{"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\/pt\/paragon-project-deep-learning-work-assistant\/","title":{"rendered":"Projeto Paragon: Assistente de trabalho de aprendizagem profunda"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

No que diz respeito \u00e0 produtividade, os t\u00e9cnicos t\u00eam utilizado microprocessadores e microcontroladores de v\u00e1rias formas. <\/p>\n\n\n\n

No entanto, este assistente de trabalho de aprendizagem profunda est\u00e1 no topo da lista como um dos projectos mais criativos que vimos em muito tempo!<\/p>\n\n\n\n

Este projeto, desenvolvido por Benjamin na Criadores da WIZnet<\/a>O sistema, que tira fotografias de 5 em 5 segundos, l\u00ea-as atrav\u00e9s da IA para reconhecer padr\u00f5es de trabalho.<\/p>\n\n\n\n

Benjamin treinou o modelo para reconhecer algumas das muitas situa\u00e7\u00f5es que todos n\u00f3s enfrentamos quando estamos a trabalhar. Identifica quando nos sentimos normais ou sonolentos ou se bocejamos. Mais importante ainda, ao analisar o seu rosto, pode dizer se est\u00e1 distra\u00eddo e at\u00e9 se est\u00e1 a usar o telem\u00f3vel.<\/p>\n\n\n\n

Com toda esta informa\u00e7\u00e3o, poder\u00e1 determinar o grau de produtividade que est\u00e1 realmente a ter!<\/p>\n\n\n\n

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

Para o Hardware, Benjamin optou por um clone Raspberry Pi Pico modificado<\/a> lan\u00e7ado pela WIZnet juntamente com um Arducam. <\/p>\n\n\n\n

No entanto, se necess\u00e1rio, \u00e9 poss\u00edvel utilizar um Raspberry Pi Pico normal com outra c\u00e2mara.<\/p>\n\n\n\n

Al\u00e9m disso, dependendo da rapidez com que pretende que isto funcione, pode considerar verificar o que um Google Coral<\/a> poderia fazer para fazer esta corrida \u00e0 velocidade da luz!<\/p>\n\n\n

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

Mas com um microcontrolador e uma c\u00e2mara, ter\u00e1 certamente o suficiente para desenvolver, no m\u00ednimo, uma forma modificada deste projeto.<\/p>\n\n\n\n

Na minha experi\u00eancia, \u00e9 muitas vezes isso que torna algo assim t\u00e3o excitante: misturar e combinar hardware pode muitas vezes dar origem a novos resultados e projectos derivados!<\/p>\n\n\n\n

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

Confiando no CircuitPython, Benjamin teve a gentileza de publicar o c\u00f3digo deste projeto em GitHub<\/a>. Assim que instalares esse c\u00f3digo no teu Pico, as coisas devem estar a funcionar.<\/p>\n\n\n\n

O c\u00f3digo baseia-se no modelo nano de Ultralytics YOLOv8<\/a>que \u00e9 um \"modelo de dete\u00e7\u00e3o de objectos e segmenta\u00e7\u00e3o de imagens em tempo real\". Se estiver interessado na estrutura do modelo do YOLOv8 em termos mais gerais, pode encontr\u00e1-la aqui<\/a>.<\/p>\n\n\n\n

Entretanto, se estiver interessado em ler mais sobre a aprendizagem profunda, o meu colega Nathan escreveu um excelente post sobre o assunto aqui<\/a>.<\/p>\n\n\n

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

Com o modelo nano do YOLOv8, Benjamin passa tudo por uma aplica\u00e7\u00e3o Flask para obter informa\u00e7\u00f5es em tempo real \u00e0 medida que acompanha o fluxo de trabalho de algu\u00e9m.<\/p>\n\n\n\n

Experimente voc\u00ea mesmo e veja se consegue identificar os seus pr\u00f3prios padr\u00f5es de trabalho!<\/p>\n\n\n\n

Pelo menos, este assistente de trabalho de aprendizagem profunda ajudar\u00e1 a responder \u00e0 minha pergunta de sempre: Quantas vezes bocejo antes da minha terceira ch\u00e1vena de caf\u00e9?<\/p>\n\n\n\n

Pode encontrar mais projectos Paragon aqui<\/a>.<\/p>\n\n\n\n

O que \u00e9 que faria com um assistente de trabalho como este?<\/p>\n