【Raspberry Pi】電子工作入門⑦～機械学習モデルの作成と分類～【Python】

dataset/
├─ circle/       ← 円の画像（例：50枚）
├─ square/       ← 四角形の画像（例：50枚）
└─ triangle/     ← 三角形の画像（例：50枚）

from picamera2 import Picamera2
import cv2
import time
import os

# ★ 保存するラベル名
label = "circle"   # circle / square / triangle など

base_dir = "dataset"
save_dir = os.path.join(base_dir, label)
os.makedirs(save_dir, exist_ok=True)

# -----------------------------
# 📌 PiCamera2 初期化（640×360）
# -----------------------------
picam2 = Picamera2()
picam2.configure(
    picam2.create_preview_configuration(
        main={"size": (640, 360)}
    )
)
picam2.start()
time.sleep(0.2)

# 📌 デジタルズーム防止（フルセンサー使用）
try:
    sensor_w, sensor_h = picam2.camera_properties["PixelArraySize"]
    picam2.set_controls({"ScalerCrop": (0, 0, int(sensor_w), int(sensor_h))})
except:
    picam2.set_controls({"ScalerCrop": (0, 0, 2592, 1944)})

time.sleep(0.2)

print(f"📷 学習データ撮影開始: label={label}")
print("   [s] 保存 / [q] 終了")

count = len(os.listdir(save_dir))

while True:
    # 生のカメラ画像（保存用）
    rgb = picam2.capture_array()
    raw_bgr = cv2.cvtColor(rgb, cv2.COLOR_RGB2BGR)

    # 表示用画像（ガイド表示に使う）
    disp = raw_bgr.copy()

    h, w = disp.shape[:2]

    # --------------------------------------
    # 📌 ガイド枠の座標（フレーム中央の四角形）
    # --------------------------------------
    x1, y1 = w // 4, h // 4
    x2, y2 = w * 3 // 4, h * 3 // 4

    # ガイド枠描画（画面表示のみ）
    cv2.rectangle(disp, (x1, y1), (x2, y2), (0,255,255), 2)
    cv2.putText(disp, f"Label: {label}  Count: {count}",
                (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0,255,255), 2)
    cv2.putText(disp, "[s]=save  [q]=quit",
                (10, h-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255,255,255), 2)

    # 表示
    cv2.imshow("Capture Dataset (Crop inside guide)", disp)
    key = cv2.waitKey(1) & 0xFF

    # --------------------------------------
    # 📌 sキー → ガイド枠の「内側のみ」を保存
    # --------------------------------------
    if key == ord('s'):
        cropped = raw_bgr[y1:y2, x1:x2]   # ← ここが重要！

        filename = os.path.join(save_dir, f"{label}_{count:03d}.jpg")
        cv2.imwrite(filename, cropped)
        print("Saved:", filename)
        count += 1

    elif key == ord('q'):
        break

cv2.destroyAllWindows()
picam2.stop()

# train_knn_realdata.py
# あなたが撮影した dataset/ フォルダを使って k-NN 学習を行う

import cv2
import numpy as np
import os

IMG_SIZE = 32   # 学習用に縮小（32×32が軽くて速い）

# dataset フォルダ構成：
# dataset/circle/
# dataset/square/
# dataset/triangle/
labels = {"circle": 0, "square": 1, "triangle": 2}

train_data = []
train_labels = []

for name, label in labels.items():
    folder = f"./dataset/{name}"
    print("Loading:", folder)

    for filename in os.listdir(folder):
        path = os.path.join(folder, filename)

        # 画像を読み込む
        img = cv2.imread(path, cv2.IMREAD_GRAYSCALE)

        # 読み込めない場合はスキップ
        if img is None:
            continue

        # サイズを揃える（学習のため）
        img = cv2.resize(img, (IMG_SIZE, IMG_SIZE))

        # 1次元の特徴ベクトルに変換
        vec = img.flatten().astype(np.float32)

        train_data.append(vec)
        train_labels.append(label)

print("✔ 画像読み込み完了")

# 配列に変換
train_data = np.array(train_data)
train_labels = np.array(train_labels)

# --------------------------
# k-NN モデルを作成して学習
# --------------------------
knn = cv2.ml.KNearest_create()
knn.train(train_data, cv2.ml.ROW_SAMPLE, train_labels)

# 学習結果を保存
knn.save("shape_knn_model.yml")
print("学習完了 → shape_knn_model.yml に保存されました！")

from picamera2 import Picamera2
import cv2
import numpy as np
import time

IMG_SIZE = 32
labels = {0: "circle", 1: "square", 2: "triangle"}

# 学習済みモデルを読み込む
knn = cv2.ml.KNearest_load("shape_knn_model.yml")

# PiCamera2 のセットアップ
picam2 = Picamera2()
picam2.configure(
    picam2.create_preview_configuration(
        main={"size": (640, 360)}
    )
)
picam2.start()
time.sleep(0.3)

# デジタルズーム禁止
try:
    sw, sh = picam2.camera_properties["PixelArraySize"]
    picam2.set_controls({"ScalerCrop": (0, 0, int(sw), int(sh))})
except:
    picam2.set_controls({"ScalerCrop": (0, 0, 2592, 1944)})

print("推論開始（qで終了）")

while True:
    # カメラからフレーム取得
    frame = picam2.capture_array()
    bgr = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
    gray = cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY)

    # 中央部分だけ使う（撮影時と同じ領域）
    h, w = gray.shape[:2]
    x1, y1 = w//4, h//4
    x2, y2 = w*3//4, h*3//4
    roi = gray[y1:y2, x1:x2]

    # 推論用にリサイズ＆ベクトル化
    resized = cv2.resize(roi, (IMG_SIZE, IMG_SIZE))
    vec = resized.flatten().astype(np.float32).reshape(1, -1)

    # 推論（k=3 の多数決）
    ret, results, neighbours, dist = knn.findNearest(vec, k=3)
    label_id = int(results[0][0])
    name = labels[label_id]

    # 結果表示
    cv2.rectangle(bgr, (x1,y1), (x2,y2), (0,255,255), 2)
    cv2.putText(bgr, f"Detected: {name}", (20,50),
                cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0,255,255), 2)

    cv2.imshow("Shape Classification (Real Camera)", bgr)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cv2.destroyAllWindows()
picam2.stop()

roi（180×320） → resize(32×32) → flatten → 1024 次元ベクトル

distance = √((x1-x2)^2 + (y1-y2)^2)

distance = √((v1 - u1)^2 + (v2 - u2)^2 + … + (v1024 - u1024)^2)