W10 作業 · Part III · 同題目換 AI 做
用 ML / DL 完成猜拳辨識
挑一條(或多條)路線,訓練 + 部署 + 跟 W9 規則法對比。看到 60-80% → 90%+ 的提升,並理解代價。
一、作業目標
體驗「特徵由演算法從資料學出來」比手刻好多少。完成至少一條路線(B/C/D 任挑),並產出 Confusion Matrix 跟 W9 規則法對比。
二、作業內容
必做(任挑一條)
路線 B:HoG + SVM(部署到 Android Chaquopy)
- Colab 訓練 HoG+SVM 模型,存成
hog_svm_rps.pkl
- Android 端用 Chaquopy 載入 .pkl(
joblib.load)
- 跑即時 RPS 辨識
- 產出 Confusion Matrix
或 路線 C/D:Tiny CNN / MobileNetV2(部署到 Colab Local Runtime)
- Colab 訓練,存 .tflite
- Colab Local Runtime + 本地 webcam 即時推論
- 產出 Confusion Matrix
必做:對比表
跟 W9 規則法對比,至少含:
- 正確率(整體 + 每類)
- 推論延遲(ms / frame)
- 模型大小
- 失敗 case 各 1 個
三、加分項(任選)
- (+2) 同時跑路線 B + C + D,三方法對比
- (+2) 自己拍 RPS 資料集(每類 50+ 張)取代教材附的
- (+2) 跑 Data Augmentation 並對比有 / 無 augmentation 的差異
- (+2) 在 Android Chaquopy 上整合 W9 規則法 + W10 ML 投票
四、繳交內容
- 30 秒測試影片:展示即時 RPS,標出正確率
.doc / .pdf 簡易報告:含 Confusion Matrix + 與 W9 對比表 + 心得
- Colab notebook 或程式碼
五、注意事項
- scikit-learn 鎖 1.4.0:Colab 與 Chaquopy 都 pin
scikit-learn==1.4.0,避免版本不一致
- NumPy 鎖 <2:Local Runtime 端
- 路線 C/D 不能走 Chaquopy 是因為
tflite-runtime 沒 cp310 wheel(已知工程坑)
- 第一次訓練 GPU runtime 可能要等 Colab 排隊
- 共用模型 (
shared/assets/models/) 是預訓練版,可直接拿來驗證 pipeline