Différences

Ci-dessous, les différences entre deux révisions de la page.

--- activity_recognition_from_accelerometer_data_set [2020/10/21 11:33] – [Roulez Bourrez] serge
+++ activity_recognition_from_accelerometer_data_set [2021/12/14 09:50] (Version actuelle) – ↷ Liens modifiés en raison d'un déplacement. 62.210.73.184
@@ Ligne 2: / Ligne 2: @@
 <WRAP center round box 60% centeralign>
-**{{tagpage>ia|Intelligence Artificielle}}**
+**[[intelligence_artificielle|Intelligence Artificielle]]**
 </WRAP>
 Votre mission: **Reconnaître l'activité du porteur d'un Accéléromètre.**
@@ Ligne 30: / Ligne 31: @@
   * **[[https://github.com/sergeLabo/activity| sergeLabo/activity ]]**
+  sudo pip3 install numpy matplotlib scipy tensorflow
+Sur xubuntu 20.04, pb avec cublas (qui n'est pas là où il faudrait, erreur nvidia), dans le dossier du projet:
+  export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
+  python3 main_keras_clean_smooth.py
 =====Installation et matériel requis=====
 Une carte graphique n'est pas nécessaire, au contraire une carte augmente de beaucoup le temps de epochs de keras.
@@ Ligne 35: / Ligne 41: @@
 Il faut installer au moins: numpy, matplotlib, scipy, tensorflow
-Ce projet a été développé sur Debian 10 Buster Mate, et testé aussi sur Xubuntu 18.04 avec [[installation_de_cuda|Cuda]].
+Ce projet a été développé sur Debian 10 Buster Mate, et testé aussi sur Xubuntu 18.04 avec [[compilation_de_oepncv_avec_cuda_sur_ubuntu|Cuda]].
 =====Représentation des datas=====
 {{ :media_10:activity_1.png?600 |}}
 {{:media_10:activity_2.png?120|}}{{:media_10:activity_3.png?120|}}{{:media_10:activity_4.png?120|}}{{:media_10:activity_5.png?120|}}{{:media_10:activity_6.png?120|}}{{:media_10:activity_7.png?120|}}{{:media_10:activity_8.png?120|}}{{:media_10:activity_9.png?120|}}{{:media_10:activity_10.png?120|}}{{:media_10:activity_11.png?120|}}{{:media_10:activity_12.png?120|}}{{:media_10:activity_13.png?120|}}{{:media_10:activity_14.png?120|}}{{:media_10:activity_15.png?120|}}
-===== Apprentissage avec les données brutes =====
-====Avec la norme du vecteur accélération====
-Basé sur le script [[uneiaen50lignesdecode|Une I.A. en 50 lignes de code]].
-  * [[https://github.com/sergeLabo/activity/blob/main/main_numpy.py|main_numpy.py]]
-====Avec les 3 composants des vecteurs des données brutes et Keras====
-  * [[https://github.com/sergeLabo/activity/blob/main/main_keras.py|main_keras.py]]
 =====Recherche des zones valable en Input de Keras=====
@@ Ligne 76: / Ligne 74: @@
 </WRAP>
 </WRAP>
 ====Après correction====
@@ Ligne 91: / Ligne 86: @@
 ====Conclusion après analyse des courbes====
 **Une seule personne a fait 15 fois le même parcours avec les mêmes activités**, en portant toujours le même accéléromètre.
-Soit un Rasberry Pi alimenté par batterie 5v USB.
-Soit un téléphone avec une application fixé sur la poitrine.
 ===== Apprentissage / Test avec les données nettoyées=====
 ====Création des fichiers de données====
-[[https://github.com/sergeLabo/activity/blob/main/create_clean_smooth_paquets.py|create_clean_smooth_paquets.py]]
+  * [[https://github.com/sergeLabo/activity/blob/main/create_clean_smooth_paquets.py|create_clean_smooth_paquets.py]]
 Par exemle, les paquets de 900 array de 3 soit:
@@ Ligne 111: / Ligne 102: @@
 sont créés en décalant la 1ère valeur de "gliss" tous les paquets, gliss peut varier de 20 à la taille du paquet.
 {{ :media_11:glissant.png?400 |}}
-Avec gliss, le fichier de datas obtenu est très gros (quelques Giga Octects) et provoque un dépassement de mémoire dans Keras. Un bon compromis est entre 50 et 100.
+Avec gliss, le fichier de datas obtenu peut être très gros (quelques Giga Octects) et provoque un dépassement de mémoire dans Keras. Un bon compromis est entre 50 et 100. On transforme en fait des datas de 5 Mo en des datas de 50 Mo à quelques centaines de Mo.
 ==== Apprentissage / Test ====
-Les labels de sortie sont un array de shape=(32100, ) soit [ 0, 5, 4, 1, 2, 4, 6, ...] avec 32100 valeurs.
+  * [[https://github.com/sergeLabo/activity/blob/main/main_keras_clean_smooth.py|main_keras_clean_smooth.py]]
+Les labels de sortie sont un array de shape=(32100, ) soit\\
+[ 0\\ 5\\ 4\\ 1\\ 2\\ 4\\ 6\\ ...] avec 32100 valeurs.
 Il faut ABSOLUMENT les transformer en vecteurs "one-hot"
-[ 1 0 0 0 0 0 0]
+[ 1 0 0 0 0 0 0]\\
-[ 0 0 0 1 0 0 0]
+[ 0 0 0 1 0 0 0]\\
-[ 0 0 0 0 1 0 0]
+[ 0 0 0 0 1 0 0]\\
-[ 0 0 0 0 0 0 0]
+[ 0 0 0 0 0 0 0]\\
-[ 0 0 1 0 0 1 0]
+[ 0 0 1 0 0 0 0]\\
-[ 0 1 0 0 0 0 0]
+[ 0 1 0 0 0 0 0]\\
-[ 0 0 0 0 0 0 1]
+[ 0 0 0 0 0 0 1]\\
 ... jusqu'au 32100 ème
@@ Ligne 189: / Ligne 183: @@
 C'est le fameux projet: **[[roulez_bourrez|Roulez Bourrez]]**
+=====Vision artistique des datas d'apprentissage=====
+Du son et des images avec [[https://github.com/sergeLabo/activity/blob/main/paquet_to_image.py|paquet_to_image.py]]
+  sudo pip3 install opencv-python sounddevice
+{{ :media_01:activity_artist.png?700 |}}
 =====Autres idées=====
 La personne utilise son téléphone normalement, et ne change rien à ces habitudes.