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

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。

 

$ sudo i2cdetect -y 1

すると、I2Cが接続されているのが確認できます。

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。

 

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

 

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・)

 

 

 

 

Web Application: 第10回 HTMLでかっこよくする

前回までで carbikeのindex画面とpredict画面を生成しました。

今回はhtmlを記述していってwebサイトをかっこよくしていきます。

htmlの雛形としてbase.htmlを作成しindex.htmlとpredict.htmlから共用しようという作戦です。

base.html の作成

/myproject/car_motorbike/ の下に

  • /templates/carbike/base.html
  • /templates/carbike/index.html
  • /templates/carbike/predict.html

を新規作成して、まず初めにbase.htmlを書いていきます。

解説

html5の決まりごととして<!DOCTYPE html>を書きます。

日本語を使用しますよ、という宣言のため<html lang=”ja”>を書きます。

 

django-bootstrap4 をインストール

pip install django-bootstrap4

django-bootstrap4-1.0.1 が入りました。

index.html の作成

base.htmlを流用していきましょう。

forms.py を作成する

myproject/car_motorbike/の下に forms.pyを新規作成します。

views.py を編集する

index関数を hello worldをreturnするだけの状態から、formを表示する内容に変更します。

 

myproject/settings.py を編集する

‘car_mortorbike.apps.CarbikeConfig’ を追記します。

 

ああ

 

DTL: Django Template Language

 

 

Web Application: 第9回 Djangoでページのルーティング設定をする

前回、myproject管理フォルダ内のurls.pyを編集しましたが、今回は

car_motorbikeアプリケーションフォルダ直下にurls.pyを新規作成して、下記スクリプトを書きます。

car_motorbike/urls.py 新規作成

 

使用するモジュールであるviews.py は 当該urls.pyと同層になるので

from . import views

という不思議なインポート記述になります。

そして、画像を入力したときにvvc16_predct.pyを走らせて予測結果を返す画面である predict画面を定義します。

views.predictメソドはこれから作成しなければなりませんので、現時点ではエラーが出ます。

なお、このcar_motorbike/urls.pyスクリプトは myproject/urls.py から呼び出されるものなので、これから myproject/urls.py の方を改良していきます。

ルーティングというやつです。

myproject/urls.py 編集

ではここから car_motorbike/urls.py へつなげていきます。

/carbike/predict/ のようなurlツリー構造を構成して使っていきます。

include関数を新たにインポートして 、先程作成した car_mortorbike/urls.pyを参照するようpath(‘carbike/’, include(‘car_motorbike.urls’))をリストに追加します。

 

car_motorbike/views.py の編集

先程、car_motorbike/urls.py 内で views.predictメソドを記述しましたが、それの実体をここで定義します。とりあえずルーティングが正しく行われて表示されるか確認したいので、実行内容としてはテキストを出力するだけにしておきます。

動作チェック

では python manage.py runserver して ブラウザで動作チェックをしましょう。

http://127.0.0.1:8000/ を入力すると

>[21/Sep/2019 15:53:08] “GET / HTTP/1.1” 404 2032

http://127.0.0.1:8000/carbike を入力すると

>[21/Sep/2019 15:53:17] “GET /carbike/ HTTP/1.1” 200 11

http://127.0.0.1:8000/carbike/predict

>[21/Sep/2019 15:53:30] “GET /carbike/predict/ HTTP/1.1” 200 21

と 200が帰ってくるので正常に動作しています。

次回

Web Application: 第10回 HTMLでかっこよくする

Web Application: 第8回 Djangoやります

こんにちは Keita_Nakamori(´・ω・)です。

さて、前回まででTensor Flow を使ったスクリプトを書いてきましたが、これをwebアプリとしてアクセスできるようにDjangoを組み込んでいきます。

django公式サイト

djangoインストール方法

$ pip install Django

django-2.2.5 が入りました

プロジェクトを作成する

djangoでは大項目としてプロジェクト名、小項目としてアプリケーション名があります。後々ひとつのプロジェクトの下に複数のアプリケーションを作っていくことになります。

では、myprojectというプロジェクトを作ります

djangoプロジェクトの生成

$ django-admin startproject myproject

これでmyprojectというプロジェクトフォルダが生成されました。

フォルダの下層にはmange.pyという管理用のpythonファイルと、プロジェクト名と同じ名称で設定用のmyproject設定フォルダが生成されます。

 

  • myproject/:プロジェクト全体のフォルダ
    • manage.py:管理用pythonスクリプト(サーバー起動 アプリフォルダの生成など)
    • myproject/:プロジェクト設定フォルダ
      • __init__.py:プロジェクト初期値スクリプト
      • settings.py:プロジェクト設定用スクリプト
      • urls.py:プロジェクトurlルーティング用スクリプト
      • wsgi.py:python:アプリ実行環境ウィズギーのスクリプト

用語 ウィズギーとは

Web Server Gateway Interface (WSGI; ウィズギー)

webサーバーとwebアプリ(またはwebフレームワーク)を接続するためのインターフェース定義。

WSGIはこれまでFastCGI, mod_python, CGIなど様々なインターフェース定義が乱立している中で最終的にpythonにおける最有力規格となったインターフェース定義。python webフレームワークで有力なFlaskとかBottletoとかDjangoが採用しているので、かなり盤石。

開発用の内蔵サーバーを起動する

管理スクリプトmanage.pyを使ってmyprojectプロジェクト全体フォルダから

$ python manage.py runserver

とランサーバー指令をコマンドプロンプトに打つと

と出るので、http://127.0.0.1:8000/がサーバーとして動き出します。

実際にブラウザのURLバーにこれをコピペすると、インストールが完了しましたとお祝いの言葉を頂戴できます。

強制終了は CTRL-BREAKと書いてありますが、control+c のことです。

簡単なwebアプリケーションを作ってみる

hello worldと表示するwebアプリケーションを作ってみましょう。

runserverしっぱなしの場合はctl+cで一旦止めておきます。

myproject プロジェクトフォルダに戻ってみたら、db.sqlite3 というデータベースが生成されていました。まだカラのようで容量は0KBです。

つづきまして、アプリケーションのフォルダを作りましょう。

スタートアップですがstartup ではなくて startappなので要注意です。

$myproject>python manage.py startapp car_motorbike

これでmyprojectプロジェクトフォルダ直下に car_motorbikeアプリケーションフォルダが生成されました。

現在のフォルダ構成をおさらいすると、

  • myproject:プロジェクト全体フォルダ
    •  car_motorbike:アプリケーションフォルダ
    • db.sqlite3:データベースファイル
    • manage.py:プロジェクト管理フォルダ
    • myproject:プロジェクト設定フォルダ

そして、car_bikeアプリケーションフォルダの中には、各種pythonスクリプトが新しく生成されました。今後はここを弄っていくことになります。

  • car_motorbikeアプリケーションフォルダ
    • admin.py
    • apps.py
    • migrations/
    • models.py :データベースにアクセスしてデータを取得するスクリプト
    • tests.py
    • views.py:ブラウザ表示内容(テンプレート)を呼び出すスクリプト
    • __init__.py

VScodoで構造を見てみると、まだ何も弄ってないのにこれだけのファイル数になります。ではviews.pyを開いて編集していきましょう。

views.py を編集する

オリジナルは下記のような2行のコードです。

これを編集してHTMLのindex.htmlに相当する部分を作っていきます。

アクセスが来たときに hello_worldとレスポンスを返すためのHttpRespose関数をインポートして使用します。

これはまだ、呼び出されたときの挙動を定義しただけですので、このindex(request)関数を呼び出すためのスクリプトが別途必要です。

urls.py を編集する

次に、views.pyを実行できるようにurl.pyでURLと表示内容(views.py)を関連付けます。
オリジナルは下記のようなコードです。
コメントアウトされた使い方の部分とURLパターンを定義するリストが存在するだけです。

コメントアウトの部分を読んでみましょう。

(google翻訳すると スクリプト部分まで和訳されて意味不明でした。)

myproject URL設定

urlpatternsリストはURLをビューにルーティングします。 詳細については、以下を参照してください。
https://docs.djangoproject.com/en/2.2/topics/http/urls/例:

機能ビュー

1.インポートの追加:

from my_app import views

2. urlpatternsにURLを追加します:

 path('', views.home, name='home')

クラスベースのビュー

1.インポートを追加します:

from other_app.views import Home

2. URLをurlpatternsに追加します:

path('', Home.as_view(), name='home')

別のURLconfを含める

1. include()関数をインポートします:

from django.urls import include, path

2. urlpatternsにURLを追加

path('blog/', include('blog.urls'))

イメージが全然わきませんね。

urls.py を編集する

機能ビューの

  1. インポートの追加:
  2.  URLをurlpatternsに追加します:

をやってみます。

公式サイトに従ってインポートをfrom car_motorbike import views としてしまうとあとあとcar_motorbike以外のアプリを作成して時に form xxx import viewsというようにかぶってしまうので、ここではimport car_motorbike.views as carbike として被らないようにします。

では開発用サーバーを起動してみましょう。
>python manage.py runserver
http://127.0.0.1:8000/
not foundの404エラーが出ていますが、作ってないので当然出ます。問題ありません。
そして、先程作ったcarbikeのページを見てみましょう。
http://127.0.0.1:8000/carbike/
というように、ちゃんと機能しています。
今一度思い起こすと、このhttp://127.0.0.1:8000/carbike/ こそが carbikeというwebアプリケーションのトップページなわけです。(アプリフォルダ名としてははcar_motorbikeです。一緒にすればよかったか・・・(´・ω・))
おさらいすると、mayproject/urls.py  が http://127.0.0.1:8000/carbike/ というurl のインプットによって  car_motorbike/views.py を参照した形になります。

次回

今後はこのページを改造していってインタラクティブな機能を強化していきます。
Web Application: 第9回 Djangoでページのルーティング設定をする

Web Application: 第7回 VGG16を使った転移学習

Keita_Nakamoriです。TensorFlowに疲れてきました。

早くwebアプリの部分にいきたい・・・。

今回は、転移学習を試してみます。学習済みのCNNであるVGG16を使って、その後ろに中間層と全結合層をマニュアルで挿入して最終的にsoftmax関数を通して結果を出力します。

中間層は256node、全結合層は2クラスしかないので2nodeです。

スクリプト:VGG16_trans.py

前回まで、import keras をして kerasを使用していましたが、今どきはTensorFlowのクラスとして存在しているので使ってみます。

というのもfrom keras.models import Modelでエラーが出てしまいどうしようもないので調べていたら見つけました。

構造

スクリプト内の# モデルのサマリーを確認する model.summary() までを実行するとニューラルネットワークの構造が確認できます。

最後に、sequential (Sequential) (None, 2) が新しく生成されました。

結果

VGG16層 全結合2層 17エポックまでやってみましたが、数十分かかってしまいました。流石のディープさです。

しかし、結果は素晴らしいい。トレーニング100% テスト99%の精度。

そして、モデルファイルである192MB のvgg16_trans.h5 ファイルも上手く生成できていました。

スクリプト:vgg16_predict.py

では、転移学習済みのvgg16_trans.h5モデルをロードして、Anacondaプロンプトからサンプル画像を入力することによってcar なのか motorbikeなのか予測してみましょう。

予測

1.車の画像データの一つをcar1.jpgにリネームしてdjangoaiフォルダ直下に移動します。

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python vgg16_predict.py car1.jpg

結果:car 100

2.次にバイクの画像データの一つをbike1.jpgにリネームしてdjangoaiフォルダ直下に移動します。

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python vgg16_predict.py motorbike1.jpg

結果:motorbike 100

3.試しにビキニ画像データを入力してみましたが・・・バイク100%になりました。(笑)

次回

Web Application: 第8回 はじめてのwebアプリ

Web Application: 第6回 VGG16を構築する

VGG16をやってみます。

オックスフォード大学のVisual Geometry Groupが作った、畳み込み13層+全結合3層の 合計16層のニューラルネットワークです。

VGG16用の入力データを作成

VGG16の入力データの画像サイズは 224 x 224 である必要がありますので generate_inputdata.pyを改造して224×224のnpyデータを生成するgenerate_inputdata_224.pyを作りましょう。

また、それだと元々150角サイズが224角サイズになるわけですから、容量が増えてしまいます。(実際に600MBから1300MBに増えました。)

そこで、このスクリプトでは正規化するのをやめて、浮動小数点が発生するのを防ぎ容量を落とします。

代わりに、VGG16をやる直前に正規化を行う方針でいきます。

スクリプト:generate_inputdata_224.py

変更した部分は

  • 入力サイズ変更:image_size = 224
  • 保存名を変更:np.save(‘./image_files_224.npy’, xy)
  • 標準化中止 :data = data / 255.0 の行をコメントアウト

転移学習のモデル作成

では、データができたところでVGG16モデルを作成しましょう。

モジュール追加:from keras.applications import VGG16

ロードデータ名変更;

  • X_train, X_test, y_train, y_test = np.load(‘./image_files_224.npy’, allow_pickle=True)

正規化操作の追加:

  • X_train = X_train.astype(‘float’) / 255.0
  • X_test = X_train.astype(‘float’) / 255.0

モデル定義の変更

  •  model = VGG16( weights=’imagenet’, include_top=False, input_shape=(image_size,image_size, 3) )
  • print(‘Model loaded’)
  • model.summary()

結果

input_1 (InputLayer) (None, 224, 224, 3)について

1枚の224 x 224 サイズの画像データにつき、 RGBの3枚に分解されたデータが入力データとし入ります。

まだ何枚のデータが入ってくるかわかりませんのでNoneになっています。

畳み込み2回 プーリング1回 畳み込み2回 プーリング1回 畳み込み3回・・・、で 16層あるのだそうですがどういう数え方をしたら16になるかは理解できていません・・・。

ひとまず、できていました。このあと、全結合層を後ろに追加していくことになります。それは次回!

次回

Web Application: 第7回 VGG16を使った転移学習

 

Web Application: 第5回 npyデータからCNN

こんにちは Keita_Nakamori(´・ω・`)です。

前回はTensor Flowにインプットするnpyデータを作成しました。

今回はTensorflowとKerasで畳み込みニューラルネットワークを構築して、訓練・評価してみます。

keras公式ページのSequential-model-guideを参考にします。

スクリプト:cnn_test.py

VGG-likeなconvnet を参考に動作を確認していきます。

実行

では Anacondaプロンプトから $ conda info -e で仮想環境リストを確認して

djangoaiが存在することを確認したら、$ conda activate djangoai して仮想環境に入ります。

カレントディレクトリをcnn_test.pyがある場所まで移動して、実行します。

結果

エポック数30回やった結果、精度はacc: 0.99まで向上しましたが、検証データではTest accuracy:0.81までしか出ていません。おそらく過学習になっていると思われます。まだまだ改善の余地ありです。

オプティマイザーを変更

SGDからAdamに切り替えてみました。大きく悪化しました。(笑)

可視化にチャレンジ

djangoai仮想環境内で$pip install matplotlib します。

matplotlib-3.1.1 が入りました。

下記コードを最後に追加しました。オプティマイザーはSGDに戻しました。
横軸にエポック数 縦軸に損失です。 きれいな右肩下がりです。

次回

Web Application: 第6回 はじめてのwebアプリ

Web Application: 第4回 画像データをnpyデータに変換

こんにちはKeita_Nakamori(´・ω・`)です。

前回flickrから取得した画像データをTensor Flowが読めるように数値データに変換していきます。

必要なモジュールをインストール

  • pip install Pillow :
  • pip install scikit-learn :

Pillow-6.1.0とscikit-learn-0.21.3が入りました

スクリプト:generate_inputdata.py

実行しましょう

(djangoai) C:\Users\keita\anaconda_projects\djangoai>python generate_inputdata.py

フォルダを見ると新しく「image_files.npy」  609,516,317 (609MB?)のデータが生成されました。

次回

Web Application: 第5回 はじめてのwebアプリ