Avez-vous déjà essayé de vous agiter comme une baguette magique et d’invoquer une calculatrice? Nous devinerions de ne pas considérer que vous sembleriez probablement un peu idiot de le faire. C’est à moins que vous n’ayez [Andrei] incroyable calculatrice contrôlée par une gestes. [Andrei] pensait qu’il serait utile d’utiliser une calculatrice dans son laboratoire de recherche sans avoir à prendre ses gants et que les résultats sont assez cool.
Son matériel est constitué d’une unité de mesure de poche, d’OLED et d’une unité de mesure inertielle MPU6050 pour capturer ses mouvements à la main à l’aide d’un accéléromètre et d’un gyroscope. Le matériel est assez simple, l’appel de ce projet réside dans sa mise en œuvre de l’apprentissage du fabricant.
[Andrei] a d’abord capturé quelques exemples de données pour former son algorithme en recréant les gestes de la main pour chaque numéro, 0 à 9 et enregistrant l’accéléromètre et les sorties gyroscopiques résultants. Il a d’abord traité les données avec une transformation d’ondelettes. L’intention de la transformation était deux fois. Premièrement, la transformation lui permettait de minimiser le nombre d’échantillons dans ses jeux de données tout en préservant la forme de l’accéléromètre et des signaux de gyroscope, les caractéristiques cruciales de la classification d’apprentissage du fabricant. Deuxièmement, il a pu augmenter le nombre de fonctionnalités pour la classification considérant que la transformation d’ondelettes a entraîné une approximation et des coefficients approfondis pouvant être introduits dans l’algorithme.
Parce qu’il avait un petit jeu de données, il a utilisé la technique de Split Split stratifiée au lieu de la méthode Split Split Tre Essai qui est normalement beaucoup plus adaptée aux plus grands ensembles de données. La division de shuffle stratifiée s’est assurée autour du même nombre d’échantillons de train et de test pour chaque geste. Il était également très conscient d’optimiser son modèle pour être exécuté sur une unité de traitement portable comme la pocheGeagle. Il a passé du temps à optimiser les paramètres de son algorithme et a finalement converti son modèle en un modèle tensorflowline à l’aide de la fonction “TFLITECONVERTER” intégrée dans TENSORFLOW.
Enfin, sous la vraie source open-source, tout son code est disponible sur GitHub, alors sentez-vous gratuitement de vous y rendre. Calculatorium Leviosa!