10月, 2019 - 流行の科学技術を勝手に追いかけるブログ人工知能仮想現実ブロックチェーン

Web Application: 第１１回　HTMLにTensorFlowを連動させる

やっていきましょう　(´・ω・`)これで一旦終わりにします。

views.py

from django.shortcuts import render
from django.shortcuts import redirect # 追加

# Httpレスポンスをするためのモジュール
from django.http import HttpResponse

# テンプレートファイルを読み込む
from django.template import loader

# forms.pyで定義したPhotoFormクラスを呼び出す
from .forms import PhotoForm

# models.pyで定義したPhotoクラスを呼び出す
from .models import Photo #追加


def index(request):
    # webサイトのindex.html に相当する部分
    # 構造がとても複雑だが、こういうものだと諦めること。
    # 引数としてrequestを受け取る

    # index.htmlを読み込み
    # オブジェクトtemplateを定義する
    template = loader.get_template('carbike/index.html') #追加

    # forms.pyのクラスPhotoFormのインスタンスを作成して、
    # ディクショナリcontextを定義しておく。
    context = {'form':PhotoForm()}

    # オブジェクトtemplateのrender関数に
    # フォームcontextと引数requestを入れて
    # HttpResponseを返す
    return HttpResponse(template.render(context, request)) 

def predict(request):
    # POSTでなければindexへ強制遷移します。
    if not request.method =='POST':
        # return なにも返さない
        print("redirect('carbike:index')が動きます")
        redirect('carbike:index')
    
    # < これ以降はPOSTでデータが取得できている状態 >

    # PhotoFormインスタンスを作成する
    form = PhotoForm(request.POST, request.FILES)

    # 念の為、データが空だったらエラーを返す
    if not form.is_valid():
        raise ValueError('Formが不正です')
    
    # 変数Photo に　画像データを格納する。
    # （別途Photoクラスを作成する必要がある。models.py参照）
    photo = Photo(image=form.cleaned_data['image'])
    print("変数photoにPhoto(image=form.cleaned_data['image'])を格納完了")
    print(photo)

    # 判断結果のリターンをmodels.pyのpredictメソドから取得する
    predicted, percentage = photo.predict()

    # 表示する内容
    template = loader.get_template('carbike/result.html')

    context = {
        'photo_name': photo.image.name,
        'photo_data': photo.image_src(),
        'predicted': predicted,
        'percentage': percentage,
    }

    return HttpResponse(template.render(context, request))

from django.shortcuts import render

from django.shortcuts import redirect # 追加

# Httpレスポンスをするためのモジュール

from django.http import HttpResponse

# テンプレートファイルを読み込む

from django.template import loader

# forms.pyで定義したPhotoFormクラスを呼び出す

from .forms import PhotoForm

# models.pyで定義したPhotoクラスを呼び出す

from .models import Photo #追加

def index(request):

# webサイトのindex.html に相当する部分

# 構造がとても複雑だが、こういうものだと諦めること。

# 引数としてrequestを受け取る

# index.htmlを読み込み

# オブジェクトtemplateを定義する

template = loader.get_template('carbike/index.html') #追加

# forms.pyのクラスPhotoFormのインスタンスを作成して、

# ディクショナリcontextを定義しておく。

context = {'form':PhotoForm()}

# オブジェクトtemplateのrender関数に

# フォームcontextと引数requestを入れて

# HttpResponseを返す

return HttpResponse(template.render(context, request))

def predict(request):

# POSTでなければindexへ強制遷移します。

if not request.method =='POST':

# return なにも返さない

print("redirect('carbike:index')が動きます")

redirect('carbike:index')

# < これ以降はPOSTでデータが取得できている状態 >

# PhotoFormインスタンスを作成する

form = PhotoForm(request.POST, request.FILES)

# 念の為、データが空だったらエラーを返す

if not form.is_valid():

raise ValueError('Formが不正です')

# 変数Photo に　画像データを格納する。

# （別途Photoクラスを作成する必要がある。models.py参照）

photo = Photo(image=form.cleaned_data['image'])

print("変数photoにPhoto(image=form.cleaned_data['image'])を格納完了")

print(photo)

# 判断結果のリターンをmodels.pyのpredictメソドから取得する

predicted, percentage = photo.predict()

# 表示する内容

template = loader.get_template('carbike/result.html')

context = {

'photo_name': photo.image.name,

'photo_data': photo.image_src(),

'predicted': predicted,

'percentage': percentage,

}

return HttpResponse(template.render(context, request))

form.py

# フォームを生成するモジュール
from django import forms

class PhotoForm(forms.Form):
    # 画像をアップロードする機能
    image = forms.ImageField(widget=forms.FileInput(attrs={'class':'custom-file-input'}))

# フォームを生成するモジュール

from django import forms

class PhotoForm(forms.Form):

# 画像をアップロードする機能

image = forms.ImageField(widget=forms.FileInput(attrs={'class':'custom-file-input'}))

model.py

from django.db import models

# Create your models here.

import numpy as np #tfよりも先に行っておく

# 追加モジュール
import io, base64 #画像ファイルを数値に変換　ブラウザへ画像を戻す
import tensorflow as tf #追加

# vgg16_predict.pyからモジュールをコピペ
import numpy as np
from PIL import Image
import sys

from tensorflow import keras
from tensorflow.keras.models import load_model

# 推論するセッションの初期化を行っておく
graph = tf.get_default_graph()

class Photo(models.Model):
    # models.Modelを拡張してPhotoクラスを作成する

    # 画像データをアップロードするディレクトリを指定する
    # myproject直下に /media/photos　の２階層ディレクトリを新規作成すこと。
    image = models.ImageField(upload_to='photos')

    # < vgg16 パラメータ >
    # 画像サイズ
    IMAGE_SIZE = 224 

    # モデルファイルを読み込む（別途フォルダ作成が必要）
    # ./car_motorbike/ml_models/vgg16_trans.h5 を作成しておくこと。
    MODEL_FILE_PATH = './car_motorbike/ml_models/vgg16_trans.h5' 
    print('モデルファイルパス読み込み完了')

    # vgg16_predict.pyからコピペ
    # 出力結果のクラスを定義
    classes = ["car", "motorbike"]
    num_classes = len(classes) # クラス数を定義

    def predict(self):
        print('Photo.predictメソド開始')

        # 引数から画像ファイルを参照して読み込む
        # クラスメソドとして定義してあげる
        
        # モデルの初期化
        model = None

        # 毎回同じモデルのセッションにデータを投入するためグローバル変数とする
        global graph
        
        with graph.as_default():

            # 予め定義しておいたMODEL_FILE_PATH からモデルを定義できるようにする
            model = load_model(self.MODEL_FILE_PATH) 

            # 画像データを格納する
            img_data = self.image.read()

            # 画像データをメモリ上に保持して、ファイルのようにアクセスできるよう、
            # バイナリデータに変換する
            img_bin = io.BytesIO(img_data)
            
            # pillow の Imageでバイナリデータを開く
            image = Image.open(img_bin)
       
            # 以下、vgg16_predict.pyからコピペ

            # 画像サイズを定義（VGG16に合うように）
            # image_size = 224 クラスとして定義済み

            # 画像ファイルをコマンドラインの第２引数から開く
            # 今回はimag_binから開くので不要
            # image = Image.open(sys.argv[1]) 

            # 画像ファイルをRGBに変換する
            image = image.convert('RGB')

            # 画像を同じサイズに揃える
            # image = image.resize((image_size, image_size))
            image = image.resize((self.IMAGE_SIZE, self.IMAGE_SIZE))

            # RGB値をnumpy配列に変換する 
            data = np.asarray(image)

            # データを正規化する
            data = data / 255.0

            # リストにappendしてnumpy配列にする
            X = []
            X.append(data)
            X = np.array(X)

            # VGG16_transモデルをロードする
            # model = load_model('./vgg16_trans.h5') すでに上記で行っているので不要

            # VGG16_transモデルにデータを入れて予測結果を返す
            # スコアが配列で帰ってくるので[0]番目をつける
            result = model.predict([X])[0] 

            # 最も大きい数字を採用する
            predicted = result.argmax()
            percentage = int(result[predicted] * 100)

            # プリントする
            print(self.classes[predicted], percentage)

            # 判断結果とパーセンテージをreturnする
            return self.classes[predicted], percentage

    def image_src(self):
        # views.pyの 'photo_data': photo.image.src() へ連動させる
        with self.image.open() as img:
            base64_img = base64.b64encode(img.read()).decode()
            return 'data:' + img.file.content_type + ';base64,' + base64_img

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

from django.db import models

# Create your models here.

import numpy as np #tfよりも先に行っておく

# 追加モジュール

import io, base64 #画像ファイルを数値に変換　ブラウザへ画像を戻す

import tensorflow as tf #追加

# vgg16_predict.pyからモジュールをコピペ

import numpy as np

from PIL import Image

import sys

from tensorflow import keras

from tensorflow.keras.models import load_model

# 推論するセッションの初期化を行っておく

graph = tf.get_default_graph()

class Photo(models.Model):

# models.Modelを拡張してPhotoクラスを作成する

# 画像データをアップロードするディレクトリを指定する

# myproject直下に /media/photos　の２階層ディレクトリを新規作成すこと。

image = models.ImageField(upload_to='photos')

# < vgg16 パラメータ >

# 画像サイズ

IMAGE_SIZE = 224

# モデルファイルを読み込む（別途フォルダ作成が必要）

# ./car_motorbike/ml_models/vgg16_trans.h5 を作成しておくこと。

MODEL_FILE_PATH = './car_motorbike/ml_models/vgg16_trans.h5'

print('モデルファイルパス読み込み完了')

# vgg16_predict.pyからコピペ

# 出力結果のクラスを定義

classes = ["car", "motorbike"]

num_classes = len(classes) # クラス数を定義

def predict(self):

print('Photo.predictメソド開始')

# 引数から画像ファイルを参照して読み込む

# クラスメソドとして定義してあげる

# モデルの初期化

model = None

# 毎回同じモデルのセッションにデータを投入するためグローバル変数とする

global graph

with graph.as_default():

# 予め定義しておいたMODEL_FILE_PATH からモデルを定義できるようにする

model = load_model(self.MODEL_FILE_PATH)

# 画像データを格納する

img_data = self.image.read()

# 画像データをメモリ上に保持して、ファイルのようにアクセスできるよう、

# バイナリデータに変換する

img_bin = io.BytesIO(img_data)

# pillow の Imageでバイナリデータを開く

image = Image.open(img_bin)

# 以下、vgg16_predict.pyからコピペ

# 画像サイズを定義（VGG16に合うように）

# image_size = 224 クラスとして定義済み

# 画像ファイルをコマンドラインの第２引数から開く

# 今回はimag_binから開くので不要

# image = Image.open(sys.argv[1])

# 画像ファイルをRGBに変換する

image = image.convert('RGB')

# 画像を同じサイズに揃える

# image = image.resize((image_size, image_size))

image = image.resize((self.IMAGE_SIZE, self.IMAGE_SIZE))

# RGB値をnumpy配列に変換する

data = np.asarray(image)

# データを正規化する

data = data / 255.0

# リストにappendしてnumpy配列にする

X = []

X.append(data)

X = np.array(X)

# VGG16_transモデルをロードする

# model = load_model('./vgg16_trans.h5') すでに上記で行っているので不要

# VGG16_transモデルにデータを入れて予測結果を返す

# スコアが配列で帰ってくるので[0]番目をつける

result = model.predict([X])[0]

# 最も大きい数字を採用する

predicted = result.argmax()

percentage = int(result[predicted] * 100)

# プリントする

print(self.classes[predicted], percentage)

# 判断結果とパーセンテージをreturnする

return self.classes[predicted], percentage

def image_src(self):

# views.pyの 'photo_data': photo.image.src() へ連動させる

with self.image.open() as img:

base64_img = base64.b64encode(img.read()).decode()

return 'data:' + img.file.content_type + ';base64,' + base64_img

result.html

<!-- リザルトページを作成します。-->

<!-- テンプレートであるbase.htmlに対して　拡張する宣言をします。-->
{% extends 'carbike/base.html' %}

<!-- タイトル title をbase.htmlに埋め込みます。-->
{% block title %}判定結果{% endblock %}

<!-- 内容 content　をbase.htmlに埋め込みます。-->
{% block content %}
<div>
    <!-- classはbootstrap記法で文字間の調整になる
        mtマージントップ mb マージンボトム 境界線底部 -->
    <h4 class="mt-4 mb-5 border-bottom">車とバイクを判別します。</h4>

    <!-- 判別結果と推定確率のテーブルを設置する -->

    <table class='table'>
        <tbody>
            <tr>
                <td>ファイル名</td>
                <td>{{ photo_name }}</td>
            </tr>
            <tr>
                <td>画像ファイル</td>
                <td><img class='preview-img' src={{ photo_data }}></img></td>
            </tr>
            <tr>
                <td>推定ラベル</td>
                <td>{{ predicted }} </td>
            </tr>
            <tr>
                <td>推定確率</td>
                <td>{{ percentage }} %</td>
            </tr>
        </tbody>
    </table>

    <!-- 戻るボタンを設置する -->
    <a href="{% url 'carbike:index' %}" class="btn btn-primary">画像選択メニューに戻る</a>
 
</div>
{% endblock %}

{% extends 'carbike/base.html' %}

{% block title %}判定結果{% endblock %}

{% block content %}

<div>

<!-- classはbootstrap記法で文字間の調整になる

mtマージントップ mb マージンボトム境界線底部 -->

<h4 class="mt-4 mb-5 border-bottom">車とバイクを判別します。</h4>

<tbody>

<tr>

<td>ファイル名</td>

<td>{{ photo_name }}</td>

</tr>

<tr>

<td>画像ファイル</td>

</tr>

<tr>

<td>推定ラベル</td>

<td>{{ predicted }} </td>

</tr>

<tr>

<td>{{ percentage }} %</td>

</tr>

</tbody>

</table>

<a href="{% url 'carbike:index' %}" class="btn btn-primary">画像選択メニューに戻る</a>

</div>

{% endblock %}

実行してみる

conda activate djangoai

cd anaconda_projects

cd djangoai

cd myproject

pythin manage.py runserver

url:http://127.0.0.1:8000/carbike

おわり

いやー疲れました、djangoは難しい。小さなアプリでも多くのファイル間を連携させないと動いてくれないんですね。

今後は、マッチングアプリや遠隔監視カメラなんてものを作ってみたいと思います。

IOT:加速度センサMPU-6050をラズパイ pythonで動かしてみる（２）

前回は、数値の出力まででしたので、今回はリアルタイムプロットに挑戦します。

グラフ付きスクリプト

# -*- coding: utf-8 -*-

import smbus
import math
from time import sleep
from time import perf_counter
import time
import matplotlib.pyplot as plt

#mpu6050のデバイスアドレス（決まっている）
DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b
ACCEL_YOUT = 0x3d
ACCEL_ZOUT = 0x3f
TEMP_OUT = 0x41
GYRO_XOUT = 0x43
GYRO_YOUT = 0x45
GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b
PWR_MGMT_2 = 0x6c   

# sudo i2cdetect 0 : Error: Could not open file `/dev/i2c-0' or `/dev/i2c/0'
# sudo i2cdetect 1 : I will probe file /dev/i2c-1
# エラーの出ない方がバス番号(0 か 1)
# コネクションオブジェクトを取得
bus = smbus.SMBus(1)

# write_byte_data(アドレス, コマンド, 1バイトの値)
# スリープを解除 多分（最初はスリープしている）
bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

# make plot
times = [0 for i in range(60)]
axs = [0 for i in range(60)]

time = 0
ax = 0

# initialize matplotlib
plt.ion()
plt.figure()
li_x, = plt.plot(times, axs) # need " , "
#li_y, = plt.plot(times, ays) # need " , "
#li_z, = plt.plot(times, azs) # need " , "

#plt.xlim(-1,1)
plt.ylim(-2,2)
plt.xlabel("time")
plt.ylabel("ax,ay,az")
plt.title("ax,ay,az real time plot")


def read_word(adr):
    
    high = bus.read_byte_data(DEV_ADDR, adr)
    low = bus.read_byte_data(DEV_ADDR, adr+1)
    val = (high << 8) + low
    return val

def read_word_sensor(adr):
    #２バイトデータから　１ワードデータへデコードする
    val = read_word(adr)
    if (val >= 0x8000):  return -((65535 - val) + 1)
    else:  return val

def get_temp():
    # 温度を算出する
    temp = read_word_sensor(TEMP_OUT)
    x = temp / 340 + 36.53      # data sheet(register map)記載の計算式.
    return x

def getGyro():
    # ３軸 角速度を算出する
    x = read_word_sensor(GYRO_XOUT)/ 131.0
    y = read_word_sensor(GYRO_YOUT)/ 131.0
    z = read_word_sensor(GYRO_ZOUT)/ 131.0
    return [x, y, z]

def getAccel():
    # ３軸 加速度を算出する
    x = read_word_sensor(ACCEL_XOUT)/ 16384.0
    y= read_word_sensor(ACCEL_YOUT)/ 16384.0
    z= read_word_sensor(ACCEL_ZOUT)/ 16384.0
    return [x, y, z]

# Define initial time
t_init = perf_counter()

while perf_counter() - t_init < 60.0 :
    t = perf_counter() - t_init
    # ３軸 加速度を算出し出力する
    ax, ay, az = getAccel()
    print ('{0:4.3f}, {1:4.3f}, {2:4.3f}, {3:4.3f}'
           .format(t, ax, ay, az))    

    #最新のデータを追加すると同時に最初のデータを削除する
    times.append(t)
    times.pop(0)
    axs.append(ax)
    axs.pop(0)
    #ays.append(ax)
    #ays.pop(0)    
    #azs.append(ax)
    #azs.pop(0)    
    
    
    # 区間プロットする
    li_x.set_xdata(times)
    li_x.set_ydata(axs)
    plt.xlim(min(times), max(times))
    plt.draw() # plt.ion()に対応 （plt.show()ではない）

    plt.pause(0.01)
    sleep(0.02)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

# -*- coding: utf-8 -*-

import smbus

import math

from time import sleep

from time import perf_counter

import time

import matplotlib.pyplot as plt

#mpu6050のデバイスアドレス（決まっている）

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b

ACCEL_YOUT = 0x3d

ACCEL_ZOUT = 0x3f

TEMP_OUT = 0x41

GYRO_XOUT = 0x43

GYRO_YOUT = 0x45

GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b

PWR_MGMT_2 = 0x6c

# sudo i2cdetect 0 : Error: Could not open file `/dev/i2c-0' or `/dev/i2c/0'

# sudo i2cdetect 1 : I will probe file /dev/i2c-1

# エラーの出ない方がバス番号(0 か 1)

# コネクションオブジェクトを取得

bus = smbus.SMBus(1)

# write_byte_data(アドレス, コマンド, 1バイトの値)

# スリープを解除多分（最初はスリープしている）

bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

# make plot

times = [0 for i in range(60)]

axs = [0 for i in range(60)]

time = 0

ax = 0

# initialize matplotlib

plt.ion()

plt.figure()

li_x, = plt.plot(times, axs) # need " , "

#li_y, = plt.plot(times, ays) # need " , "

#li_z, = plt.plot(times, azs) # need " , "

#plt.xlim(-1,1)

plt.ylim(-2,2)

plt.xlabel("time")

plt.ylabel("ax,ay,az")

plt.title("ax,ay,az real time plot")

def read_word(adr):

high = bus.read_byte_data(DEV_ADDR, adr)

low = bus.read_byte_data(DEV_ADDR, adr+1)

val = (high << 8) + low

return val

def read_word_sensor(adr):

#２バイトデータから　１ワードデータへデコードする

val = read_word(adr)

if (val >= 0x8000): return -((65535 - val) + 1)

else: return val

def get_temp():

# 温度を算出する

temp = read_word_sensor(TEMP_OUT)

x = temp / 340 + 36.53 # data sheet(register map)記載の計算式.

return x

def getGyro():

# ３軸角速度を算出する

x = read_word_sensor(GYRO_XOUT)/ 131.0

y = read_word_sensor(GYRO_YOUT)/ 131.0

z = read_word_sensor(GYRO_ZOUT)/ 131.0

return [x, y, z]

def getAccel():

# ３軸加速度を算出する

x = read_word_sensor(ACCEL_XOUT)/ 16384.0

y= read_word_sensor(ACCEL_YOUT)/ 16384.0

z= read_word_sensor(ACCEL_ZOUT)/ 16384.0

return [x, y, z]

# Define initial time

t_init = perf_counter()

while perf_counter() - t_init < 60.0 :

t = perf_counter() - t_init

# ３軸加速度を算出し出力する

ax, ay, az = getAccel()

print ('{0:4.3f}, {1:4.3f}, {2:4.3f}, {3:4.3f}'

.format(t, ax, ay, az))

#最新のデータを追加すると同時に最初のデータを削除する

times.append(t)

times.pop(0)

axs.append(ax)

axs.pop(0)

#ays.append(ax)

#ays.pop(0)

#azs.append(ax)

#azs.pop(0)

# 区間プロットする

li_x.set_xdata(times)

li_x.set_ydata(axs)

plt.xlim(min(times), max(times))

plt.draw() # plt.ion()に対応（plt.show()ではない）

plt.pause(0.01)

sleep(0.02)

リアルタイムプロット

できました！　以上です。

IOT:加速度センサMPU-6050をラズパイ pythonで動かしてみる（１）

こんにちは、加速度センサーのMPU-6050を買ったので、試運転してみます。

下記webを参考にさせていただきました。

まずは配線しましょう。

使用するピンは 1 , 3 , 5 , 6 です。

MPU-6050の電源電圧は 3.3[V] ですが、GY-521に3.3[V]のレギュレータICが載っていて、I2Cバスのプルアップ抵抗が 3.3[V] へ繋がっているので、5[V]電源の Arduino に直接つないで使うことが出来ます。

という記述を見つけましたが、おとなしく+3.3Vに接続します。

ラズパイをネットワークにつないでVNC接続します。

ラズパイの設定でSSH,VNC,I2C,SPIとか全部　有効にします。

ターミナルで >ifconfigして　アドレスを確認します。

192.168.10.xxx

ウィンドウズマシン上でVNC Viewerから新規コネクト作成で192.168.10.114します。

このとき、重要なのは　ユーザーネームは自分で設定したIDではなくて pi です！！で、パスワードは自分で設定したやつです。

非常に紛らわしいですね。毎回詰まります。

GPIOでI2Cが有効になっているか確認

$ gpio readall

すると、GPIOの一覧が確認できます。

 +-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+
 | BCM | wPi |   Name  | Mode | V | Physical | V | Mode | Name    | wPi | BCM |
 +-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+
 |     |     |    3.3v |      |   |  1 || 2  |   |      | 5v      |     |     |
 |   2 |   8 |   SDA.1 | ALT0 | 1 |  3 || 4  |   |      | 5v      |     |     |
 |   3 |   9 |   SCL.1 | ALT0 | 1 |  5 || 6  |   |      | 0v      |     |     |
 |   4 |   7 | GPIO. 7 |   IN | 0 |  7 || 8  | 1 | ALT5 | TxD     | 15  | 14  |
 |     |     |      0v |      |   |  9 || 10 | 1 | ALT5 | RxD     | 16  | 15  |
 |  17 |   0 | GPIO. 0 |   IN | 0 | 11 || 12 | 0 | IN   | GPIO. 1 | 1   | 18  |
 |  27 |   2 | GPIO. 2 |   IN | 0 | 13 || 14 |   |      | 0v      |     |     |
 |  22 |   3 | GPIO. 3 |   IN | 0 | 15 || 16 | 0 | IN   | GPIO. 4 | 4   | 23  |
 |     |     |    3.3v |      |   | 17 || 18 | 0 | IN   | GPIO. 5 | 5   | 24  |
 |  10 |  12 |    MOSI | ALT0 | 0 | 19 || 20 |   |      | 0v      |     |     |
 |   9 |  13 |    MISO | ALT0 | 0 | 21 || 22 | 0 | IN   | GPIO. 6 | 6   | 25  |
 |  11 |  14 |    SCLK | ALT0 | 0 | 23 || 24 | 1 | OUT  | CE0     | 10  | 8   |
 |     |     |      0v |      |   | 25 || 26 | 1 | OUT  | CE1     | 11  | 7   |
 |   0 |  30 |   SDA.0 |   IN | 1 | 27 || 28 | 1 | IN   | SCL.0   | 31  | 1   |
 |   5 |  21 | GPIO.21 |   IN | 1 | 29 || 30 |   |      | 0v      |     |     |
 |   6 |  22 | GPIO.22 |   IN | 1 | 31 || 32 | 0 | IN   | GPIO.26 | 26  | 12  |
 |  13 |  23 | GPIO.23 |   IN | 0 | 33 || 34 |   |      | 0v      |     |     |
 |  19 |  24 | GPIO.24 |   IN | 0 | 35 || 36 | 0 | IN   | GPIO.27 | 27  | 16  |
 |  26 |  25 | GPIO.25 |   IN | 0 | 37 || 38 | 0 | IN   | GPIO.28 | 28  | 20  |
 |     |     |      0v |      |   | 39 || 40 | 0 | IN   | GPIO.29 | 29  | 21  |
 +-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+
 | BCM | wPi |   Name  | Mode | V | Physical | V | Mode | Name    | wPi | BCM |
 +-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

+-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

| BCM | wPi | Name | Mode | V | Physical | V | Mode | Name | wPi | BCM |

+-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+

| | | 3.3v | | | 1 || 2 | | | 5v | | |

| 2 | 8 | SDA.1 | ALT0 | 1 | 3 || 4 | | | 5v | | |

| 3 | 9 | SCL.1 | ALT0 | 1 | 5 || 6 | | | 0v | | |

| 4 | 7 | GPIO. 7 | IN | 0 | 7 || 8 | 1 | ALT5 | TxD | 15 | 14 |

| | | 0v | | | 9 || 10 | 1 | ALT5 | RxD | 16 | 15 |

| 17 | 0 | GPIO. 0 | IN | 0 | 11 || 12 | 0 | IN | GPIO. 1 | 1 | 18 |

| 27 | 2 | GPIO. 2 | IN | 0 | 13 || 14 | | | 0v | | |

| 22 | 3 | GPIO. 3 | IN | 0 | 15 || 16 | 0 | IN | GPIO. 4 | 4 | 23 |

| | | 3.3v | | | 17 || 18 | 0 | IN | GPIO. 5 | 5 | 24 |

| 10 | 12 | MOSI | ALT0 | 0 | 19 || 20 | | | 0v | | |

| 9 | 13 | MISO | ALT0 | 0 | 21 || 22 | 0 | IN | GPIO. 6 | 6 | 25 |

| 11 | 14 | SCLK | ALT0 | 0 | 23 || 24 | 1 | OUT | CE0 | 10 | 8 |

| | | 0v | | | 25 || 26 | 1 | OUT | CE1 | 11 | 7 |

| 0 | 30 | SDA.0 | IN | 1 | 27 || 28 | 1 | IN | SCL.0 | 31 | 1 |

| 5 | 21 | GPIO.21 | IN | 1 | 29 || 30 | | | 0v | | |

| 6 | 22 | GPIO.22 | IN | 1 | 31 || 32 | 0 | IN | GPIO.26 | 26 | 12 |

| 13 | 23 | GPIO.23 | IN | 0 | 33 || 34 | | | 0v | | |

| 19 | 24 | GPIO.24 | IN | 0 | 35 || 36 | 0 | IN | GPIO.27 | 27 | 16 |

| 26 | 25 | GPIO.25 | IN | 0 | 37 || 38 | 0 | IN | GPIO.28 | 28 | 20 |

| | | 0v | | | 39 || 40 | 0 | IN | GPIO.29 | 29 | 21 |

+-----+-----+---------+------+---+----++----+---+------+---------+-----+-----+

| BCM | wPi | Name | Mode | V | Physical | V | Mode | Name | wPi | BCM |

+-----+-----+---------+------+---+---Pi 3B--+---+------+---------+-----+-----+

$ sudo i2cdetect -y 1

すると、I2Cが接続されているのが確認できます。

     0  1  2  3  4  5  6  7  8  9  a  b  c  d  e  f
00:          -- -- -- -- -- -- -- -- -- -- -- -- -- 
10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
20: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
40: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 
60: -- -- -- -- -- -- -- -- 68 -- -- -- -- -- -- -- 
70: -- -- -- -- -- -- -- --

0 1 2 3 4 5 6 7 8 9 a b c d e f

00: -- -- -- -- -- -- -- -- -- -- -- -- --

10: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

20: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

30: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

40: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

50: -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --

60: -- -- -- -- -- -- -- -- 68 -- -- -- -- -- -- --

70: -- -- -- -- -- -- -- --

実行スクリプト

では、加速度を取得してみましょう。ベタ貼りしてみました。

# -*- coding: utf-8 -*-

import smbus
import math
from time import sleep
import time

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b
ACCEL_YOUT = 0x3d
ACCEL_ZOUT = 0x3f
TEMP_OUT = 0x41
GYRO_XOUT = 0x43
GYRO_YOUT = 0x45
GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b
PWR_MGMT_2 = 0x6c   

bus = smbus.SMBus(1)
bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

def read_word(adr):
    high = bus.read_byte_data(DEV_ADDR, adr)
    low = bus.read_byte_data(DEV_ADDR, adr+1)
    val = (high << 8) + low
    return val

def read_word_sensor(adr):
    val = read_word(adr)
    if (val >= 0x8000):  return -((65535 - val) + 1)
    else:  return val

def get_temp():
    temp = read_word_sensor(TEMP_OUT)
    x = temp / 340 + 36.53      # data sheet(register map)記載の計算式.
    return x

def getGyro():
    x = read_word_sensor(GYRO_XOUT)/ 131.0
    y = read_word_sensor(GYRO_YOUT)/ 131.0
    z = read_word_sensor(GYRO_ZOUT)/ 131.0
    return [x, y, z]


def getAccel():
    x = read_word_sensor(ACCEL_XOUT)/ 16384.0
    y= read_word_sensor(ACCEL_YOUT)/ 16384.0
    z= read_word_sensor(ACCEL_ZOUT)/ 16384.0
    return [x, y, z]


while 1:
    ax, ay, az = getAccel()
    gx, gy, gz = getGyro()
    print ('{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},' .format(gx, gy, gz, ax, ay, az))

# -*- coding: utf-8 -*-

import smbus

import math

from time import sleep

import time

DEV_ADDR = 0x68

ACCEL_XOUT = 0x3b

ACCEL_YOUT = 0x3d

ACCEL_ZOUT = 0x3f

TEMP_OUT = 0x41

GYRO_XOUT = 0x43

GYRO_YOUT = 0x45

GYRO_ZOUT = 0x47

PWR_MGMT_1 = 0x6b

PWR_MGMT_2 = 0x6c

bus = smbus.SMBus(1)

bus.write_byte_data(DEV_ADDR, PWR_MGMT_1, 0)

def read_word(adr):

high = bus.read_byte_data(DEV_ADDR, adr)

low = bus.read_byte_data(DEV_ADDR, adr+1)

val = (high << 8) + low

return val

def read_word_sensor(adr):

val = read_word(adr)

if (val >= 0x8000): return -((65535 - val) + 1)

else: return val

def get_temp():

temp = read_word_sensor(TEMP_OUT)

x = temp / 340 + 36.53 # data sheet(register map)記載の計算式.

return x

def getGyro():

x = read_word_sensor(GYRO_XOUT)/ 131.0

y = read_word_sensor(GYRO_YOUT)/ 131.0

z = read_word_sensor(GYRO_ZOUT)/ 131.0

return [x, y, z]

def getAccel():

x = read_word_sensor(ACCEL_XOUT)/ 16384.0

y= read_word_sensor(ACCEL_YOUT)/ 16384.0

z= read_word_sensor(ACCEL_ZOUT)/ 16384.0

return [x, y, z]

while 1:

ax, ay, az = getAccel()

gx, gy, gz = getGyro()

print ('{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},{0:4.3f},' .format(gx, gy, gz, ax, ay, az))

結果

ちゃんと動いていますね。

次回

数値データをグラフ化して見ましょう。

動的にmatplotlibを利用する必要がありますので、ちょっと考えなくてはなりません。

Python: 無名関数　lambda 式

こんにちは Keita_Nakamoriです。(´・ω・)


台風１9号が接近し、レベル４の避難命令が出ましたので最寄りの小学校へ避難しております。ひまです。
無名関数　lambda 式
無名関数を使うときはlambda（ラムダ）と書きます。
(lambda a, b : a * b) (5, 8)
lambda a, b :　の部分
def xxx(a, b): に相当します。
a*b　の部分
通常の関数で言うところの return a*b　に相当します。
(5, 8) 　の部分
xxx関数を定義したとして、xxx(5,8) のように引数を２つ渡すことに相当します。
以上より、通常の関数では


		
		
			
			
Python
			
			def xxx(a,b):
    return a*b

xxx(5,8)
			
				
					
				
					1
2
3
4
				
						def xxx(a,b):
    return a*b
 
xxx(5,8)
					
				
			
		


 
のところを
一行で (lambda a,b : a*b)(5,8)
と書けるのです。

書いているうちに台風が去っていきました。お家に帰りましょう。(´・ω・)

2019年10月
月	火	水	木	金	土	日
	1	2	3	4	5	6
7	8	9	10	11	12	13
14	15	16	17	18	19	20
21	22	23	24	25	26	27
28	29	30	31

views.py

form.py

model.py

result.html

実行してみる

おわり

グラフ付きスクリプト

リアルタイムプロット

下記webを参考にさせていただきました。

まずは配線しましょう。

ラズパイをネットワークにつないでVNC接続します。

GPIOでI2Cが有効になっているか確認

実行スクリプト

結果

次回

無名関数 lambda 式

(lambda a, b : a * b) (5, 8)

lambda a, b : の部分

a*b の部分

(5, 8) の部分

無名関数　lambda 式

lambda a, b :　の部分

a*b　の部分

(5, 8) 　の部分