« SE5 ECEAI/eceai 2024/2025/benmbarek-elqastalani » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 75 : | Ligne 75 : | ||
[[Fichier:Captaaaa.png|centré|vignette|Distances (matrice 8*8) mesurées|571x571px]]Pour ajouter des données d'entraînement, nous insérons des signaux sur NanoEdge AI. Ces données représentent des mesures réelles capturées par le capteur. | [[Fichier:Captaaaa.png|centré|vignette|Distances (matrice 8*8) mesurées|571x571px]]Pour ajouter des données d'entraînement, nous insérons des signaux sur NanoEdge AI. Ces données représentent des mesures réelles capturées par le capteur. | ||
Comme nous avons 3 classes, nous allons le faire 3 fois :[[Fichier:Capture d’écran du 2025-01-30 17-34-42.png|centré|571x571px|ù]][[Fichier:Pqspqopsckpoqc.png|centré|571x571px]] | Comme nous avons 3 classes, nous allons le faire 3 fois :[[Fichier:Capture d’écran du 2025-01-30 17-34-42.png|centré|571x571px|ù]] | ||
[[Fichier:Qspkpocpqco.png|vignette]] | |||
[[Fichier:Pqspqopsckpoqc.png|centré|571x571px]] | |||
[[Fichier:Pappapappapaa.png|centré|571x571px]] | [[Fichier:Pappapappapaa.png|centré|571x571px]] | ||
Version du 30 janvier 2025 à 16:56
Pour ce TP d'IA, nous avons décidé de concevoir un système qui reconnaîtra des diverses formes.
Réseau
Machine Virtuelle
Nous avons créé un serveur virtuel sur capbreton : SE5-yelqasta-ybenmbar-IA - Interface réseau dans le commutateur virtuel bridgeStudents.
Ce serveur sera nous servira de broker MQTT, afin d'analyser et afficher les résultats dynamiquement.
Architecture Réseau
Nous avons prévu cette architecture :
- La Nucleo fera les mesures par le biais du capteur ToF;
- La Raspberry recevra ces données par UART;
- Enfin, la machine virtuelle les recevra et les affichera.
Apprentissage
Le matériel utilisé :
- Raspberry Pi 4
- Nucleo-F401RE
- Capteur de distance Nucleo-53L5A1
Notre Raspberry communiquera avec la Nucleo par liaison série UART. Elle servira aussi d'interface entre la Nucleo, qui sera entraînée à manipuler les données, et le réseau.
Nous avons mis en place un modèle simple de classification avec 3 classes, correspondant à 3 formes :
- Coeur
- Ours
- Soleil
Après avoir installé l'API X-CUBE-TOF1, qui nous permettra d'utiliser efficacement le capteur, nous avons pu "mettre en place" les données à envoyer.
Sous la forme d'une ligne, chaque coefficient de la matrice 8*8 est représenté :
Pour ajouter des données d'entraînement, nous insérons des signaux sur NanoEdge AI. Ces données représentent des mesures réelles capturées par le capteur. Comme nous avons 3 classes, nous allons le faire 3 fois :
