Si vous en avez assez de taper un mot de passe pour vous connecter à votre ordinateur et que vous n’utilisez pas de lecteur d’empreintes digitales ou de caméra infrarouge, vous pouvez au moins vous entraîner. Le fabricant Victor Sonck a créé un Tarte aux framboises-poussées motorisées projet d’authentification pour que vous transpiriez lorsque vous vous connectez. Au lieu de vous connecter avec quelque chose de typique comme une chaîne de caractères, Sonck se connecte avec une chaîne de représentants en utilisant un peu d’aide de l’apprentissage automatique (ML) sur notre ordinateur monocarte préféré.
Sonck a partagé le processus de création derrière ce projet à travers son Créateur de ML chaîne sur YouTube qui, pour le moment, ne présente que ce projet. Cependant, un rapide coup d’œil à son activité récente sur GitHub montre un historique des projets basés sur ML menant à cette création alimentée par Pi et induisant des exercices.
Le système de détection push-up Raspberry Pi fonctionne indépendamment de son PC et est positionné dans un coin éloigné de la pièce. À l’aide d’une caméra, il détecte lorsque Sonck a effectué avec succès le nombre de pompes nécessaires pour se connecter à sa machine avant d’envoyer une commande pour autoriser l’accès.
Le projet est construit autour d’un Raspberry Pi 4 qui est capable de traiter seul des applications d’apprentissage automatique mais pour éviter d’alourdir sa charge de travail, Sonck a choisi d’utiliser un module Oak 1 AI. Cet appareil comprend une caméra 4K ainsi qu’une puce Intel Myriad X qui peut gérer les besoins supplémentaires de traitement de l’IA pour le projet. Selon Sonck, il se connecte et s’interface facilement avec le Pi, ce qui en fait un composant idéal pour les besoins de son projet. La configuration comprend également un écran, un microphone et un haut-parleur pour la sortie audio.
Le système de détection de push-up ML repose sur une application open source appelée Blazepose qui peut reconnaître les poses du corps humain à partir d’images et construit un squelette avec des points marquant les emplacements des articulations pour dupliquer lesdites poses en temps réel. Ces squelettes sont plus simples à interpréter que les images brutes, ce qui allège la charge du programme de détection push-up. Le code source est disponible sur GitHub pour toute personne intéressée à approfondir son fonctionnement.
Si vous souhaitez recréer ce projet Raspberry Pi et ressentir la brûlure par vous-même, consultez la vidéo originale partagée sur YouTube par Victor Sonck et assurez-vous de le suivre pour des projets ML plus intéressants.