🐓 🙍🏻 👕 Nounou RPi 🤞🏽 📮 😽

De temps en temps, je suis tenté de faire quelque chose d'étrange. Evidemment une chose inutile qui ne se justifie pas en termes de montant d'investissement, et six mois après sa création, elle ramasse la poussière sur l'étagère. Mais d'un autre côté, il se justifie pleinement en termes de quantité d'émotions, d'expérience acquise et de nouvelles histoires. Il y a même deux de mes articles sur Habré sur de telles expériences: Alcoorgan et une mangeoire intelligente pour les oiseaux .

Bien. Il est temps de parler d'une nouvelle expérience. Comment il l'a recueilli, ce qui en est arrivé et comment le répéter.

J'ai été poussé à un nouveau projet par un événement, dans un sens, banal - un fils est né. Je me suis arrangé pour un mois de congé à l'avance. Mais l'enfant s'est avéré calme - il y avait du temps libre. Et mettez le dormeur à côté de lui.

De nombreuses maisons différentesmatériel embarqué pour la vision par ordinateur. En conséquence, j'ai décidé de créer une nounou vidéo. Mais pas aussi ennuyeux que tous les magasins sont remplis. Et quelque chose de plus intelligent et de plus intéressant.

L'article sera écrit dans une veine narrative afin de comprendre comment s'est déroulé le développement du jouet, où il en est venu et où il va ensuite.

L'article a plusieurs ajouts:

Vidéo où je montre et raconte comment tout fonctionne.
Un petit article sur VC, où je vous explique pourquoi de telles choses ne se produiront probablement pas dans la production normale, et sur les limites des systèmes ML de ce type.
Trie tout sur github + image prête à l'emploi pour RPi. À la fin de l'article, une description de son utilisation.

Choisir une idée

La fonctionnalité la plus courante d'un babyphone est de voir ce qui arrive à l'enfant à tout moment. Malheureusement, cela ne fonctionne pas toujours. Vous ne regarderez pas l'émission tout le temps, ce n'est pas pratique. Le bébé peut généralement être endormi à proximité dans un cocon, pourquoi la vidéo tout le temps? En conséquence, la collection suivante a été constituée pour commencer:

Le système doit permettre de regarder une vidéo ou une photo à tout moment depuis le téléphone
Le système doit réagir au réveil de l'enfant et en informer
Le système doit détecter un visage manquant pour éviter le SMSN

Sélection de plateforme

J'ai eu un long article sur Habré sur la comparaison de différentes plateformes. Globalement, pour un prototype comme ce que je fais, il existe plusieurs options:

Jetson Nano. + ( Nano), , . . — TensorRT. . , , , TensorRT .
VIM3. , . — .
Raspberry PI + Movidius. . , , .
1. , .
2. . .
Raspberry PI 4 - lorsque vous travaillez avec OpenCV, il sera bon de se débarrasser des réseaux ouverts, ce qui devrait suffire. Mais il y avait un soupçon qu'il n'y aura pas assez de performances.
Corail - Je l'ai entre les mains, ça passerait en termes de performances, mais dans mon autre article il est écrit pourquoi je ne l'aime pas :)

Total - J'ai choisi Rpi + movidius. Je l'ai sous la main, je peux travailler avec.

Le fer

L'ordinateur est Raspberry Pi 3B, le neuroprocesseur est Movidius Myriad X. C'est clair.

Le reste - gratté sur le fond du canon, acheté en plus.

Caméra

J'ai vérifié trois différents que j'avais:

Appareil photo de RaspberryPI. Câble bruyant et peu pratique, pas de fixation pratique. Noté.
Une sorte de caméra IP. Très pratique car il n'a pas besoin d'être inclus dans le RPI. La caméra est séparée de l'ordinateur. Ma cellule avait même deux modes, jour et nuit. Mais celui que j'avais ne donnait pas une qualité de visage suffisante.
Webcam de Genius. Je l'utilise depuis environ 5 ans déjà, mais quelque chose est devenu instable ces derniers temps. Mais pour RPI, c'est parfait. De plus, il s'est avéré qu'il pouvait être facilement démonté et le filtre IR retiré de là. De plus, comme il s'est avéré plus tard, c'était la seule option avec un microphone.

Et le filtre change comme ceci:

En général, il est clair que ce n'est pas une solution produit. Mais ça marche.

Si quoi que ce soit, alors dans le code, vous verrez les pièces restantes pour passer aux deux autres types de caméras. Peut-être même quelque chose fonctionnera-t-il si vous modifiez 1-2 paramètres.

Éclairage

J'avais un illuminateur qui traînait avec l'un des vieux problèmes.

Je lui ai soudé une sorte d'alimentation électrique. Ça brille bien.

Dirigez-le vers le plafond - la pièce est éclairée.

Écran

Pour certains modes de fonctionnement, j'avais besoin d'un moniteur. Arrêté à ceci . Bien que je ne sois pas sûr que ce soit la bonne décision. J'aurais peut-être dû prendre la version intégrale. Mais plus là-dessus plus tard.

Nutrition

L'enfant dort dans des endroits arbitraires. C'est donc plus facile lorsque le système est alimenté par une banque d'alimentation. J'ai choisi ceci, simplement parce que c'est à la maison pour la randonnée:

OpenVino

Marchons un peu à travers OpenVino. Comme je l'ai dit ci-dessus, le gros avantage d'OpenVino est la grande quantité de réseaux pré-entraînés. Ce qui peut nous être utile.

Détection facial. Il existe de nombreux réseaux de ce type dans OpenVino:

Reconnaissance des points clés du visage . Nous en avons besoin pour lancer les réseaux d'

orientation du visage suivants . Activité de l'enfant et où il regarde.

Reconnaissance de la direction des yeux - si vous essayez d'interagir avec l'

analyse de profondeur ? Peut-être que cela se révélera une

analyse squelette

Eh bien, beaucoup d'autres intéressants ...

Le principal inconvénient de ces réseaux sera leur principal avantage - leur pré-formation ...

Cela peut être corrigé, mais maintenant nous faisons un prototype rapide, notre objectif n'est pas de travailler dans 100% des cas, mais un travail fondamental qui apportera au moins certains avantages.

Aller. Logique générale version 1

Puisque nous développons un appareil embarqué, nous devons en quelque sorte interagir avec lui. Recevez des signaux photo / d'alarme. J'ai donc décidé de faire la même chose que lorsque j'ai fait le creux , par télégramme. Mais rappelez-vous.

Pour la première version, j'ai décidé:

Lancez les réseaux désignés sur RPi (je voudrais tout d'un coup, du coup les performances le permettront). Cela vous permettra de voir plus d'options pour résoudre le problème / les moyens probables de développement
Rédigez un modèle de programme général.
Trouvez un algorithme qui reconnaît le réveil.
Créer un algorithme qui envoie une notification en cas de perte de visage

Tout s'est plus ou moins bien passé, à part un tas de bugs tout autour. C'est inhérent à ComputerVision ... J'y suis habitué.

Voici un bref résumé de ce que je suis tombé sur:

OpenVino RPi ( 2020) - from openvino.inference_engine import IECore. OpenVino ( OpenCV ), , .
OpenVino , -generate_deprecated_IR_V7
OpenVino ( , ) Movidius int 8 . int32 . RPi int8 . , .
OpenVino . , OpenVino . , — .
OpenVino , Intel ( , ).
PyTorch 1.5 onnx, 1.4…

Mais voici comment ... Je suis sûr que si je passais par TensorRT, il y aurait plus de problèmes, comme toujours.

Alors. Tout est réuni, les réseaux tournent, on obtient quelque chose comme ça (en faisant passer la pile sur la tête, l'orientation, les points clés):

on voit que le visage se perd souvent lorsque l'enfant le couvre avec ses mains / tourne la tête. et tous les indicateurs ne sont pas stables.

Et après? Comment analyser l'endormissement?

Je regarde ces grilles, et la première chose qui me vient à l'esprit est de reconnaître les émotions. Lorsque l'enfant est endormi et calme, il y a une expression neutre sur son visage. Mais ce n'est pas si simple. Voici un graphique bleu foncé, c'est une expression neutre d'un enfant endormi pendant une heure:

Le reste des graphiques est triste / en colère / joie / surprise. Pas même vraiment l'essence de ce qui est où en couleurs. Malheureusement, les données du réseau sont instables, ce que nous constatons. L'instabilité se produit lorsque:

Ombre excessive sur le visage (ce qui n'est pas rare la nuit)
Les visages de l'enfant n'étaient pas dans l'ensemble de formation OpenVino => passage arbitraire à d'autres émotions
L'enfant fait des grimaces, y compris dans un rêve

Dans l'ensemble, je n'ai pas été surpris. J'ai déjà rencontré des réseaux qui reconnaissent les émotions, et ils sont toujours instables, notamment en raison de l'instabilité de la transition entre les émotions - il n'y a pas de frontière claire.

Ok, le réveil ne peut pas être reconnu à l'aide des émotions. Jusqu'à présent, je ne voulais pas enseigner quelque chose moi-même, alors j'ai décidé d'essayer sur la base des mêmes réseaux, mais de l'autre côté. L'un des filets donne l'angle de rotation de la tête. C'est déjà mieux (écart total par rapport à la vision de la caméra dans le temps en degrés). 5 à 10 minutes avant le réveil:

mieux. Mais ... Le fils peut commencer à secouer la tête pendant son sommeil. Ou vice versa, si vous définissez un grand seuil - réveillez-vous et ne secouez pas la tête après cela. Pour recevoir une notification à chaque fois ... Malheureusement:

(il y a environ une heure de sommeil)

Nous devons donc encore faire une reconnaissance normale.

Problèmes rencontrés dans la version 1

Résumons tout ce que je n'ai pas aimé dans la première version.

Démarrage automatique. Il n'est pas pratique de redémarrer ce jouet à chaque fois, de se connecter via SSH, d'exécuter le script de surveillance. Dans ce cas, le script doit:
- Vérifiez l'état de la caméra. Il arrive que l'appareil photo soit éteint / non branché. Le système doit attendre que l'utilisateur allume la caméra.
- Vérification de l'état de l'accélérateur. La même chose qu'avec l'appareil photo.
- Vérification du réseau. Je veux utiliser la chose à la fois à la maison et à la campagne. Ou peut-être ailleurs. Et encore une fois, je ne veux pas me connecter via ssh => J'ai besoin de créer un algorithme pour me connecter au wiFi s'il n'y a pas d'Internet.
Réveil, formation réseau. Les approches simples ne sont pas arrivées, ce qui signifie qu'il est nécessaire d'entraîner le neurone à reconnaître les yeux ouverts.

Démarrage automatique

En général, le schéma d'exécution automatique est le suivant:

Je lance mon programme au début. Comment je fais - j'ai écrit un article séparé, pour ne pas dire qu'il est trivial de le faire sur RPi. En bref:
- OpenVino
- , —
Movidius-
- — QR- wifi
telegram . — QR-

~~Il n'y a pas de réseau de reconnaissance oculaire prêt à l'emploi dans OpenVino.~~

Hahaha. Le réseau est déjà apparu. Mais, comme il s'est avéré, il n'a été lancé qu'après avoir commencé à développer. Et dans la version et la documentation, cela apparaissait déjà quand je faisais plus ou moins tout. J'écrivais maintenant un article et j'ai trouvé une mise à jour .

Mais, je ne vais pas le refaire, alors j'écris comme je l'ai fait.

Il est très facile de former un tel réseau. Ci-dessus, j'ai dit que j'avais utilisé la sélection des yeux par cadre. Il ne reste plus rien: ajoutez la sauvegarde de tous les yeux rencontrés dans le cadre. Il s'avère un tel jeu de données:

il reste à le marquer et à le former. J'ai décrit le processus de marquage plus en détail ici (et une vidéo du processus pendant 10 minutes ici). Toloka a été utilisé pour le marquage. Il a fallu ~ 2 heures pour configurer la tâche, 5 minutes pour baliser + 300 roubles du budget.

En apprenant, je ne voulais pas trop réfléchir, j'ai donc choisi un réseau volontairement rapide, de qualité suffisante pour résoudre le problème - mobilenetv2. L'ensemble du code, y compris le chargement de l'ensemble de données, l'initialisation et l'enregistrement, a pris moins de 100 lignes (principalement tirées de sources ouvertes, réécrit quelques dizaines de lignes):

Texte masqué

import numpy as np
import torch
from torch import nn
from torch import optim
from torchvision import datasets, transforms, models



data_dir = 'F:/Senya/Dataset'
def load_split_train_test(datadir, valid_size = .1):
    train_transforms = transforms.Compose([transforms.Resize(64),
                                           transforms.RandomHorizontalFlip(),
                                           transforms.ToTensor(),
                                       ])
    test_transforms = transforms.Compose([transforms.Resize(64),
                                      transforms.ToTensor(),
                                      ])
    train_data = datasets.ImageFolder(datadir,
                    transform=train_transforms)
    test_data = datasets.ImageFolder(datadir,
                    transform=test_transforms)
    num_train = len(train_data)
    indices = list(range(num_train))
    split = int(np.floor(valid_size * num_train))
    np.random.shuffle(indices)
    from torch.utils.data.sampler import SubsetRandomSampler
    train_idx, test_idx = indices[split:], indices[:split]
    train_sampler = SubsetRandomSampler(train_idx)
    test_sampler = SubsetRandomSampler(test_idx)
    trainloader = torch.utils.data.DataLoader(train_data,
                   sampler=train_sampler, batch_size=64)
    testloader = torch.utils.data.DataLoader(test_data,
                   sampler=test_sampler, batch_size=64)
    return trainloader, testloader

trainloader, testloader = load_split_train_test(data_dir, .1)
print(trainloader.dataset.classes)

device = torch.device("cuda" if torch.cuda.is_available()
                                  else "cpu")
model = models.mobilenet_v2(pretrained=True)
model.classifier = nn.Sequential(nn.Linear(1280, 3),
                                 nn.LogSoftmax(dim=1))
print(model)
criterion = nn.NLLLoss()
optimizer = optim.Adam(model.parameters(), lr=0.003)
model.to(device)
epochs = 5
steps = 0
running_loss = 0
print_every = 10
train_losses, test_losses = [], []
for epoch in range(epochs):
    for inputs, labels in trainloader:
        steps += 1
        inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad()
        logps = model.forward(inputs)
        loss = criterion(logps, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if steps % print_every == 0:
            test_loss = 0
            accuracy = 0
            model.eval()
            with torch.no_grad():
                for inputs, labels in testloader:
                    inputs, labels = inputs.to(device), labels.to(device)
                    logps = model.forward(inputs)
                    batch_loss = criterion(logps, labels)
                    test_loss += batch_loss.item()

                    ps = torch.exp(logps)
                    top_p, top_class = ps.topk(1, dim=1)
                    equals = top_class == labels.view(*top_class.shape)
                    accuracy += torch.mean(equals.type(torch.FloatTensor)).item()
            train_losses.append(running_loss / len(trainloader))
            test_losses.append(test_loss / len(testloader))
            print(f"Epoch {epoch + 1}/{epochs}.. "
                  f"Train loss: {running_loss / print_every:.3f}.. "
                  f"Test loss: {test_loss / len(testloader):.3f}.. "
                  f"Test accuracy: {accuracy / len(testloader):.3f}")
            running_loss = 0
            model.train()
torch.save(model, 'EyeDetector.pth')

Et quelques lignes de plus pour enregistrer le modèle dans ONNX:

Texte masqué

from torchvision import transforms
import torch
from PIL import Image

use_cuda=1
mobilenet = torch.load("EyeDetector.pth")
mobilenet.classifier = mobilenet.classifier[:-1]
mobilenet.cuda()
img = Image.open('E:/OpenProject/OpenVinoTest/face_detect/EyeDataset/krnwapzu_left.jpg')
mobilenet.eval()
transform = transforms.Compose([transforms.Resize(64),
                                      transforms.ToTensor(),
                                      ])

img = transform(img)
img = torch.unsqueeze(img, 0)
if use_cuda:
    img = img.cuda()
img = torch.autograd.Variable(img)
list_features = mobilenet(img)

ps = torch.exp(list_features.data.cpu())
top_p, top_class = ps.topk(1, dim=1)

list_features_numpy = []
for feature in list_features:
    list_features_numpy.append(feature.data.cpu().numpy())
mobilenet.cpu()
x = torch.randn(1, 3, 64, 64, requires_grad=True)
torch_out = mobilenet(x)

torch.onnx.export(mobilenet, x,"mobilnet.onnx", export_params=True, opset_version=10, do_constant_folding=True,
input_names = ['input'],output_names = ['output'])
print(list_features_numpy)

L'enregistrement du modèle dans ONNX est nécessaire pour appeler le modèle dans Open Vino. Je n'ai pas pris la peine de convertir en int8, j'ai laissé le modèle tel qu'il était au format 32 bits.

Analyse de précision, métriques de qualité? .. Pourquoi est-ce dans un projet amateur. Ces choses sont tarifées différemment. Aucune métrique ne vous dira «le système fonctionne». Que le système fonctionne ou non, vous ne le comprendrez qu'en pratique. Même 1% des erreurs peuvent rendre le système désagréable à utiliser. Il se trouve que je suis le contraire. Comme 20% d'erreurs, mais le système est configuré de manière à ce qu'elles ne soient pas visibles.

De telles choses sont plus faciles à regarder dans la pratique, «fonctionnera ou non». Et ayant déjà compris le critère du travail - pour entrer des métriques, si elles sont nécessaires.

Problèmes de version 2

L'implémentation actuelle est qualitativement différente, mais elle pose encore un certain nombre de problèmes:

. , :
- - ⅓ .
. . , , . , .
. ?

?

Je n'ai pas réentraîné la détection des visages. Contrairement à la reconnaissance oculaire, c'est beaucoup plus de travail. Et avec la collecte d'un jeu de données, et avec une formation de qualité.

Bien sûr, vous pouvez le faire sur le visage de votre fils, probablement même un peu mieux fonctionnera que le réseau actuel. Mais pour le reste du peuple, non. Et, peut-être, pour mon fils dans 2 mois - pas non plus.

La collecte d'un ensemble de données normal prend beaucoup de temps.

Du son

Il serait possible de suivre la voie classique de la reconnaissance sonore et d'entraîner le neurone. En général, ce ne serait pas très long, au plus plusieurs fois plus long que la reconnaissance oculaire. Mais je ne voulais pas me soucier de la collecte de l'ensemble de données, j'ai donc utilisé un moyen plus simple. Vous pouvez utiliser des outils WebRTC prêts à l'emploi . Tout s'avère élégant et simple, en quelques lignes.

L'inconvénient que j'ai trouvé est que la qualité de la solution est différente sur différents microphones. Quelque part déclenché avec un grincement, et quelque part seulement avec un grand cri.

Allez-y, quoi d'autre

À un moment donné, j'ai effectué un test en exécutant une vidéo de 5 secondes en boucle de moi-même avec ma femme: il

était clair que le fils collait aux visages des personnes dans le champ de vision (le moniteur l'a suspendu pendant 30 minutes). Et l'idée est née: contrôler l'expression du visage. Ce n'est pas seulement une vidéo statique, mais une option d'interaction. Il s'est avéré quelque chose comme ça (quand l'émotion du fils change, la séquence vidéo change):

"Papa, tu baises?!"

Devrait probablement essayer avec un grand moniteur. Mais je ne suis pas encore prêt.

Vous devez peut-être remplacer la vidéo en cours de lecture. Heureusement, c'est simple - la vidéo est lue à partir d'images séparées, où le changement d'image est ajusté au FPS.

Peut-être que vous devez attendre (au niveau actuel, l'enfant pourrait simplement ne pas comprendre le lien entre ses émotions et l'écran)

Et alors?

L'une des directions les plus prometteuses, me semble-t-il, est d'essayer de contrôler certains objets physiques / lumières / moteurs par la direction vue / pose.

Mais jusqu'à présent, je n'ai pas réfléchi profondément à cette question. Pour l'instant, je vais plutôt tester la gestion des émotions.

À quoi ça ressemble à la fin, description, pensées

Comment tout fonctionne maintenant (il y a une vidéo plus grande au début de l'article):

Tout contrôle passe par Telegramm + via la caméra.
Si vous n'avez pas besoin de contrôler la vidéo avec des émotions, tout l'appareil ressemble à ceci:
Il est démarré en mettant sous tension la banque d'alimentation.
S'il existe un réseau connecté, l'appareil est déjà prêt à fonctionner
S'il n'y a pas de réseau, vous devez afficher le code QR avec le réseau, le système démarrera automatiquement
Grâce à Telegramm, vous pouvez sélectionner un ensemble d'événements à surveiller:
Chaque fois qu'un événement intéressant se produit, une notification est envoyée:
À tout moment, vous pouvez demander une photo à l'appareil pour voir ce qui se passe

En général, les avis d'un être cher:

Le détecteur de visage ne fonctionne pas très bien. C'est vraiment une caractéristique de tous les détecteurs qui ne sont pas réglés pour les enfants. Habituellement, cela n'interfère pas avec la détection du réveil (au moins quelques photos normales avec les yeux ouverts vont arriver). Il n'est pas prévu de se recycler maintenant.
Sans écran, un lancement légèrement opaque (que le code QR ait été lu ou non). Et il y a beaucoup de fils avec l'écran. Je pense que l'option la plus correcte serait de mettre des diodes sur les GPIO. Et allumez-les en fonction de l'état (il y a une connexion, la caméra ne fonctionne pas, Movidius ne fonctionne pas, il n'y a pas de connexion au télégramme, etc.). Mais pas encore fait
Il est parfois difficile de sécuriser la caméra. Depuis que j'ai une paire de trépieds, je peux me débrouiller d'une manière ou d'une autre. Et sans eux, peut-être, rien n'aurait fonctionné.
Permet vraiment de libérer du temps et de donner une liberté de mouvement. Est-ce plus qu'un moniteur pour bébé / moniteur vidéo normal avec streaming? Je ne sais pas. Peut-être un peu plus facile.
Des trucs sympas pour les expériences.

Comment lancer

Comme je l'ai dit ci-dessus - j'ai essayé de présenter toutes les sources. Le projet est vaste et ramifié, alors j'ai peut-être oublié quelque chose ou n'ai pas donné d'instructions détaillées. N'hésitez pas à demander et à clarifier.

Il existe plusieurs façons de tout développer:

Sors de github. C'est une méthode plus compliquée, il faudra beaucoup de temps pour configurer le RPi, peut-être que j'ai oublié quelque chose. Mais vous avez un contrôle total sur le processus (y compris les paramètres RPi).
Utilisez une image prête à l'emploi. Ici, nous pouvons dire qu'il est sans grâce et non sécurisé. Mais c'est beaucoup plus facile.

Github

Le référentiel principal se trouve ici - github.com/ZlodeiBaal/BabyFaceAnalizer

Il se compose de deux fichiers que vous devez exécuter:

Le script d'initialisation / de vérification de l'état / de la configuration du réseau est QRCode.py (pour ce script, rappelez-vous, il y a une description plus détaillée ). Il se connecte au WiFi et vérifie qu'il existe des paramètres pour le bot dans Telegram.
Le script de travail principal est face.py

Outre. il manque deux choses dans Git:

Fichier d'informations d'identification WiFi - wpa_supplicant_auto.conf
Fichier avec les informations d'identification Telegram-bot - tg_creedential.txt

Vous pouvez laisser le système les créer automatiquement au prochain démarrage. Vous pouvez utiliser les éléments suivants en remplissant les champs vides:

tg_creedential.txt

token to access the HTTP API — , @BotFather telegram "/newbot"

socks5://… — ,

socks5 — ,

socks5 — ,

wpa_supplicant_auto.conf

network={

ssid="******"

psk="*******"

proto=RSN

key_mgmt=WPA-PSK

pairwise=CCMP

auth_alg=OPEN

}

RPi tuning sifflets et faux

Malheureusement, mettre et exécuter des scripts sur RPi ne fonctionnera pas. Voici ce dont vous avez besoin pour un travail stable:

Installez l_openvino_toolkit_runtime_raspbian_p_2020.1.023.tgz selon les instructions - docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_raspbian.html
Installer autorun
Supprimez le message sur le mot de passe par défaut (peut-être pas nécessaire, mais cela m'a dérangé) - sudo apt purge libpam-chksshpwd
désactiver l'économiseur d'écran - www.raspberrypi.org/forums/viewtopic.php?t=260355
Pour la détection audio:
- pip3 installer webrtcvad
- sudo apt-get installer python-dev
- sudo apt-get installer portaudio19-dev
- sudo pip3 installer pyaudio
Téléchargez des modèles depuis le référentiel OpenVino à l'aide du script «Get_models.py» dans le dossier «Models»

Forme

L'image est postée ici (5 concerts).

Quelques points:

Le mot de passe de connexion standard est utilisé (pi, framboise)
Accès SSH activé
Par défaut, le WiFi n'est pas connecté et l'adresse du bot dans le panier que le système utilisera pour la surveillance n'est pas configurée.

Comment configurer le WiFi dans une image

La première option consiste à afficher le code QR avec le texte après le lancement:

WIFI:T:WPA;P:qwerty123456;S:TestNet;;

Où après P est le mot de passe du réseau, après S est l'identifiant du réseau.

Si vous avez un téléphone avec Android 10, un tel code QR est généré automatiquement lorsque vous cliquez sur "partager le réseau"
Sinon, vous pouvez le générer sur www.the-qrcode-generator.com

La deuxième option est de SSH dans le RPi (en se connectant sur le fil). Ou allumez le moniteur et le clavier. Et mettre le fichier

wpa_supplicant_auto.conf

network={

ssid="*********"

psk="*******"

proto=RSN

key_mgmt=WPA-PSK

pairwise=CCMP

auth_alg=OPEN

}

avec vos paramètres Wi-Fi dans le dossier "/ home / pi / face_detect".

Comment configurer un robot de télégramme dans une image

La première option consiste à afficher le code QR avec le texte après le lancement:

tg_creedential.txt

token to access the HTTP API — , @BotFather telegram "/newbot"

socks5://… — ,

socks5 — ,

socks5 — ,

en le générant via www.the-qrcode-generator.com La

deuxième option est de SSH dans le RPi (connecté par fil). Ou allumez le moniteur et le clavier. Et placez le fichier tg_creedential.txt décrit ci-dessus dans le dossier "/ home / pi / face_detect".

Remarque sur l'enfance

Déjà quand j'ai récupéré la première version et l'ai montrée à ma mère, j'ai reçu une réponse soudaine:

"Oh, et nous avons fait presque la même chose dans votre enfance."

"?!"

«Eh bien, ils ont mis la voiture avec vous sur le balcon, ont jeté un microphone à travers la fenêtre, qui était inclus dans l'amplificateur de l'appartement.

En général, il s'est soudainement avéré que c'était héréditaire.

Remarque sur le conjoint

«Comment votre femme a-t-elle réagi?

«Comment vous a-t-elle laissé expérimenter sur votre fils?!»

Ils ont demandé plus d'une fois.

Mais j'ai bien ruiné ma femme. Ici, elle écrit même parfois des articles sur Habré.

PS1

Je ne suis pas un spécialiste de la sécurité de l'information. Bien sûr, j'ai essayé de m'assurer qu'aucun mot de passe ne devait être affiché nulle part, etc., et tout le monde pouvait configurer pour lui-même, en indiquant toutes les informations de sécurité après le démarrage.

Mais je n'exclus pas que j'ai raté quelque chose quelque part. Si vous voyez des erreurs évidentes, je vais essayer de les corriger.

PS2

Très probablement, je parlerai des mises à jour de ce projet dans ma chaîne de télégramme , ou dans le groupe VKontakte . Si j'accumule beaucoup de choses intéressantes, je ferai une autre publication ici.

Nounou RPi

Choisir une idée

Sélection de plateforme

Le fer

Caméra

Éclairage

Écran

Nutrition

OpenVino

Aller. Logique générale version 1

Problèmes rencontrés dans la version 1

Démarrage automatique

Problèmes de version 2

?

Du son

Allez-y, quoi d'autre

Et alors?

À quoi ça ressemble à la fin, description, pensées

Comment lancer

Github

RPi tuning sifflets et faux

Forme

Comment configurer le WiFi dans une image

Comment configurer un robot de télégramme dans une image

Remarque sur l'enfance

Remarque sur le conjoint

PS1

PS2

More articles: