Робот-садовник с огнеметом, поиск какашек в саду и странный подкаст, вызывающий сонливость. Ваш Python хочет повеселиться, так что дерзайте!
Слова Яна Стрмиска
Сегодня машинное обучение — одно из самых популярных приложений информатики. И магия в том, что он становится все более и более доступным для всех (кто знает, что делает) благодаря облачным решениям, предварительно обученным моделям, библиотекам с открытым исходным кодом и синтетическим данным. Вы можете обучить свою модель работающему программному обеспечению за несколько часов. И, конечно же, эти великолепные возможности открывают пространство для творчества и безделья специалистов по обработке и анализу данных и программистов, о которых еще несколько лет назад не могло быть и речи. Мы выбрали для вас одни из самых сумасшедших современных приложений для обработки данных в стиле «сделай сам». Получайте удовольствие и учитесь.
Машинное обучение, которое поможет вам избавиться от привычки тренироваться
Может быть, это временная иллюзия, но на компьютере время просто течет по-другому. Ты даже не замечаешь, и минута вдруг становится часами и днями. Но наши тела не созданы для того, чтобы сидеть перед компьютером. Поэтому Виктор Сонк решил изменить свой рабочий ритм. Напоминания будильника не совсем то же самое. Вздремнуть, вздремнуть, вздремнуть… вы сами это знаете.
Виктор разработал программу, которая блокирует экран компьютера через равные промежутки времени и разблокирует его, только если он сделает 5 отжиманий. Он использовал Raspberry Pi с прикрепленной к нему веб-камерой, чтобы распознавать отжимания. Но оказалось, что одной мощности микрокомпьютера недостаточно, так как ему нужно было обрабатывать большие объемы необработанных данных изображения.
Поэтому он сделал это, засняв все с помощью 4K-камеры Luxonis OAK-1, которая имеет встроенный процессор машинного обучения (и работает на той же нейронной сети, что и OAK-D). На него можно установить всевозможные системы распознавания изображений, включая предварительно обученную Blazepose от MediaPipe, которая умеет распознавать положение человека на изображении. OAK-1 отправляет результаты в виде серии координат (которые описывают положение головы, туловища и конечностей человека) на Raspberry Pi через USB. Затем на Pi запускается вторая модель машинного обучения. Это анализирует предварительно обработанный набор данных и распознает отжимания. Пора тренироваться, ленивая задница!
Садовый робот с огнеметом (Ultimate Weed Killing Robot)
Дэйв Нивински из Канады обратился к другой проблеме. В свободное время он хотел наслаждаться своим садом, а не избавляться от сорняков вручную. Дэйв, вероятно, никогда не слышал о Хорнбахе, поэтому единственное логичное решение пришло ему в голову: «Мне нужно построить гусеничного робота с огнеметом, автономно управляемым ИИ, чтобы сжигать сорняки». Разумная идея.
Все устройство установлено в бункере Agile-X Robotics. Огнемет приводится в движение шестиосевой рукой Kinova Robots Gen 3. Все это управляется через коробку Connect Tech Rudi-NX, мозг вычислительного движка Nvidia Jetson Xavier NX Edge AI. Дэйв решил проблему распознавания сорняков, сначала сняв детали травы и сорняков, а затем дополнив их предварительно обученными моделями RoboFlow. Фактическое обучение ИИ было написано на Python с использованием Google Collaboratory на основе Jupyter Notebook. Главное чудо Collaboratory заключается в том, что оно дает вам прямой и бесплатный доступ к графическим процессорам в облаке. Таким образом, вам не обязательно иметь дома очень дорогой аппаратный графический процессор.
Если, возможно, вам захочется сжечь несколько одуванчиков, вы можете найти программное обеспечение Дейва на WeedBot GitHub. И будьте осторожны; во время принятия солнечных ванн лучше не засыпать.
Распознавание собачьих какашек ИИ
Калеб Олсон — наш любимый изобретатель машинного обучения. В этом случае он решил идентифицировать нежелательные какашки в своем саду от своей собаки Твинки — с помощью камеры и системы обнаружения изображений с искусственным интеллектом. Но совершенно иначе, чем вы думаете.
Калеб не был полностью удовлетворен тем, что просто искал коричневые комочки на картинке. Он решил научить свою систему распознавать типичную позу какания своей собаки. Затем на онлайн-карте отображаются вероятные точки с локализованными целями. Калеб использовал DeepLabCut для анализа положения животного. Это метод с открытым исходным кодом, работающий на Python. Он предназначен для оценки положения без маркеров в 2D и 3D и, конечно же, основан на глубоком обучении нейронной сети.
Но это не все. Калеб сначала просто увидел какашки в режиме реального времени на сайте и пошел забирать их по карте на своем телефоне. Позже он усовершенствовал свое программное обеспечение, добавив в систему дешевую роботизированную руку, к которой прикрепил лазерную указку. Таким образом, используя OpenCV, он смог нацелить светящуюся зеленую точку на каждый экскремент. Кроме того, его код оптимизирует маршрут прогулки, поэтому он не бегает туда-сюда по саду.
Да, и поскольку Калеб — перфекционист, он применил к себе тот же алгоритм, который распознает поведение Твинки. Система распознает, когда Калеб опускается, чтобы какать, а затем стирает позицию какашки из базы данных, потому что знает, что ее подняли. Блестящий. :-)
Подкаст о сне, созданный компьютером
Ставрос Корокитакис любит засыпать под сказки. Итак, с помощью машинного обучения он создал систему, которая генерирует слегка бессвязные и сюрреалистичные сказки и зачитывает их синтетическим голосом. В проекте используется генерация языка OpenAI GPT-3 для создания контента, который звучит достаточно осмысленно, но недостаточно для создания реального сюжета. Идеально подходит для засыпания.
Ставрос действительно поиграл с системой, в том числе создавая эффектные паузы в нужных местах, используя фоновую музыку, а также затухая и усиливая звук. Для этого он использовал pydub, библиотеку Python для управления звуком.
Вы можете найти код на GitHub здесь, а если вы хотите послушать настоящий подкаст Dada Fairy AI, нажмите здесь.
Система, которая использует ИИ для распознавания изображений, чтобы определить, когда ребенок голоден
И еще раз Калеб Олсон. На этот раз вместо собаки он решил следить за собственным потомством. Он создал что-то вроде радионяни, но на гораздо более сложном уровне. Он снова использовал распознавание положения тела и распознавание выражения лица, и на этот раз он использовал Библиотеку Google Media Pipe.
Калеб также отслеживает движения губ, отказ от соски, сжатие кулаков и другие маркеры в своей системе. В тот момент, когда система определяет, что голод неизбежен, Калеб получает текстовое сообщение и таким образом избегает плача ребенка. Прогресс и воспитание в лучшем виде!
