Logiciels⚓
Matlab + support pour Raspberry
Pour la mise au point de ce projet, Matlab a été utilisé
en version 2021b sous Windows
en version 2019b sous MacOS 10.13
Le machine learning et le deep learning sont des techniques qui utilisent énormément de calculs. Les temps d'exécution peuvent donc être très longs, en particulier pour l'entraînement du réseau neuronal.
A titre d'exemple, pour un entraînement fait sur un problème simple, le temps nécessaire a été de l'ordre de
- 3/4 minutes sur un PC Windows 10 récent (processeur AMD Ryzen 5 2600X Six-Core, 16Go RAM)
- 14 minutes sur un Macbook pro "ancien" (mid-2012 / disque SSD / 32Go RAM)
Il peut donc être pertinent de faire un test sur les les PC disponibles au lycée pour valider la faisabilité du projet.
Le temps de calcul est une donnée qui fait partie du projet, les élèves devront donc apprendre à gérer cette contrainte qui impliquera de
bien relire et vérifier son code avant de lancer l'exécution
planifier le travail en fonction de l'emploi du temps. Par exemple, lancer un calcul avant une pause.
Mettre à profit le temps de calcul pour avancer sur d'autres points du projet, rédiger le journal de bord etc.
Simulink
Simulink sera utilisé, ainsi que le support package pour Raspberry.
Matériels⚓
Raspberry Pi
Pour le déploiement, j'ai utilisé une carte Raspberry Pi, de préférence une Pi 4 pour avoir de meilleurs performances (flux vidéo, calcul de la classification.
Caméra
Le projet a été mis au point avec un module caméra Raspberry Pi. Une autre caméra type USB ou port natif peut tout à fait convenir.
Attention : Branchements de la Raspberry
Pour ce projet, la Raspberry doit être équipé d'un écran / clavier / souris car la distribution Matlab est une version avec Desktop et même si il est possible de se connecter à distance en SSH, pour voir la caméra on aura besoin de l'écran.
Attention contrairement à la Pi3 la Pi 4 a un connecteur micro-HDMI ! (et pour l'alimentation elle a un port USB-C et non plus micro-USB).