於最初的文章，有提到機器學習是趨勢，但怎麼開始、學那些技能、要看那些文件文章、要如何使用工具等等，google後又因資訊太多太複雜，讓學習意願或者動力被澆熄被降低的狀況就會發生。這時會開始思考，有這麼多項目要看，這些資訊到底有何幫助?  

可以透過要面對的問題反找適當的資訊學習外，這邊另外給個建議，就是實際動手去做，去創造應用看看，那怕是簡單的任務，又或者是生活上很常見的狀況，都可以去嘗試。尤其是能夠改善自己平時的痛點，是最棒的。做錯了，或效果不如預期，不需要放在心上，因為實際動手參與的過程才是最棒的經驗。當有了經驗，會發現原來機器學習是多麼重要，自然會再度提升學習動機。

失敗的鬼抓人無人機 - 無人機當鬼

2022年疫情，小朋友被關在家時，大人就麻煩了，因為被要求要陪玩。所以想弄一個鬼抓人無人機，讓小朋友在頂樓空曠的室內玩，無人機當鬼。

但是不如預期，失敗了，原因如下:

• 透過 jupyter 與 無人機WiFi 連線操作，辨識程式再另一台電腦上，有delay response 的問題。
• 氣流與環境會讓無人機震動，其上鏡頭解析度不高，甚至辨認圖片的寬度不理想；
  嘗試裝廣角鏡頭，讓無人機無法平衡，屢次摔機。

所以測試的無人機並沒有積極追著人跑，頂多不斷地找尋目標小孩與調整位置:
https://www.youtube.com/shorts/1V4JxKaNIXM

這個經驗就是，要讓機器取得資料，反應時間、機器解析度與環境也是要考慮進來。
記得機器的安全保護還是要做，目的是反過來保護周圍的人，如無人機加裝保護套。

駕駛幫手 - 提醒保持距離

於今年初再度嘗試應用，這次注意到response delay的問題，所以直接結合程式與鏡頭於一台機器上。於是動手做的時刻又來了。

要做這應用，首先要確立的是機器必須學會檢測物體，如何用主要的表達函數來提高效果，降低損失函數的值，用什麼激活函數和逼近函數等等在。但這些都需要時間和耐心；如果你想涉足機器學習，可以先做一些應用體驗，然後再優化創建機器學習模塊。

下面是一個使用YOLO檢測模塊提醒司機保持安全車距的應用，於實際道路上測試。
https://www.youtube.com/watch?v=AhdyZbXmqbQ

此為使用Yolo做實時檢測實驗，程序的流程內容為:

1.參考改善YOLO的使用（鏈接）

2.然後判斷方式如下

打開攝像頭，即時抓取圖像，傳給YOLO模塊進行判斷。
紫色決策塊 “detect object Is in Range of detecting” 判斷物體是否滿足檢測條件。檢測到的條件將有兩個線性方程。如果兩者都在這個線性方程後面的塊中，即滿足要求被檢測到，立即用框顏色標記。

動態設置兩個線性方程式，下圖左邊綠線，右邊藍線，線性方程 “ ax+b = y”。 所謂動態，為隨鏡頭狀況調整參數，自動算出二條線的個別 a、b 值，供接下來計算判斷。

從兩側駛來的汽車通常不會越過這兩條線。即使有，在線路中的比例也太小，不能滿足檢測要求；

如果左側車往前走的越遠越快，勢必面積越來越小，對我們相對越安全。

接下來解釋一下流程圖中紅色的決策塊，“Whether the car object in this screen is a car object in the previous round of screen?”，判斷當前對像是否也存在於上一輪畫面中，檢測到，如果是，保存這輛車的對象；不管是不是，都必須送到下一個綠色決策塊。

以下示意同一物件的判斷，前提是擷取的螢幕每幀是連續的。紅色表示下一幀的物件，藍色表示原物件。在連續圖片的狀況下，紅色重疊在藍色原物件，勢必是同一物件。

接下來是流程圖中綠色的決策塊，“Whether the vehicle object is within the dangerous vehicle distance and is closer to you than the previous vehicle object?” 如果危險車距越來越近，則會進行標記提示。

如何判斷危險區域的車輛物體離你越來越近？可以實現計算的面積。如果物體的可視面積越來越大，也意味著物體在物理上離自己越來越近。

詳細過程還是需要根據上面的流程圖。
最後，如果畫面上的每個物件都判斷完畢，馬上從攝影機取即時影像，做新的迭代過程。

最後總結一下不足和需要改進的地方：

1. 車子的震動還是會影響判斷，但是如果誤差範圍設置得當，影響不會太大。

2. 鏡頭的廣角，拍攝的圖像是否會失真，需要調整。鏡頭只有一個判斷前方，如果要判斷車身周圍需要多顆鏡頭輔助。

3. Yolo模塊很棒，但是晚上偶爾會出現一點誤判，如何減少誤判需要調整。

4. 等紅綠燈時，如果車在前排且靠近斑馬線，可能會考慮到前方行駛的車輛和行人。
   原因是無法判斷自己的車輛是否已經停止，需要車商提供API獲取車輛相關信息，如車速、控制速度等。

5. 應用的判斷參數可以還是要優化的。

優點是：

1.在YOLO模塊的基礎上，前方主車提醒司機保持車距，精度高。

2.在行動的時候，YOLO的檢測依然靈敏。

3.應用程序可以通過高速計算的平板設備移動到其他車輛、電動機車等。無需購買新車即可體驗機器學習的應用功能。