Abraham/Pet-Monitor
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
Pet-Monitor/Readme.md
abraham 44849611a3 first running version
2026-09-27 23:09:00 +02:00

3.9 KiB
Raw Blame History

Pet Monitor con Raspberry Pi 5 & Hailo-8L (AI HAT) Sistema de monitorización inteligente para mascotas utilizando aceleración por hardware NPU (chip Hailo-8L) para visión por computador a 30 FPS y detección de audio local en CPU para ladridos/sonidos anómalos.

  1. Hardware Utilizado Placa: Raspberry Pi 5. Coprocesador IA: Raspberry Pi AI HAT (Hailo-8L, 13 TOPS). Cámara: Módulo de cámara Raspberry Pi (CSI). Entrada de audio: Micrófono USB (pendiente de conectar).
  1. Configuración del Sistema y Hardware Habilitar PCIe Gen 3 Para maximizar el ancho de banda con el chip Hailo-8L, se configuró el bus PCIe en /boot/firmware/config.txt:
dtparam=pciex1
dtparam=pciex1_gen=3

Paquetes del Sistema Instalados Se instalaron las utilidades de cámara, controladores del kernel y librerías dinámicas de audio requeridas por el sistema operativo:

sudo apt update && sudo apt full-upgrade -y
sudo apt install -y hailo-all rpicam-apps libportaudio2 portaudio19-dev libasound2-dev python3-picamera2

Verificación de hardware NPU Hailo: lspci muestra el coprocesador Hailo Technologies y hailortcli fw-control identify responde con el firmware cargado. Cámara: rpicam-hello --list-cameras detecta correctamente el sensor CSI.

  1. Entorno de Desarrollo Python (uv) Se configuró el entorno virtual utilizando uv con acceso a los paquetes del sistema (--system-site-packages) para reutilizar los bindings compilados de picamera2 y hailo_platform instalados por Debian/Raspberry Pi OS:
cd ~/pet_monitor
# Creación del entorno con acceso a librerías nativas
uv venv --system-site-packages

# Instalación de librerías en el entorno virtual
uv pip install sounddevice numpy scipy requests onnxruntime

Nota técnica: Se seleccionó onnxruntime en lugar de tflite-runtime para garantizar compatibilidad con versiones modernas de Python en ARM64 sin necesidad de compilar desde fuente.

  1. Estado Actual del Software pet_speed.py: Script de visión artificial optimizado con aceleración por hardware que:
  • Inicializa Picamera2 con flujo dual sincronizado por hardware (PiSP):
    • Stream main (1280x720) para capturas de alta definición y alertas.
    • Stream lores (640x640) escalado por hardware por el ISP directamente al formato esperado por el modelo YOLOv8 (0% sobrecarga en CPU).
  • Utiliza la API nativa de aceleración picamera2.devices.hailo.Hailo cargando el modelo optimizado (/usr/share/hailo-models/yolov8s_h8.hef).
  • Filtra detecciones del conjunto COCO para gato (id: 15) y perro (id: 16).
  • Calcula el centroide del animal y evalúa el desplazamiento entre fotogramas consecutivos para alertar si la velocidad supera el umbral de carrera (SPEED_THRESHOLD = 0.30).
  • Libera limpiamente la cámara y el acelerador Hailo al recibir señal de interrupción (SIGINT/Ctrl+C).

Ejecución:

uv run pet_speed.py
  1. Próximos Pasos (Hoja de Ruta) Fase A: Integración de Audio (Ladridos y Sonidos) Conectar el micrófono USB. Identificar el índice del dispositivo con:
   uv run python -m sounddevice

Descargar el modelo YAMNet en formato ONNX (yamnet.onnx) y el diccionario de clases de AudioSet (yamnet_classes.csv). Desarrollar el listener en un hilo secundario (threading.Thread) analizando fragmentos de audio de 0.975 segundos en busca de la clase Bark. Fase B: Sistema de Alertas y Notificaciones Crear un bot en Telegram con @BotFather y obtener el TELEGRAM_BOT_TOKEN y CHAT_ID. Programar un despachador asíncrono con control de enfriamiento (cooldown de 30-60 s) para evitar spam. Guardar una captura JPEG con la caja delimitadora en el momento de la carrera o ladrido y enviarla a Telegram. Fase C: Despliegue Autónomo (Systemd) Crear una unidad de servicio /etc/systemd/system/pet_monitor.service. Habilitar arranque automático al encender la Raspberry Pi:

   sudo systemctl enable --now pet_monitor.service