Arquivo do código C++ para ESP32 - sketch.ino

sketch.ino

#include <Arduino.h>
#include "modelo_iris.h" // Inclua o arquivo gerado pelo microgenml

Eloquent::ML::Port::DecisionTree dt;

// Definir os pinos dos potenciômetros
#define POT1_PIN 34  // Potenciômetro 1 (Comprimento da Sépala)
#define POT2_PIN 35  // Potenciômetro 2 (Largura da Sépala)
#define POT3_PIN 32  // Potenciômetro 3 (Comprimento da Pétala)
#define POT4_PIN 33  // Potenciômetro 4 (Largura da Pétala)

// Definir os pinos dos LEDs
#define LED_SETOSA_PIN     19  // LED para a classe Setosa
#define LED_VERSICOLOR_PIN 18  // LED para a classe Versicolor
#define LED_VIRGINICA_PIN  5  // LED para a classe Virginica

void setup() {
    Serial.begin(115200);

    // Configurar os pinos dos potenciômetros como entradas
    pinMode(POT1_PIN, INPUT);
    pinMode(POT2_PIN, INPUT);
    pinMode(POT3_PIN, INPUT);
    pinMode(POT4_PIN, INPUT);

    // Configurar os pinos dos LEDs como saídas
    pinMode(LED_SETOSA_PIN, OUTPUT);
    pinMode(LED_VERSICOLOR_PIN, OUTPUT);
    pinMode(LED_VIRGINICA_PIN, OUTPUT);

    // Inicializar os LEDs desligados
    digitalWrite(LED_SETOSA_PIN, LOW);
    digitalWrite(LED_VERSICOLOR_PIN, LOW);
    digitalWrite(LED_VIRGINICA_PIN, LOW);
}

void loop() {
    // Ler os valores dos potenciômetros (0-4095)
    int pot1_value = analogRead(POT1_PIN);
    int pot2_value = analogRead(POT2_PIN);
    int pot3_value = analogRead(POT3_PIN);
    int pot4_value = analogRead(POT4_PIN);

    // Normalizar os valores para os ranges do dataset Iris
    float sepal_length = map(pot1_value, 0, 4095, 43, 79) / 10.0; // 4.3 - 7.9 cm
    float sepal_width = map(pot2_value, 0, 4095, 20, 44) / 10.0;  // 2.0 - 4.4 cm
    float petal_length = map(pot3_value, 0, 4095, 10, 69) / 10.0; // 1.0 - 6.9 cm
    float petal_width = map(pot4_value, 0, 4095, 10, 25) / 10.0;  // 1.0 - 2.5 cm

    // Criar um array com as características para o modelo
    float features[4] = {sepal_length, sepal_width, petal_length, petal_width};

    // Pré-processamento (se necessário)
    // Valores de média e desvio padrão usados durante o treinamento
    //float mean[] = {5.8433, 3.054, 3.7587, 1.1987};
    //float std_dev[] = {0.8281, 0.4335, 1.7644, 0.7631};

    // Padronizar os dados de entrada
    //for (int i = 0; i < 4; i++) {
    //    features[i] = (features[i] - mean[i]) / std_dev[i];
    //}

    // Chamar a função de predição do modelo
    int predicted_class = dt.predict(features); // Substitua pelo nome correto da função

    // Mapear a classe predita para o nome da espécie e acender o LED correspondente
    String class_name;
    switch (predicted_class) {
        case 0:
            class_name = "Setosa";
            // Acender o LED correspondente e apagar os outros
            digitalWrite(LED_SETOSA_PIN, HIGH);
            digitalWrite(LED_VERSICOLOR_PIN, LOW);
            digitalWrite(LED_VIRGINICA_PIN, LOW);
            break;
        case 1:
            class_name = "Versicolor";
            digitalWrite(LED_SETOSA_PIN, LOW);
            digitalWrite(LED_VERSICOLOR_PIN, HIGH);
            digitalWrite(LED_VIRGINICA_PIN, LOW);
            break;
        case 2:
            class_name = "Virginica";
            digitalWrite(LED_SETOSA_PIN, LOW);
            digitalWrite(LED_VERSICOLOR_PIN, LOW);
            digitalWrite(LED_VIRGINICA_PIN, HIGH);
            break;
        default:
            class_name = "Desconhecida";
            // Desligar todos os LEDs se a classe for desconhecida
            digitalWrite(LED_SETOSA_PIN, LOW);
            digitalWrite(LED_VERSICOLOR_PIN, LOW);
            digitalWrite(LED_VIRGINICA_PIN, LOW);
            break;
    }

    // Imprimir os resultados no Serial Monitor
    Serial.print("Comprimento da Sépala: ");
    Serial.print(sepal_length);
    Serial.print(" cm, Largura da Sépala: ");
    Serial.print(sepal_width);
    Serial.print(" cm, Comprimento da Pétala: ");
    Serial.print(petal_length);
    Serial.print(" cm, Largura da Pétala: ");
    Serial.print(petal_width);
    Serial.print(" cm -> Classe: ");
    Serial.println(class_name);

    // Esperar 1 segundo antes de ler os valores novamente
    delay(1000);
}

Arquivo google colab - programação em python - treinamento da IA


# Instalação das bibliotecas
!pip install pycaret &> /dev/null
!pip install micromlgen &> /dev/null

# Importar as bibliotecas
import pandas as pd
from pycaret.datasets import get_data
from pycaret.classification import *

# Carregar o dataset Iris
data = get_data('iris')

# Configurar o PyCaret para classificação sem pré-processamento
clf = setup(data, target='species', session_id=123, normalize=False, preprocess=False)

# Criar um modelo de Árvore de Decisão (compatível com microgenml)
dt_model = create_model('dt')

# Finalizar o modelo (treinar no dataset completo)
final_model = finalize_model(dt_model)



https://en.wikipedia.org/wiki/Iris_flower_data_set

https://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html