在PC上工作时，我的姿势逐渐变差。我使用M5StickV开发了“不良姿势检测器”，它可以用声音和LED提醒。
主功能
- 如果M5StickV检测到不良姿势，通过点亮LED和播放声音提醒“您的姿势可能不好”。
间隔捕获应用要收集数据集，请首先编写M5StickV的间隔捕获应用程序。（请检查我的存储库）
从MobileNet转移学习为了学习，我所用的传送学习从MobileNet。MobileNet可以每个检测到的相似的图像图案进行分类。在这个项目中，我设定了3个班级
- 不良姿势：低着头靠背的姿势
- 良好姿势：向后伸展的良好姿势
- 缺席：不坐在椅子上
首先将相机设置在我办公桌的上方位置，但该数据不正确，无法将“好姿势”和“坏姿势”分类。
较高的数据集显示，这些是相似的，因此无法分类。
摄像机上方位置不良姿势的数据样本
来自上位相机位置的姿势良好的数据样本
我反复调整相机位置，最后找到最佳位置。
相机的最佳位置
从最佳位置来看，“不良姿势”数据与“良好姿势”数据并不相似。姿势良好的图像几乎不包括面部，姿势不良的图像几乎不反映在面部。
来自最佳相机位置的不良姿势数据样本
来自最佳相机位置的姿势良好的数据样本
查看混淆矩阵，每个姿势都有明显的差异，因此我们决定使用以此数据集创建的模型。
混淆矩阵结果在此视频中，您可以看到姿势不好时可以通过语音和LED通知您。我做完之后发现了什么
- 即使衣服不同也能识别。出乎意料的是，我认为转换为灰度图像是没有用的，但是数据集：黑色衣服，推断：即使是浅蓝色衬衫也能毫无问题地识别出它
- 他们甚至在这个地方也认识我（在学习时：公司席位，在推理时：在家）。靠背的高度和颜色略有不同，背景也有所不同，但仍然没有问题
- 制作数据集时，我觉得最后只能将脸识别为“不良姿势=脸”，但是即使未包括所有意外的脸（下巴和嘴角也可以看到）。已正确分类（另请参见视频）
