{"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\/it\/paragon-project-deep-learning-work-assistant\/","title":{"rendered":"Progetto Paragon: Assistente di lavoro per l'apprendimento profondo"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

Per quanto riguarda la produttivit\u00e0, i tinker hanno utilizzato microprocessori e microcontrollori in vari modi. <\/p>\n\n\n\n

Tuttavia, questo assistente di lavoro per l'apprendimento profondo \u00e8 in cima alla lista dei progetti pi\u00f9 creativi che abbiamo visto da molto tempo a questa parte!<\/p>\n\n\n\n

Questo progetto, sviluppato da Benjamin su Creatori WIZnet<\/a>, scattano foto ogni 5 secondi e poi le leggono attraverso l'intelligenza artificiale per riconoscere i modelli di lavoro.<\/p>\n\n\n\n

Benjamin ha addestrato il modello a riconoscere alcune delle numerose situazioni che tutti noi affrontiamo quando lavoriamo. Identifica quando ci si sente normali o sonnolenti o se si sbadiglia. Ma soprattutto, scansionando il viso, \u00e8 in grado di capire se si \u00e8 distratti e persino se si sta usando il cellulare.<\/p>\n\n\n\n

Con tutte queste informazioni, sarete in grado di determinare quanto siete realmente produttivi!<\/p>\n\n\n\n

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

Per l'Hardware, Benjamin ha scelto un clone modificato di Raspberry Pi Pico<\/a> messo in commercio da WIZnet insieme a un Arducam. <\/p>\n\n\n\n

Tuttavia, se necessario, \u00e8 possibile utilizzare un Raspberry Pi Pico standard con un'altra telecamera.<\/p>\n\n\n\n

Inoltre, a seconda della velocit\u00e0 che si vuole ottenere, si potrebbe prendere in considerazione l'idea di controllare il funzionamento di un Google Coral<\/a> potrebbe fare nel fare questa gara alla velocit\u00e0 della luce!<\/p>\n\n\n

\n
\"\"
Credito: Benjamin di WIZnet Makers<\/figcaption><\/figure>\n<\/div>\n\n\n

Ma con un microcontrollore e una fotocamera, avrete sicuramente abbastanza per sviluppare almeno una forma modificata di questo progetto.<\/p>\n\n\n\n

Secondo la mia esperienza, spesso \u00e8 proprio questo che rende cos\u00ec eccitante un'operazione del genere: mescolare e abbinare la ferramenta pu\u00f2 spesso dare vita a nuovi risultati e a progetti collaterali!<\/p>\n\n\n\n

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

Affidandosi a CircuitPython, Benjamin \u00e8 stato cos\u00ec gentile da pubblicare il codice di questo progetto su GitHub<\/a>. Quindi, una volta installato il codice su Pico, le cose dovrebbero essere pronte e funzionanti.<\/p>\n\n\n\n

Il codice si basa sul modello nano di Ultralitici YOLOv8<\/a>che \u00e8 un \"modello di rilevamento degli oggetti e di segmentazione delle immagini in tempo reale\". Se siete interessati alla struttura del modello di YOLOv8 pi\u00f9 in generale, potete trovarla qui<\/a>.<\/p>\n\n\n\n

Nel frattempo, se siete interessati a saperne di pi\u00f9 sul deep learning, il mio collega Nathan ha scritto un ottimo post sull'argomento. qui<\/a>.<\/p>\n\n\n

\n
\"\"
Credito: Ultralitica<\/a>.<\/figcaption><\/figure>\n<\/div>\n\n\n

Con il modello nano di YOLOv8, Benjamin fa passare tutto attraverso un'applicazione Flask per fornire informazioni in tempo reale mentre segue il flusso di lavoro di una persona.<\/p>\n\n\n\n

Provate voi stessi e vedete se riuscite a identificare i vostri modelli di lavoro!<\/p>\n\n\n\n

Almeno questo assistente di lavoro per il deep learning aiuter\u00e0 a rispondere alla mia domanda di sempre: Quante volte sbadiglio prima della terza tazza di caff\u00e8?<\/p>\n\n\n\n

Potete trovare altri progetti Paragon qui<\/a>.<\/p>\n\n\n\n

Cosa fareste con un assistente di lavoro come questo?<\/p>\n