« SE5 ECEAI/eceai 2023/2024/AmorosDelaby » : différence entre les versions
| Ligne 8 : | Ligne 8 : | ||
- Communication en série avec la carte grâce à Minicom | - Communication en série avec la carte grâce à Minicom | ||
== Machine virtuelle (serveur) et requêtes MQTT == | |||
=== Serveur === | === Serveur === | ||
| Ligne 28 : | Ligne 32 : | ||
| | | | ||
|} | |} | ||
== Capteur X-NUCLEO-53L5A1 == | == Capteur X-NUCLEO-53L5A1 == | ||
Version du 20 décembre 2023 à 16:49
Nous essayons d'implémenter une application qui permet de détecter un mouvement de type "Swipe" vers la gauche, la droite, le haut ou le bas, dans l'objectif de développer une application type Tinder.
Raspberry Pi
- Création d'une image Raspberry Pi OS pour la Raspberry pi 4 et formatage de la carte SD.
- Premier démarrage de la Raspberry PI.
- Communication en série avec la carte grâce à Minicom
Machine virtuelle (serveur) et requêtes MQTT
Serveur
Création d'une VM sur Chassiron pour l’agrégation des données.
| Paramètre | Valeur |
|---|---|
| hostname | g5amodelVM |
| ipv6 | 2001:660:4401:6050:216:3eff:fe40:73d8/64 |
Capteur X-NUCLEO-53L5A1
Modèle de machine learning
Les jeux de données d'entraînement pour le modèle créés sont les suivants:
- un jeu de données pour lequel rien de se passe pour le capteur (ni mouvement de swipe à gauche, ni à droite)
- un jeu de données pour le swipe à gauche,
- un jeu de données pour le swipe à droite.
Le formatage des données pour que nanoedgestudio puisse les utiliser pour générer un modèle est un mélange du code implémenté dans le capteur et d'un script Python modifiant les fichiers de logs générés par nanoedgestudio pour créer des lignes contenant les données des 16 axes sur une durée de 10 à 16 samples.
Le test du benchmark sur nanoaistudio avec les jeux de données de swipe gauche ou swipe droite n'ont pas donné de résultats concluants lors de l'émulation avec un nouveau jeu de données de test. En revanche, les jeux de données avec aucun mouvement et un mouvement de swipe droit on donné un modèle assez efficace dans la reconnaissance du mouvement.
Le manque d'efficacité d'un modèle peut-être dû notamment aux jeu de données d’entraînement qui n'est pas assez conséquent. Pour obtenir un modèle fiable dans tous les cas, il serait nécessaire d'utiliser des certaines voire des milliers de samples.
Travail restant
- Implémentation du modèle de machine learning sur le capteur NUCLEO-53L5A1 avec STM32CubeIDE
- Récupération de la réponse du modèle de machine learning via la Raspberry