Scikit.		Pour la suite de notre projet, nous avons developpé et entrainé une IA avec Scikit.
Ligne 293 :		Ligne 290 :

	==== Implémentation et Entrainement de notre IA ====		==== Implémentation et Entrainement de notre IA ====
			Maintenant que nous avons notre fichier d'entrainement, nous implémentons notre IA.



	Maintenant que nous avons notre fichier d'entrainement, nous implémentons notre IA.

	Nous avons commencé par créer un tableau de données et un tableau de classes.		Nous avons commencé par créer un tableau de données et un tableau de classes.

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

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance et Sobriété Energétique */

Jdelanno : /* Performance et Sobriété Energétique */

Clemair1 : /* Entrainement avec Scikit : */

Clemair1 : /* Code complet */

Clemair1 : /* Configuration de la Raspberry */

Clemair1 : /* Introduction Projet IE Delannoy - Lemaire */

Clemair1 : /* Entrainement de l'IA */

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance de NanoEdge : */

Jdelanno : /* Performance et Sobriété Energétique */

Jdelanno : /* Performance et Sobriété Energétique */

Clemair1 : /* Entrainement avec Scikit : */

Clemair1 : /* Code complet */

Clemair1 : /* Configuration de la Raspberry */

Clemair1 : /* Introduction Projet IE Delannoy - Lemaire */

Clemair1 : /* Entrainement de l'IA */