1.
Introduction et prise en main du Raspberry Pi 5

1.1 Introduction au Raspberry Pi 5

1.2 Installation du système d'exploitation Raspbian
(1) Format de carte mémoire Micro SD
(2) Installation du système d'exploitation Raspbian

1.3 Paramètres d'environnement Raspberry Pi
(1) Trouver l'adresse IP du Raspberry Pi

1.4 Connexion au réseau
(1) Utilisation de SSH
(2) Utilisation de VNC
(3) Mise en place d'un serveur FTP

1.5 Finalisation de la configuration du Raspberry Pi
(1) Paramètres régionaux, fuseau horaire et clavier
(2) Paramètres WiFi du Raspberry Pi
(3) Mise à jour Raspberry Pi
(4) Installer la police coréenne et le périphérique d'entrée (IBUS)

2.
Raspberry Pi Python

2.1 Présentation de Python

2.2 Premiers pas avec Python
(1) Exécution de l'environnement de développement Python (IDE)
(2) Écrire du code Python
(3) Exécution de code Python dans un environnement IDE
(4) Exécution de code Python à l'invite de commande

2.3 Choisir une version de Python pour l'IA
(1) Installez pyenv
(2) Installez une nouvelle version de Python avec pyenv

2.4 Mise en place d'un environnement virtuel Python
(1) Création d'un environnement virtuel Python
(2) Activer l'environnement virtuel Python
(3) Mettez fin à l'environnement virtuel Python
(4) Supprimer l'environnement virtuel Python

2.5 Configuration de l'environnement virtuel Python de Thonny
(1) Passez en mode normal
(2) Sélection d'un interpréteur Python

2.6 Installez TensorFlow pour votre version de Python
(1) Installez Python 3.11.2 + Tensorflow 2.19
(2) Exemple d'installation de différentes versions de TensorFlow

3.
GPIO du Raspberry Pi

3.1 Concepts de base et structure des GPIO
(1) Définition et caractéristiques des GPIO
(2) Disposition des broches GPIO du Raspberry Pi 5

3.2 Contrôle des LED GPIO
(1) Comprendre le contrôle des LED
(2) Pratique de la programmation GPIO

3.3 Exercices pratiques sur les entrées/sorties par bouton GPIO et les sorties LED

3.4 Cas d'application GPIO et applications concrètes

3.5 Capteur ultrasonique (HC-SR04)
(1) Principe du capteur ultrasonique (HC-SR04)
(2) Pratique des capteurs ultrasoniques

3.6 PWM (Modulation de largeur d'impulsion)
(1) Théorie de la modulation de largeur d'impulsion (PWM) et pratique du contrôle des LED

3.7 Exercices de buzzer PWM
(1) Buzzer
(2) TonalBuzzer et gammes

3.8 Commande de servomoteur PWM
(1) Principe de commande du servomoteur

3.9 Communication UART (émetteur-récepteur asynchrone universel)
(1) Aperçu de la communication série
(2) Structure de communication UART
(3) Dispositif série Raspberry Pi 5
(4) Exercices de communication UART sur Raspberry Pi 5

3.10 Commande de LED par communication UART

4.
Communication Bluetooth

4.1 Communication Bluetooth
(1) Aperçu de la communication Bluetooth
(2) Connexion du module Bluetooth

4.2 Pratique de la communication Bluetooth
(1) Pratique Bluetooth

5. Communication SPI (Serial Peripheral Interface)

5.1 Aperçu de la communication SPI

5.2 Comparaison des méthodes de communication synchrone et asynchrone

5.3 Lignes de signal et principes de fonctionnement de la communication SPI

5.4 Puce ADC MCP3008
(1) Signaux analogiques et numériques
(2) Principe de conversion ADC (convertisseur analogique-numérique)
(3) Connexion au circuit MCP3008

5.5 Exercices pratiques sur l'entrée à résistance variable SPI
(1) Entrée à résistance variable
(2) Schéma de câblage
(3) Comment assigner des broches aux périphériques SPI dans la bibliothèque gpiozero
(4) Exemples et explications de code pratique

Capteur de température LM35 de 5,6 mm
(1) Activer la communication SPI
(2) Installez la bibliothèque spidev

6.
Utilisation de la caméra

Caméra Raspberry Pi 5 6.1
(1) Activer l'interface de la caméra
(2) Test de fonctionnement de la caméra

6.2 Utilisation de picamera2

7.
Utilisation d'OpenCV

7.1 Installation d'OpenCV
(1) Installation d'OpenCV 4.x sur Raspberry Pi

7.2 Utilisation de base d'OpenCV
(1) Affichage des images
(2) Modifier les niveaux de gris

7.3 Utilisation de la caméra OpenCV
(1) Aperçu de la caméra OpenCV
(2) Enregistrement des photos de la caméra OpenCV

7.4 Intelligence artificielle : reconnaissance faciale et oculaire

7.5 Fonction de détection d'intrusion par reconnaissance de mouvement OpenCV

8.
Service IoT utilisant un serveur web Flask

8.1 Rôle du serveur Web

8.2 Serveur Web Flask
(1) Installation du serveur web Flask
(2) Essai en flacon
(3) Comment ajouter une page web
(4) Création d'une page HTML

8.3 Requêtes GET et POST
(1) Paramètres de la méthode GET
(2) Paramètres de la méthode POST

8.4 Contrôle GPIO Web

9.
Base de données MariaDB

9.1 MariaDB
(1) Installez MariaDB
(2) Configuration du compte racine
(3) Définition des autorisations de l'utilisateur de la base de données

9.2 Connexion à HeidiSQL
(1) Paramétrage pour autoriser l'accès externe
(2) Installez heidiSQL

9.3 Création d'un tableau
(1) Créer un tableau des températures
(2) Créer la table user_info

9.4 Requêtes de base de données
(1) Insérer l'instruction
(2) Instruction SELECT
(3) Déclaration UPDATE
(4) instruction DELETE

9.5 Service de température Web
(1) Installez mysql-connector
(2) test du connecteur MySQL
(3) Stockage des données du capteur de température dans une base de données
(4) Service Web de données de capteurs de température
(5) Service Web de données de capteurs de température - Ajout de la recherche par date

9.6 Création de graphiques Flask (Chart.js)
(1) Utilisation de Chart.js
(2) Exemple de graphique Chart.js
(3) Tracez un graphique linéaire représentant l'évolution de la température.

10.
Contrôler une voiture avec Python

10.1 Assemblage d'une voiture autonome
(1) Composants du véhicule autonome PiCar-R5 basé sur l'IA de Raspberry Pi 5
(2) Assemblage PiCar-R5

10.2 Mise en marche du véhicule autonome

10.3 Commande LED du panneau de commande du véhicule autonome

10.4 Contrôle des LED à l'aide du clavier

Commande de moteur CC 10,5
(1) Structure du moteur à courant continu
(2) Commande de direction du moteur à courant continu
(3) Commande de vitesse du moteur à courant continu

10.6 Déplacer la voiture en marche avant, en marche arrière et tourner

10.7 Communication I2C
(1) Structure de communication I2C
(2) Méthode de communication I2C
(3) Communication I2C en lecture et écriture

10.8 Commande de servomoteur PCA9685
(1) PCA9685
(2) Activer le Raspberry Pi I2C
(3) Installation de la bibliothèque PCA9685
(4) Commande du servomoteur SG90

Contrôle de LED RVB WS2812 de 10,9 pouces
(1) Installez la bibliothèque de contrôle des LED RVB WS2812

11.
Contrôlez votre voiture via une interface web

11.1 Contrôle à distance via le Web des caméras de surveillance

11.2 Diffusion en continu de la reconnaissance de mouvement OpenCV

12.
Mise en œuvre des voitures autonomes

12.1 Stockage des données pour l'apprentissage du modèle de conduite autonome
(1) Structure d'exécution de car_control.py
(2) Commande à distance d'une voiture dans un environnement sans routeur sans fil
(3) Fonction du bouton car_control.html

12.2 Chargement des données pour l'entraînement du modèle de conduite autonome

12.3 Classification des données d'entraînement du modèle de conduite autonome

12.4 Réseaux neuronaux convolutifs (CNN)
(1) Structure du réseau neuronal convolutif (CNN)
(2) Réseau neuronal convolutif : Remplissage
(3) Réseau neuronal convolutif : pas
(4) Fonction d'activation : Relu
(5) Réseau neuronal convolutif : couche de max-pooling
(6) Réseau de neurones convolutif : couche de dropout
(7) Réseau neuronal convolutif : couche d’aplatissement

12.5 Entraînement d'un modèle CNN d'apprentissage automatique
(1) Analyse du code des réseaux neuronaux convolutifs

12.6 Comment entraîner un modèle CNN d'apprentissage automatique sur un PC
(1) Données mobiles à apprendre
(2) Installez Python et Tensorflow sur votre PC

12.7 Validation des données du modèle

12.8 Pratique de la conduite autonome par intelligence artificielle

13. Détection d'objets YOLO v11

13.1 Installation de YOLO v11

13.2 Test YOLO v11
(1) Vérifiez les informations du modèle YOLO pré-entraîné
(2) Test de reconnaissance d'objets YOLO

13.3 Modèle NCNN (Neural Network Computing Framework)

13.4 Formation aux données personnalisées YOLO v11
(1) Obtention de données personnalisées relatives au trafic YOLO
(2) Structure de données d'apprentissage YOLO
(3) Apprentissage des données personnalisées YOLO

13.5 Application des modèles d'apprentissage personnalisés YOLO aux véhicules autonomes

Appendice

Ce manuel fait suite à « Implémentation de l’Internet des objets (IoT) et de l’intelligence artificielle (IA) avec Raspberry Pi 4 ». Tout comme le précédent, il vous permet de vous exercer immédiatement en connectant simplement la carte HAT de capteur Raspberry Pi sans utiliser de plaque d’essai ni de fils de connexion, ce qui facilite le câblage de composants complexes lors de la pratique des capteurs et permet même aux personnes non expertes en ingénierie électronique de suivre facilement les instructions.

Pour les utilisateurs de Raspberry Pi 4, la méthode d'alimentation (5A@5V) et la méthode d'installation du système d'exploitation qui ont changé dans Raspberry Pi 5 ont été expliquées, et contrairement aux manuels précédents, les commandes Linux et la grammaire Python de base ont été volontairement omises, se concentrant sur l'utilisation de base des capteurs pour la mise en œuvre de l'Internet des objets sur Raspberry Pi 5, la communication Bluetooth et la mise en œuvre de bases de données et de services Web pour la mise en œuvre de services IoT.

Si vous devez d'abord apprendre les commandes Linux et la syntaxe Python, nous vous recommandons de commencer par le manuel « Implémentation de l'Internet des objets (IoT) et de l'intelligence artificielle (IA) avec Raspberry Pi 4 ».

Dans la dernière partie du manuel, une voiture autonome a été mise en œuvre à l'aide d'un réseau neuronal convolutif (CNN), et le modèle open source « donkey car (https://docs.donkeycar.com) », qui a gagné de nombreux utilisateurs dans le monde entier, a été largement cité.

La version 2.x de Tensorflow est largement utilisée comme environnement de développement d'intelligence artificielle dans l'environnement Raspberry Pi 5, mais la méthode d'installation est un peu compliquée selon les versions de Python et de Numpy.
Ce livre explique en détail et de manière très accessible comment configurer un environnement virtuel Python et installer TensorFlow, notamment les principes de fonctionnement des réseaux de neurones convolutifs (CNN). Vous apprendrez également à collecter les données nécessaires à l'entraînement d'un CNN à l'aide d'OpenCV, à entraîner ces données sur un Raspberry Pi 5 et à transférer les données d'entraînement enregistrées sur le Raspberry Pi 5 vers un PC pour un entraînement plus efficace.

Dans le dernier chapitre, nous apprendrons à installer le modèle de détection d'objets YOLO v11 et à entraîner des données personnalisées pour YOLO v11 afin de l'appliquer aux véhicules autonomes. À l'issue de ce module, vous maîtriserez non seulement les fondamentaux des véhicules autonomes grâce aux connaissances acquises dans cet ouvrage, mais vous serez également capable d'appliquer ces concepts à d'autres secteurs utilisant des réseaux de neurones convolutifs (CNN) et des modèles de détection d'objets.

- Tous les auteurs -