[PYTHON] Ich möchte ein System erstellen, um zu verhindern, dass vergessen wird, den Schlüssel 1 festzuziehen

Dies ist der erste Beitrag! Ich bin bis zu einem gewissen Grad ein Anfänger, aber ich dachte plötzlich, ich möchte ein Bilderkennungssystem erstellen, das mich davor warnt, das Festziehen des Schlüssels zu vergessen.

Ich möchte es als Memorandum meiner Arbeit veröffentlichen.

Ziel

Ob dies möglich ist, ist völlig unbekannt, aber ich werde aufschreiben, was ich anstrebe.

• ** Installieren Sie die Kamera am Eingang und übertragen Sie das Schlüsselteil **
• ** Senden Sie die Daten an Ihren Computer oder Ihr Smartphone **
• ** Erhalten Sie den offenen / geschlossenen Zustand des Schlüssels durch Bilderkennung **

(Ich träume davon, es wenn möglich wie eine App aussehen zu lassen, aber ich frage mich, ob es möglich ist ...)

Diese Arbeit

Meine Träume wachsen einfach, aber ich werde nach und nach versuchen, was ich tun kann.

Das Ziel dieser Zeit ist also wie folgt.

** "Verwenden Sie opencv, um mehrere Fotos Ihres Hauseingangs in numerische Daten umzuwandeln" **

Da die Straße von Senri auch nur einen Schritt entfernt ist, würde ich es gerne versuchen, wenn auch nur ein wenig.

Ausführungsumgebung

Google Colab Notebook (Python)

Importieren Sie die erforderlichen Bibliotheken

key.py

import cv2
import numpy as np
import matplotlib.pyplot as plt
import torch

Da ich pytorch später verwenden möchte, werde ich den Datentyp torch.tensor erstellen.

Mit opencv in numerische Daten konvertieren

Wir werden einen Datensatz erstellen.

key.py

def make_datasets(path,X_data,y_data):
  img = cv2.imread(path, cv2.IMREAD_UNCHANGED).astype("float32") / 255
  img = np.array([img])
  if len(X_data)==0:
    X_data = img.copy()
  else:
    X_data = np.concatenate((X_data,img),axis=0)
  y_data = np.append(y_data, int(path[0]))
  return X_data, y_data

Jetzt können Sie ein Dataset erstellen, indem Sie den Pfad angeben. Das richtige Antwortetikett erhalten Sie, indem Sie es am Anfang des Pfadnamens der Bilddaten hinzufügen.

key.py

X_data = np.array([])  #Für Bilddaten
y_data = np.array([])  #Für korrektes Etikett#Geschlossen = 0 offen=1
path_names = ["0-1.jpg ", "1-1.jpg "]
for i in range(10):
  for path in path_names:
    X_data,y_data = make_datasets(path,X_data,y_data)
X_data,y_data = torch.tensor(X_data),torch.tensor(y_data)

Vorerst habe ich es mit zwei Bildern versucht. (~~ Es war mühsam, den Eingang viele Male zu fotografieren ~~) Der Grund, warum ich 10 Mal geloopt habe, ist, dass ich mir wünschte, ich könnte die Trainingsdaten erhöhen, indem ich die Daten danach (Zuschneiden usw.) verarbeite. Dies kann sich später ändern.

Stellen Sie sicher, dass X_data die erwarteten Abmessungen hat.

key.py

X_data.shape
## => torch.Size([20, 4032, 3024, 3])

Die Bildgröße ist zu groß für maschinelles Lernen, aber ich sollte dies später tun können ...!

Wie auch immer, ich konnte die Fotodaten erfolgreich in Tensol konvertieren!

Die Geschichte nach dem nächsten Mal

Ich habe gelernt, wie man Qiita postet und wie man MarkDown schreibt, also hoffe ich, dass ich ab dem nächsten Mal weiter posten kann.

Endlich das nächste Ziel. ** "Bringen Sie es zu dem Punkt, an dem Sie mit dem erstellten Datensatz maschinelles Lernen durchführen können" **

Entschuldigen Sie, dass ich einen Anfänger gepostet habe!