{"id":4415,"date":"2023-07-26T14:29:47","date_gmt":"2023-07-26T14:29:47","guid":{"rendered":"https:\/\/picockpit.com\/raspberry-pi\/?p=4415"},"modified":"2023-10-02T12:51:55","modified_gmt":"2023-10-02T12:51:55","slug":"paragon-project-deep-learning-work-assistant","status":"publish","type":"post","link":"https:\/\/picockpit.com\/raspberry-pi\/es\/paragon-project-deep-learning-work-assistant\/","title":{"rendered":"Proyecto Paragon: Asistente de trabajo de aprendizaje profundo"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

Los microprocesadores y microcontroladores se han utilizado de muchas formas para aumentar la productividad. <\/p>\n\n\n\n

Sin embargo, este asistente de trabajo de aprendizaje profundo encabeza la lista como uno de los proyectos m\u00e1s creativos que hemos visto en mucho tiempo.<\/p>\n\n\n\n

Este proyecto, desarrollado por Benjamin en Creadores de WIZnet<\/a>, toma fotos cada 5 segundos y luego las lee mediante IA para reconocer patrones de trabajo.<\/p>\n\n\n\n

Benjamin ha entrenado al modelo para que reconozca algunas de las muchas situaciones a las que todos nos enfrentamos cuando trabajamos. Identifica cu\u00e1ndo te sientes normal o somnoliento o si bostezas. Y lo que es m\u00e1s importante, al escanear tu cara, puede decirte si est\u00e1s distra\u00eddo e incluso si est\u00e1s usando el m\u00f3vil.<\/p>\n\n\n\n

Con toda esta informaci\u00f3n, podr\u00e1s determinar hasta qu\u00e9 punto est\u00e1s siendo realmente productivo.<\/p>\n\n\n\n

Hardware<\/h2>\n\n\n\n

Para el hardware, Benjamin eligi\u00f3 un clon modificado de Raspberry Pi Pico<\/a> publicado por WIZnet junto con un Arducam. <\/p>\n\n\n\n

Sin embargo, definitivamente se podr\u00eda utilizar una Raspberry Pi Pico est\u00e1ndar con otra c\u00e1mara en su lugar si es necesario.<\/p>\n\n\n\n

Adem\u00e1s, dependiendo de la velocidad a la que quieras que funcione, podr\u00edas considerar comprobar qu\u00e9 es un Google Coral<\/a> \u00a1podr\u00eda hacer en hacer esta carrera a la velocidad del rayo!<\/p>\n\n\n

\n
\"\"
Cr\u00e9dito: Benjamin en WIZnet Makers<\/figcaption><\/figure>\n<\/div>\n\n\n

Pero con un microcontrolador y una c\u00e1mara, sin duda tendr\u00e1s suficiente para desarrollar una forma modificada de este proyecto como m\u00ednimo.<\/p>\n\n\n\n

En mi experiencia, eso es lo que hace que algo as\u00ed sea tan emocionante: mezclar y combinar herrajes puede dar lugar a nuevos resultados y proyectos derivados.<\/p>\n\n\n\n

Software<\/h2>\n\n\n\n

Apoy\u00e1ndose en CircuitPython, Benjamin tuvo la amabilidad de publicar el c\u00f3digo de este proyecto en GitHub<\/a>. As\u00ed que una vez que instales ese c\u00f3digo en tu Pico, las cosas deber\u00edan estar listas y funcionando.<\/p>\n\n\n\n

El c\u00f3digo se basa en el modelo nano de Ultralytics YOLOv8<\/a>que es un \"modelo de detecci\u00f3n de objetos y segmentaci\u00f3n de im\u00e1genes en tiempo real\". Si est\u00e1 interesado en la estructura del modelo de YOLOv8 de forma m\u00e1s general, puede encontrarla en aqu\u00ed<\/a>.<\/p>\n\n\n\n

Mientras tanto, si te interesa leer m\u00e1s sobre el aprendizaje profundo, mi colega Nathan ha escrito un estupendo post sobre el tema aqu\u00ed<\/a>.<\/p>\n\n\n

\n
\"\"
Cr\u00e9dito: Ultralytics<\/a>.<\/figcaption><\/figure>\n<\/div>\n\n\n

Con el modelo nano de YOLOv8, Benjamin ejecuta todo a trav\u00e9s de una aplicaci\u00f3n Flask para escupir la informaci\u00f3n en tiempo real a medida que rastrea el flujo de trabajo de alguien.<\/p>\n\n\n\n

Pru\u00e9belo usted mismo y vea si puede identificar sus propios patrones de trabajo.<\/p>\n\n\n\n

Al menos este asistente de trabajo de aprendizaje profundo ayudar\u00e1 a responder a mi pregunta de toda la vida: \u00bfCu\u00e1ntas veces bostezo antes de mi tercera taza de caf\u00e9?<\/p>\n\n\n\n

Encontrar\u00e1 m\u00e1s proyectos de Paragon aqu\u00ed<\/a>.<\/p>\n\n\n\n

\u00bfQu\u00e9 har\u00edas con un asistente de trabajo como \u00e9ste?<\/p>\n