{"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\/sv\/paragon-projekt-deep-learning-arbetsassistent\/","title":{"rendered":"Paragon-projektet: Arbetsassistent f\u00f6r djupinl\u00e4rning"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

N\u00e4r det kommer till produktivitet har uppfinnare anv\u00e4nt sig av mikroprocessorer och mikrokontroller p\u00e5 en m\u00e4ngd olika s\u00e4tt. <\/p>\n\n\n\n

Denna arbetsassistent f\u00f6r djupinl\u00e4rning toppar dock listan som ett av de mest kreativa projekt vi har sett p\u00e5 l\u00e4nge!<\/p>\n\n\n\n

Detta projekt, som utvecklats av Benjamin p\u00e5 WIZnet Tillverkare<\/a>tar bilder var 5:e sekund och l\u00e4ser sedan av dem med hj\u00e4lp av AI f\u00f6r att k\u00e4nna igen arbetsm\u00f6nster.<\/p>\n\n\n\n

Benjamin har tr\u00e4nat modellen att k\u00e4nna igen n\u00e5gra av de m\u00e5nga situationer som vi alla st\u00e4lls inf\u00f6r n\u00e4r vi arbetar. Den identifierar n\u00e4r du k\u00e4nner dig normal eller d\u00e5sig eller om du g\u00e4spar. \u00c4nnu viktigare \u00e4r att den genom att skanna ditt ansikte kan se om du \u00e4r distraherad och till och med om du anv\u00e4nder din mobiltelefon.<\/p>\n\n\n\n

Med all denna information kommer du att kunna avg\u00f6ra hur produktiv du egentligen \u00e4r!<\/p>\n\n\n\n

H\u00e5rdvara<\/h2>\n\n\n\n

F\u00f6r h\u00e5rdvara valde Benjamin en modifierad Raspberry Pi Pico-klon<\/a> som utf\u00e4rdats av WIZnet tillsammans med en Arducam. <\/p>\n\n\n\n

Men du kan definitivt anv\u00e4nda en vanlig Raspberry Pi Pico med en annan kamera ist\u00e4llet om det skulle beh\u00f6vas.<\/p>\n\n\n\n

Beroende p\u00e5 hur snabbt du vill att det ska g\u00e5 kan du dessutom \u00f6verv\u00e4ga att kolla in vad en Google Korall<\/a> kan g\u00f6ra f\u00f6r att g\u00f6ra detta lopp blixtsnabbt!<\/p>\n\n\n

\n
\"\"
Kredit: Benjamin p\u00e5 WIZnet Makers<\/figcaption><\/figure>\n<\/div>\n\n\n

Men med en mikrokontroller och en kamera har du definitivt tillr\u00e4ckligt f\u00f6r att \u00e5tminstone utveckla en modifierad form av detta projekt.<\/p>\n\n\n\n

Enligt min erfarenhet \u00e4r det ofta det som g\u00f6r s\u00e5dana h\u00e4r saker s\u00e5 sp\u00e4nnande: att blanda och matcha h\u00e5rdvara kan ofta leda till nya resultat och spin-off-projekt!<\/p>\n\n\n\n

Programvara<\/h2>\n\n\n\n

Benjamin f\u00f6rlitade sig p\u00e5 CircuitPython och var v\u00e4nlig nog att publicera koden f\u00f6r detta projekt p\u00e5 GitHub<\/a>. S\u00e5 n\u00e4r du har installerat koden p\u00e5 din Pico b\u00f6r saker och ting vara ig\u00e5ng.<\/p>\n\n\n\n

Koden bygger p\u00e5 nanomodellen av Ultralytics YOLOv8<\/a>som \u00e4r en \"modell f\u00f6r objektdetektering och bildsegmentering i realtid\". Om du \u00e4r intresserad av modellstrukturen f\u00f6r YOLOv8 mer generellt kan du hitta den h\u00e4r<\/a>.<\/p>\n\n\n\n

Om du \u00e4r intresserad av att l\u00e4sa mer om djupinl\u00e4rning har min kollega Nathan skrivit ett bra inl\u00e4gg om det h\u00e4r<\/a>.<\/p>\n\n\n

\n
\"\"
Kredit: Ultralytik<\/a>.<\/figcaption><\/figure>\n<\/div>\n\n\n

Med nanomodellen av YOLOv8 k\u00f6r Benjamin allt genom en Flask-applikation f\u00f6r att spotta ut realtidsinformationen n\u00e4r den sp\u00e5rar n\u00e5gons arbetsfl\u00f6de.<\/p>\n\n\n\n

Prova sj\u00e4lv och se om du kan identifiera dina egna arbetsm\u00f6nster!<\/p>\n\n\n\n

\u00c5tminstone kommer denna djupinl\u00e4rda arbetsassistent att hj\u00e4lpa mig att besvara min livsl\u00e5nga fr\u00e5ga: Hur m\u00e5nga g\u00e5nger g\u00e4spar jag innan jag dricker min tredje kopp kaffe?<\/p>\n\n\n\n

Du kan hitta fler Paragon Projects h\u00e4r<\/a>.<\/p>\n\n\n\n

Vad skulle du g\u00f6ra med en arbetsassistent som denna?<\/p>\n