Compare commits
3 Commits
Author | SHA1 | Date | |
---|---|---|---|
![]() |
6c08a81a52 | ||
![]() |
1dc9e45f19 | ||
![]() |
cc6fdc2e8b |
3
.gitignore
vendored
@ -2,5 +2,4 @@ venv/
|
||||
.vscode/
|
||||
.ideagit
|
||||
.idea
|
||||
__pycache__/
|
||||
/resources/smieci w kontenerach
|
||||
__pycache__/
|
45
Graphsearch.py
Normal file
@ -0,0 +1,45 @@
|
||||
from queue import PriorityQueue
|
||||
|
||||
# fringe - kolejka priorytetowa przechowująca wierzchołki do odwiedzenia
|
||||
fringe = PriorityQueue() # put or get
|
||||
|
||||
# explored - lista odwiedzonych stanów
|
||||
explored = []
|
||||
|
||||
# istate - stan początkowy
|
||||
|
||||
|
||||
# succ - funkcja następnika
|
||||
def succ():
|
||||
pass
|
||||
|
||||
|
||||
# goaltest - test spełnienia celu
|
||||
def goaltest():
|
||||
pass
|
||||
|
||||
|
||||
# f - funkcja wyznaczająca priorytet następników
|
||||
def f():
|
||||
pass
|
||||
|
||||
|
||||
def graphsearch(fringe, explored, istate, succ, goaltest, f):
|
||||
# umieść new node(istate) na fringe
|
||||
# loop
|
||||
# if fringe jest pusta
|
||||
# return false
|
||||
# elem = wybierz element z fringe
|
||||
# if goal_test(elem.state)
|
||||
# return ciąg akcji zbudowany z wykorzystaniem pól parent i action
|
||||
# umieść elem na liście explored
|
||||
# for (akcja, stan) in succ(elem.state)
|
||||
# x = new node(stan)
|
||||
# x.parent = elem
|
||||
# x.action = akcja
|
||||
# p = f(x)
|
||||
# if stan nie należy do fringe i nie należy do explored
|
||||
# umieść x na fringe zgodnie z priorytetem p
|
||||
# else if stan należy do fringe i ma na nim priorytet r > p
|
||||
# zastąp węzeł o priorytecie r węzłem o priorytecie p
|
||||
pass
|
68
environment.md
Normal file
@ -0,0 +1,68 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
---
|
||||
|
||||
## 1. Ogólne działanie:
|
||||
|
||||
![gif](resources/screenShots/gifProjektu.gif)
|
||||
|
||||
---
|
||||
|
||||
## 2. Struktura katalogów:
|
||||
|
||||
![katalogi](resources/screenShots/strukturaKatalogu.png)
|
||||
|
||||
**Resources**:
|
||||
|
||||
- _plansza_ - folder zawierający zdjęcia niezbędne do generowania planszy - domy, jezioro, pojemniki, wysypisko,
|
||||
- _śmieci_ - zawiera podfoldery z klaysifkacją zdjęć śmieci,
|
||||
- _śmieci w kontenerach_ - folder, który będzie zawierał posegregowane już smieci
|
||||
|
||||
**Pliki**:
|
||||
|
||||
**[game.py](game.py)** - plik zawierający całą funkcjonalność projektu:
|
||||
|
||||
- główna pętla programu,
|
||||
- tworzenie planszy,
|
||||
- tworzenie i usytuowanie obiektów z katalogu [modeli](modele.py),
|
||||
- generowanie tekstowej interpretacji zebranej wiedzy
|
||||
|
||||
**[main.py](main.py)** - klasa odpowiedzialna za uruchomienie programu
|
||||
|
||||
**[modele.py](modele.py)** - zawiera klasy aplikacji
|
||||
|
||||
**[requirements.txt](requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
|
||||
|
||||
```
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 3. Opis funkcjonalności programu:
|
||||
|
||||
* śmieciarka porusza się w losowy sposób po planszy 15 x 15 (koloruje na niebiesko przebytą trasę)
|
||||
![ruch śmieciarki](resources/screenShots/randMove.png)
|
||||
* domy generowane są losowo na mapie z pominięciem kolizji z innymi obiektami
|
||||
![generowanie_domów](resources/screenShots/wspolrzedneDomow.png)
|
||||
* pozycja wysypiska, przeszkody (jeziorko) i kontenerów jest statyczna
|
||||
![statyczna_pozycja](resources/screenShots/statycznaPozycja.png)
|
||||
* w kontenerach przechowywane będą posegregowane, odpowiednio według kategorii, zdjęcia śmieci
|
||||
|
||||
* zdjęcia śmieci będą przydzielane w sposób losowy do każdego z domów na planszy
|
||||
![losowanie_śmieci](resources/screenShots/wyborSmieci.png)
|
||||
* śmieciarka zbiera śmieci po najechaniu na pozycję danego domu
|
||||
|
||||
* po każdym uruchomieniu programu tworzona jest struktura katalogów dla posegregowanych śmieci
|
||||
![tworzenie_struktury](resources/screenShots/tworzenieStrukturyKatalogow.png)
|
||||
* śmieciarka sprawdza w każdym ruchu czy nie dojdzie do kolizji z innym obiektem lub nie wyjedzie poza planszę
|
||||
![sprawdzanie_kolizcji](resources/screenShots/sprawdzanieKolizji.png)
|
||||
* po prawej stronie wypisywane są aktualne, najważniejsze informacje
|
||||
![wiedza](resources/screenShots/wiedzaPoPrawejStronie.png)
|
||||
* każdy obiekt na planszy posiada atrybuty odpowiedzalne za
|
||||
przechowywanie wiedzy o danym obiekcie np.: obiekt śmieciarka przechowuje informacje o odwiedzonych domach
|
||||
![atrybuty](resources/screenShots/atrybutySmieciarki.png)
|
120
game.py
Normal file
@ -0,0 +1,120 @@
|
||||
import pygame
|
||||
import modele
|
||||
import numpy as np
|
||||
import random
|
||||
import os
|
||||
import shutil
|
||||
|
||||
pygame.init()
|
||||
|
||||
# kolory
|
||||
BLACK = (0, 0, 0)
|
||||
WHITE = (255, 255, 255)
|
||||
GREEN = (0, 255, 0)
|
||||
RED = (255, 0, 0)
|
||||
BLUE = (40, 50, 200)
|
||||
GREY = (128, 128, 128)
|
||||
MAGENTA = (255, 0, 144)
|
||||
YELLOW = (255, 255, 0)
|
||||
|
||||
# wysokosc i szerokosc kazdej kratki
|
||||
WIDTH = 60
|
||||
HEIGHT = 60
|
||||
|
||||
# margines pomiedzy kratkami
|
||||
MARGIN = 5
|
||||
|
||||
# rozmiar kratki
|
||||
ILOSC_WIERSZY = 15
|
||||
ILOSC_KOLUMN = 15
|
||||
|
||||
# rozmiar okna
|
||||
WINDOW_SIZE = [980, 980]
|
||||
|
||||
|
||||
def game():
|
||||
obiekty = utworzObiekty()
|
||||
# Petla az uzytkownik zamknie program
|
||||
done = False
|
||||
clock = pygame.time.Clock()
|
||||
|
||||
start = False
|
||||
|
||||
# -------- Glowna petla programu -----------
|
||||
while not done:
|
||||
|
||||
# obsluga zdarzen typu nacisniecie klawisza lub przycisku myszy
|
||||
for event in pygame.event.get(): # User did something
|
||||
if event.type == pygame.QUIT: # If user clicked close
|
||||
done = True # Flag that we are done so we exit this loop
|
||||
elif event.type == pygame.MOUSEBUTTONDOWN:
|
||||
# Zapisywanie pozycji myszki po kliknieciu
|
||||
pozycja_myszki = pygame.mouse.get_pos()
|
||||
|
||||
# Zamiana pozycji na konkretne koordy
|
||||
kolumna = pozycja_myszki[0] // (WIDTH + MARGIN)
|
||||
wiersz = pozycja_myszki[1] // (HEIGHT + MARGIN)
|
||||
print("Click ", pozycja_myszki,
|
||||
"Grid coordinates: ", wiersz, kolumna)
|
||||
obiekty["plansza"][kolumna,wiersz].setKolor(BLACK)
|
||||
rysowaniePlanszy(obiekty)
|
||||
pressed = pygame.key.get_pressed()
|
||||
if pressed[pygame.K_q]:
|
||||
start = False
|
||||
if pressed[pygame.K_s]:
|
||||
start = True
|
||||
if pressed[pygame.K_z]:
|
||||
continue
|
||||
if start:
|
||||
obiekty["smieciarka"].rand_move()
|
||||
clock.tick(7)
|
||||
pygame.quit()
|
||||
|
||||
|
||||
def rysowaniePlanszy(obiekty):
|
||||
obiekty["obraz"].fill(BLACK)
|
||||
# rysowanie planszy
|
||||
for i in range(ILOSC_WIERSZY):
|
||||
for j in range(ILOSC_KOLUMN):
|
||||
pygame.draw.rect(obiekty["obraz"],
|
||||
obiekty["plansza"][i, j].kolor,
|
||||
[(MARGIN + WIDTH) * obiekty["plansza"][i, j].pozY + MARGIN,
|
||||
(MARGIN + HEIGHT) *
|
||||
obiekty["plansza"][i, j].pozX + MARGIN,
|
||||
WIDTH,
|
||||
HEIGHT])
|
||||
|
||||
obiekty["sprajty"].draw(obiekty["obraz"])
|
||||
pygame.display.update()
|
||||
|
||||
|
||||
def utworzObiekty():
|
||||
# Tworzenie planszy i kratek
|
||||
plansza = np.array([[modele.Kratka(i, j) for i in range(ILOSC_KOLUMN)]
|
||||
for j in range(ILOSC_WIERSZY)])
|
||||
all_sprites_list = pygame.sprite.Group()
|
||||
# smieciarka
|
||||
smieciarka = modele.Smieciarka(14, 14)
|
||||
plansza[14, 14].setKolor(BLUE)
|
||||
plansza[14, 14].setObiekt(smieciarka)
|
||||
|
||||
# punkt docelowy
|
||||
plansza[0,0].setKolor(MAGENTA)
|
||||
|
||||
# tworzenie wyswietlanego okna
|
||||
os.environ['SDL_VIDEO_WINDOW_POS'] = "%d,%d" % (0, 30)
|
||||
obraz = pygame.display.set_mode(WINDOW_SIZE)
|
||||
smieciarka.setObraz(obraz)
|
||||
pygame.display.set_caption("Inteligentna śmieciarka")
|
||||
|
||||
all_sprites_list.add(smieciarka)
|
||||
|
||||
obiekty = {
|
||||
"plansza": plansza,
|
||||
"smieciarka": smieciarka,
|
||||
"obraz": obraz,
|
||||
"sprajty": all_sprites_list
|
||||
}
|
||||
smieciarka.setObiekty(obiekty)
|
||||
smieciarka.setPlansza(plansza)
|
||||
return obiekty
|
11
main.py
Normal file
@ -0,0 +1,11 @@
|
||||
import pygame
|
||||
import game
|
||||
|
||||
|
||||
def main():
|
||||
print("poczatek programu")
|
||||
game.game()
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
main()
|
119
modele.py
Normal file
@ -0,0 +1,119 @@
|
||||
import pygame
|
||||
import game
|
||||
import random
|
||||
|
||||
# wysokosc i szerokosc kazdej kratki
|
||||
WIDTH = 60
|
||||
HEIGHT = 60
|
||||
|
||||
# margines pomiedzy kratkami
|
||||
MARGIN = 5
|
||||
|
||||
# kolory
|
||||
BLACK = (0, 0, 0)
|
||||
WHITE = (255, 255, 255)
|
||||
GREEN = (0, 255, 0)
|
||||
RED = (255, 0, 0)
|
||||
BLUE = (40, 50, 200)
|
||||
GREY = (128, 128, 128)
|
||||
|
||||
|
||||
class Smieciarka(pygame.sprite.Sprite):
|
||||
def __init__(self, x, y):
|
||||
self.x = x
|
||||
self.y = y
|
||||
self.image = pygame.image.load('resources/plansza/smieciarka.png')
|
||||
self.obraz = None
|
||||
self.ruch = 1
|
||||
self.plansza = None
|
||||
self.obiekty = None
|
||||
pygame.sprite.Sprite.__init__(self)
|
||||
self.rect = pygame.Rect(self.x * WIDTH + MARGIN * self.x + MARGIN, self.y * HEIGHT + MARGIN * self.y, WIDTH,
|
||||
HEIGHT)
|
||||
|
||||
def setObraz(self, obraz):
|
||||
self.obraz = obraz
|
||||
|
||||
def rand_move(self):
|
||||
rand_int = random.randint(0, 3)
|
||||
if rand_int == 0:
|
||||
self.w_lewo()
|
||||
elif rand_int == 1:
|
||||
self.w_prawo()
|
||||
elif rand_int == 2:
|
||||
self.w_gore()
|
||||
elif rand_int == 3:
|
||||
self.w_dol()
|
||||
|
||||
def w_lewo(self):
|
||||
if self.x > 0:
|
||||
if self.ruch == 2:
|
||||
self.image = pygame.image.load(
|
||||
'resources/plansza/smieciarka.png')
|
||||
self.ruch = 1
|
||||
|
||||
self.plansza[self.x - 1, self.y].setKolor(BLUE)
|
||||
for i in range((WIDTH + MARGIN) // 5):
|
||||
self.rect.x -= 5
|
||||
self.obraz.blit(self.image, (self.rect.x, self.rect.y))
|
||||
game.rysowaniePlanszy(self.obiekty)
|
||||
self.x -= 1
|
||||
|
||||
def w_prawo(self):
|
||||
if self.x < 14:
|
||||
if self.ruch == 1:
|
||||
self.image = pygame.transform.flip(self.image, True, False)
|
||||
self.ruch = 2
|
||||
|
||||
self.plansza[self.x + 1, self.y].setKolor(BLUE)
|
||||
for i in range((WIDTH + MARGIN) // 5):
|
||||
self.rect.x += 5
|
||||
self.obraz.blit(self.image, (self.rect.x, self.rect.y))
|
||||
game.rysowaniePlanszy(self.obiekty)
|
||||
self.x += 1
|
||||
|
||||
def w_gore(self):
|
||||
if self.y > 0:
|
||||
self.plansza[self.x, self.y - 1].setKolor(BLUE)
|
||||
for i in range((WIDTH + MARGIN) // 5):
|
||||
self.rect.y -= 5
|
||||
self.obraz.blit(self.image, (self.rect.x, self.rect.y))
|
||||
game.rysowaniePlanszy(self.obiekty)
|
||||
self.y -= 1
|
||||
|
||||
def w_dol(self):
|
||||
if self.y < 14:
|
||||
self.plansza[self.x, self.y + 1].setKolor(BLUE)
|
||||
for i in range((WIDTH + MARGIN) // 5):
|
||||
self.rect.y += 5
|
||||
self.obraz.blit(self.image, (self.rect.x, self.rect.y))
|
||||
game.rysowaniePlanszy(self.obiekty)
|
||||
self.y += 1
|
||||
|
||||
def setPlansza(self, plansza):
|
||||
self.plansza = plansza
|
||||
|
||||
def setObiekty(self, obiekty):
|
||||
self.obiekty = obiekty
|
||||
|
||||
|
||||
class Kratka(pygame.sprite.Sprite):
|
||||
def __init__(self, poz_x, poz_y):
|
||||
self.pozX = poz_x
|
||||
self.pozY = poz_y
|
||||
self.kolor = GREY
|
||||
self.obiekt = None
|
||||
pygame.sprite.Sprite.__init__(self)
|
||||
self.image = pygame.image.__class__
|
||||
self.rect = pygame.Rect(self.pozX * WIDTH + MARGIN * self.pozX + MARGIN,
|
||||
self.pozY * HEIGHT + MARGIN * self.pozY + MARGIN,
|
||||
WIDTH, HEIGHT)
|
||||
|
||||
def setImage(self, image):
|
||||
self.image = image
|
||||
|
||||
def setObiekt(self, obiekt):
|
||||
self.obiekt = obiekt
|
||||
|
||||
def setKolor(self, kolor):
|
||||
self.kolor = kolor
|
@ -1,58 +1,2 @@
|
||||
absl-py==0.9.0
|
||||
astunparse==1.6.3
|
||||
autopep8==1.5
|
||||
cachetools==4.1.0
|
||||
certifi==2020.4.5.1
|
||||
chardet==3.0.4
|
||||
cycler==0.10.0
|
||||
future==0.18.2
|
||||
gast==0.3.3
|
||||
google-auth==1.14.3
|
||||
google-auth-oauthlib==0.4.1
|
||||
google-pasta==0.2.0
|
||||
grpcio==1.29.0
|
||||
h5py==2.10.0
|
||||
idna==2.9
|
||||
importlib-metadata==1.6.0
|
||||
joblib==0.15.0
|
||||
Keras==2.3.1
|
||||
Keras-Applications==1.0.8
|
||||
Keras-Preprocessing==1.1.2
|
||||
kiwisolver==1.2.0
|
||||
mahotas==1.4.9
|
||||
Markdown==3.2.2
|
||||
matplotlib==3.2.1
|
||||
numpy==1.18.0
|
||||
oauthlib==3.1.0
|
||||
opencv-python==4.2.0.34
|
||||
opt-einsum==3.2.1
|
||||
Pillow==7.1.2
|
||||
protobuf==3.11.3
|
||||
pyasn1==0.4.8
|
||||
pyasn1-modules==0.2.8
|
||||
pycodestyle==2.5.0
|
||||
pydotplus==2.0.2
|
||||
pygame==1.9.6
|
||||
pyparsing==2.4.7
|
||||
PyQt5==5.14.2
|
||||
python-dateutil==2.8.1
|
||||
PyYAML==5.3.1
|
||||
requests==2.23.0
|
||||
requests-oauthlib==1.3.0
|
||||
rsa==4.0
|
||||
scikit-learn==0.23.0
|
||||
scipy==1.4.1
|
||||
sip==5.3.0
|
||||
six==1.14.0
|
||||
tensorboard==2.2.1
|
||||
tensorboard-plugin-wit==1.6.0.post3
|
||||
tensorflow==2.2.0
|
||||
tensorflow-estimator==2.2.0
|
||||
termcolor==1.1.0
|
||||
threadpoolctl==2.0.0
|
||||
torch==1.5.0
|
||||
torchvision==0.6.0
|
||||
urllib3==1.25.9
|
||||
Werkzeug==1.0.1
|
||||
wrapt==1.12.1
|
||||
zipp==3.1.0
|
||||
numpy==1.18.2
|
BIN
resources/plansza/pojemnik_organiczne.png
Normal file
After Width: | Height: | Size: 2.8 KiB |
@ -1,118 +0,0 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
**Podprojekt:** Adam Osiowy - *segregator śmieci*
|
||||
|
||||
---
|
||||
|
||||
## Opis podprojektu:
|
||||
|
||||
- w projekcie wykorzystane zostały drzewa decyzyjne jako metoda uczenia
|
||||
- projekt podzielony jest na 4 pliki
|
||||
- plik tworzenie_danych_AO.py jest odpowiedzialny za wydobycie z każdego zdjęcia własności i zapis ich do pliku
|
||||
![4](../screenShots/adamo4.png)
|
||||
- w pliku uczenie_adamO.py znajdują się funkcje odpowiedzialne za uczenie i testowanie modelu
|
||||
![5](../screenShots/adamo5.png)
|
||||
- plik parametry_zdjec.h5 zawiera własności wszystkich zdjęć wykorzystanych w projekcie
|
||||
- plik etykiety.h5 zawiera odpowiedni typ każdego ze zdjęć (glass,paper,plastic,metal)
|
||||
|
||||
---
|
||||
|
||||
## Ogólne działanie:
|
||||
|
||||
- na początku zbierane są informacje o każdym zdjęciu
|
||||
```
|
||||
momenty = wyznaczHuMomenty(zdj)
|
||||
haralick = wyznaczHaralick(zdj)
|
||||
histogram = wyznaczHistogram(zdj)
|
||||
```
|
||||
- wybrane własności to:
|
||||
1. Histogram kolorów okreslający rozkład jasności pixeli w każdej komórce na zdjęciu w skali szarości
|
||||
![6](../screenShots/adamo6.png)
|
||||
zdjęcie jest przekształcane do przestrzeni barw hsv
|
||||
po czym wyliczany jest histogram podając do funkcji zdjęcie, kanały (hsv), maskę, podział zdjęcia na 512 przedziałów (8x8x8), zakres każdego kanału
|
||||
2. Momenty obrazu (Hu Moments) określające kształt obiektu na zdjęciu
|
||||
![8](../screenShots/adamo8.png)
|
||||
są średnią ważoną intensywności pikseli obrazu.
|
||||
Są liczone ze wzoru:
|
||||
![10](../screenShots/adamo10.png)
|
||||
gdzie I(x,y) to intensywność pixela w danym punkcie
|
||||
*Momenty surowe* - informują o intensywności pikseli i ich położeniu na obrazie
|
||||
*Momenty centralne* - otrzymujemy po odjęciu od momentów surowych środka ciężkości danego kształtu
|
||||
![11](../screenShots/adamo11.png)
|
||||
momenty te są niezmienne w wyliczaniu to znaczy że jeśli kształt jest ten sam to nie ważne jest jego położenie na zdjęciu
|
||||
*Momenty Hu* - to zbiór 7 liczb obliczonych na podstawie momentów centralnych.
|
||||
Pierwsze 6 momentów są niezmienne dla translacji, skali i rotacji.
|
||||
Podczas gdy znak siódmej liczby zmienia się wraz z odbiciem kształu (względem osi).
|
||||
![12](../screenShots/adamo12.png)
|
||||
|
||||
3. Tekstura Haralicka określająca nasycenie ilości pixeli w skali szarości
|
||||
![7](../screenShots/adamo7.png)
|
||||
"Haralick zasugerował zastosowanie macierzy współwystępowania poziomu szarości (GLCM).
|
||||
Ta metoda opiera się na połączonych rozkładach prawdopodobieństwa par pikseli.
|
||||
GLCM pokazuje, jak często każdy poziom szarości występuje w pikselach umieszczonych w ustalonym położeniu
|
||||
geometrycznym względem siebie, w zależności od poziomu szarości."
|
||||
![13](../screenShots/adamo13.png)
|
||||
|
||||
- własności sa zapisywane jako macierze, ustawiane w szereg jako wiersz i zapisywane do pliku z danymi .h5
|
||||
```
|
||||
wiersz = np.hstack([momenty, histogram, haralick])
|
||||
```
|
||||
- dane dzielone są losowo na 2 pary, jedna testowa druga treningowa
|
||||
```
|
||||
(uczenieDane, testowanieDane, uczenieEtykiety, testowanieEtykiety) =
|
||||
train_test_split(np.array(dane), np.array(etykiety), test_size=rozmiar_zbioru_testowego)
|
||||
```
|
||||
gdzie rozmiar zbioru testowego określony wcześniej na 20%
|
||||
- tworzony jest estymator
|
||||
```
|
||||
rfc = RandomForestClassifier(max_depth=15, n_jobs=4, random_state=1)
|
||||
```
|
||||
gdzie n_jobs to ilość wątków, random_state pilnuje aby zbiór był zawsze dzielony tak samo,
|
||||
a max_depth to maksymalna głebokość każdego drzewa
|
||||
estymator domyślnie korzysta ze strategii opierającej się o indeks Giniego
|
||||
```
|
||||
'indeks Giniego jest to miara która określa jak często losowo wybrany element zostanie błędnie zidentyfikowany'
|
||||
```
|
||||
indeks jest obliczany ze wzoru:
|
||||
![9](../screenShots/adamo9.png)
|
||||
[przykład](https://www.geeksforgeeks.org/decision-tree-introduction-example/)
|
||||
- estymator rozpoczyna uczenie korzystając ze zbiorów treningowych
|
||||
```
|
||||
rfc.fit(uczenieDane, uczenieEtykiety)
|
||||
```
|
||||
- następnie wyliczana jest skuteczność na zbiorach testowych
|
||||
```
|
||||
rfc.score(testowanieDane, testowanieEtykiety)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Integracja z projektem zespołowym:
|
||||
|
||||
- Przy starcie programu estymator rozpoczyna nauke
|
||||
```
|
||||
rfc = adamO.rozpocznijUczenie()
|
||||
```
|
||||
- Śmieciarka porusza się po domach zbierając z nich śmieci
|
||||
- Po zebraniu wszystkich śmieci kieruje się na wysypisko
|
||||
- Każde zdjęcie śmieci jest segregowane z wykorzystaniem funkcji przewidującej typ
|
||||
```
|
||||
rodzaj = adamO.przewidz(smiec, rfc)
|
||||
```
|
||||
![3](../screenShots/adamo3.png)
|
||||
- Zdjęcia posegregowanych śmieci umieszczane są w odpowiednich folderach:
|
||||
![1](../screenShots/adamo1.png)
|
||||
- Na koniec wyświetlane są losowo wybrane zdjęcia śmieci z kontenerów wraz z informacją o typie ustalonym przez estymator
|
||||
![2](../screenShots/adamo2.png)
|
||||
1. górny napis to typ zwrócony przez estymator
|
||||
2. drugi napis to wartości prawpopodobieństwa z jakim estymator ocenił typ
|
||||
3. trzeci napis to nazwa zdjęcia
|
||||
|
||||
---
|
||||
|
||||
## Efekt działania programu w postaci drzewa decyzyjnego:
|
||||
![10](graph.png)
|
@ -1,68 +0,0 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
---
|
||||
|
||||
## 1. Ogólne działanie:
|
||||
|
||||
![gif](../screenShots/gifProjektu.gif)
|
||||
|
||||
---
|
||||
|
||||
## 2. Struktura katalogów:
|
||||
|
||||
![katalogi](../screenShots/strukturaKatalogu.png)
|
||||
|
||||
**Resources**:
|
||||
|
||||
- _plansza_ - folder zawierający zdjęcia niezbędne do generowania planszy - domy, jezioro, pojemniki, wysypisko,
|
||||
- _śmieci_ - zawiera podfoldery z klaysifkacją zdjęć śmieci,
|
||||
- _śmieci w kontenerach_ - folder, który będzie zawierał posegregowane już smieci
|
||||
|
||||
**Pliki**:
|
||||
|
||||
**[game.py](../../src/game.py)** - plik zawierający całą funkcjonalność projektu:
|
||||
|
||||
- główna pętla programu,
|
||||
- tworzenie planszy,
|
||||
- tworzenie i usytuowanie obiektów z katalogu [modeli](../../src/modele.py),
|
||||
- generowanie tekstowej interpretacji zebranej wiedzy
|
||||
|
||||
**[main.py](../../src/main.py)** - klasa odpowiedzialna za uruchomienie programu
|
||||
|
||||
**[modele.py](../../src/modele.py)** - zawiera klasy aplikacji
|
||||
|
||||
**[requirements.txt](../../requirements.txt)** - posiada biblioteki niezbędne do uruchomienia programu, które instalujemy za pomocą poniższego polecenia:
|
||||
|
||||
```
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 3. Opis funkcjonalności programu:
|
||||
|
||||
* śmieciarka porusza się w losowy sposób po planszy 15 x 15 (koloruje na niebiesko przebytą trasę)
|
||||
![ruch śmieciarki](../screenShots/randMove.png)
|
||||
* domy generowane są losowo na mapie z pominięciem kolizji z innymi obiektami
|
||||
![generowanie_domów](../screenShots/wspolrzedneDomow.png)
|
||||
* pozycja wysypiska, przeszkody (jeziorko) i kontenerów jest statyczna
|
||||
![statyczna_pozycja](../screenShots/statycznaPozycja.png)
|
||||
* w kontenerach przechowywane będą posegregowane, odpowiednio według kategorii, zdjęcia śmieci
|
||||
|
||||
* zdjęcia śmieci będą przydzielane w sposób losowy do każdego z domów na planszy
|
||||
![losowanie_śmieci](../screenShots/wyborSmieci.png)
|
||||
* śmieciarka zbiera śmieci po najechaniu na pozycję danego domu
|
||||
|
||||
* po każdym uruchomieniu programu tworzona jest struktura katalogów dla posegregowanych śmieci
|
||||
![tworzenie_struktury](../screenShots/tworzenieStrukturyKatalogow.png)
|
||||
* śmieciarka sprawdza w każdym ruchu czy nie dojdzie do kolizji z innym obiektem lub nie wyjedzie poza planszę
|
||||
![sprawdzanie_kolizcji](../screenShots/sprawdzanieKolizji.png)
|
||||
* po prawej stronie wypisywane są aktualne, najważniejsze informacje
|
||||
![wiedza](../screenShots/wiedzaPoPrawejStronie.png)
|
||||
* każdy obiekt na planszy posiada atrybuty odpowiedzalne za
|
||||
przechowywanie wiedzy o danym obiekcie np.: obiekt śmieciarka przechowuje informacje o odwiedzonych domach
|
||||
![atrybuty](../screenShots/atrybutySmieciarki.png)
|
Before Width: | Height: | Size: 3.3 MiB |
@ -1,54 +0,0 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
**Podprojekt:** Kacper Borkowski
|
||||
|
||||
---
|
||||
|
||||
## 1. Model:
|
||||
|
||||
![model](../screenShots/kacper1.png)
|
||||
|
||||
- Powyższa funkcja tworzy sekwencyjny model sieci neuronowej
|
||||
- Składa się on z warstw
|
||||
- Warstwa Conv2D jest to warstwa splotu, stosuje ona filtr na obrazku
|
||||
- Warstwa Activation jest to warstwa aktywacji wykorzystująca funkcję aktywacji, relu jest to funkcja zwracająca 0 dla x < 0 oraz x dla pozostałych argumentów; softmax to funkcja pozwalająca na poznanie rozkładu prawdopodobieństwa na kategorie
|
||||
- Warstwa MaxPooling wyciąga największą wartość z wycinka obrazka, w tym przypadku z kawałka 2x2 piksele
|
||||
- Warstwa Flatten spłaszcza macierz do wektorów
|
||||
- Warstwa Dense to połączone ze sobą neurony
|
||||
- Warstwa Dropout przepuszcza część danych, w tym przypadku 50% w celu uniknięcia przeuczenia sieci
|
||||
|
||||
---
|
||||
|
||||
## 2. Uczenie modelu:
|
||||
|
||||
![uczenie](../screenShots/kacper2.png)
|
||||
|
||||
- Model uczy się na 1599 zdjęciach śmieci podzielonych na 4 kategorie
|
||||
- Wszystkie zdjęcia mają rozmiar 299x299 pikseli
|
||||
- Podczas uczenia zbiór dzielony jest na paczki po 16 elementów
|
||||
- Zastosowana funkcja straty to categorical_crossentropy ponieważ mamy więcej niż dwie klasy śmieci
|
||||
|
||||
---
|
||||
|
||||
## 2. Przewidywanie:
|
||||
|
||||
![przewidywanie](../screenShots/kacper3.png)
|
||||
|
||||
- Obrazki są zamieniane na macierze
|
||||
- Prediction zawiera rozkład prawdopodobieństwa obrazka na kategorie
|
||||
- Funkcja zwraca konkretny typ śmiecia w zależności od przewidzianego prawdopodobieństwa
|
||||
|
||||
---
|
||||
|
||||
## 2. Integracja w projekcie:
|
||||
|
||||
![integracja](../screenShots/kacper4.png)
|
||||
|
||||
- Podczas wizyty śmieciarki w domu wykonywana jest funkcja przewidzenia kategorii na każdym ze śmieci w danym domu
|
||||
- Zależnie od wyniku przewidywania śmieć jest umieszczany na odpowiedniej liście śmieci w śmieciarce
|
||||
- Śmieci z wszystkich list są wyładowywane na wysypisku do kontenerów odpowiadających listom
|
||||
- Zdjęcia śmieci znajdują się finalnie w posortowanych folderach
|
@ -1,129 +0,0 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
**Podprojekt:** Adam Borowski
|
||||
|
||||
---
|
||||
|
||||
## 1. Temat podprojektu:
|
||||
|
||||
Celem projektu było utworzenie klasyfikatora rodzajów danych wejściowych(śmieci) na podstawie zdjęć. Do tego celu wykorzystano bibliotekę [PyTorch](https://pytorch.org/docs/stable/index.html). Cały podprojekt opiera się na utworzeniu sieci neuronowej i przetworzeniu inputu przez kolejne jej warstwy.
|
||||
|
||||
## 2. Model sieci:
|
||||
|
||||
```
|
||||
class Net(nn.Module): # klasa Net dziedziczaca po klasie bazowej nn.Module
|
||||
def __init__(self):
|
||||
super(Net, self).__init__()
|
||||
self.conv1 = nn.Conv2d(3, 6, 5)
|
||||
self.pool = nn.MaxPool2d(2, 2)
|
||||
self.conv2 = nn.Conv2d(6, 16, 5)
|
||||
self.fc1 = nn.Linear(16 * 71 * 71, 120)
|
||||
self.fc2 = nn.Linear(120, 84)
|
||||
self.fc3 = nn.Linear(84, 4)
|
||||
|
||||
def forward(self, x):
|
||||
x = self.pool(F.relu(self.conv1(x)))
|
||||
x = self.pool(F.relu(self.conv2(x)))
|
||||
x = x.view(x.size(0), 16 * 71 * 71)
|
||||
x = F.relu(self.fc1(x))
|
||||
x = F.relu(self.fc2(x))
|
||||
x = self.fc3(x)
|
||||
return x
|
||||
```
|
||||
|
||||
- conv1, conv2 – warstwy konwolucyjna, rozmiar filtra 5×5, posiadające 3 kanały wejściowe (RGB) i kanały wyjściowe dla następnych warstw
|
||||
- pool - operacja `max-poolingu` - wyciaganie najwazniejszej informacji z zadanego obszaru obrazu
|
||||
![model](../screenShots/maxpool.png)
|
||||
- fc1, fc2, fc3 - warstwy liniowe - `full connection layers` - w odróznieniu od warstw konwolucyjnych, każdy neuron dostaje input o neuronie z poprzedniej warstwy. W warstwie konwolucyjnej neurony wiedzą tylko o określonych neuronach z poprzedniego layera
|
||||
![model](../screenShots/fc.png)
|
||||
- metoda `forward` - metoda forward określa cały przepływ(flow) inputu przez warstwy aż do outputu. W pierwszej części tensor danej wejściowej(tensor zdjęcia) przepuszczany jest przez dwie warstwy konwolucyjne i wykonywana jest na nim wcześniej wspomniana operacja `max-poolingu`. W następnej części wypłaszczamy x, wszystkie wymiary przechowujace dane obrazu – 16 kanalow o rozmiarach 71×71 rozciągamy jako jeden długi wektor. Na koniec przepuszczamy tensor przez warstwy liniowe i zwracamy output.
|
||||
|
||||
## 3. Trening:
|
||||
|
||||
```
|
||||
def train():
|
||||
net = Net()
|
||||
trainset = torchvision.datasets.ImageFolder(
|
||||
root='./resources/zbior_uczacy', transform=transform)
|
||||
trainloader = torch.utils.data.DataLoader(
|
||||
trainset, batch_size=1, shuffle=True, num_workers=2)
|
||||
|
||||
classes = ('glass', 'metal', 'paper', 'plastic')
|
||||
criterion = nn.CrossEntropyLoss()
|
||||
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
|
||||
|
||||
for epoch in range(10):
|
||||
running_loss = 0.0
|
||||
for i, data in enumerate(trainloader, 0):
|
||||
inputs, labels = data
|
||||
optimizer.zero_grad()
|
||||
outputs = net(inputs)
|
||||
loss = criterion(outputs, labels)
|
||||
loss.backward()
|
||||
optimizer.step()
|
||||
running_loss += loss.item()
|
||||
if i:
|
||||
print('[%d, %5d] loss: %.3f' %
|
||||
(epoch + 1, i + 1, running_loss))
|
||||
running_loss = 0.0
|
||||
|
||||
print('Finished Training')
|
||||
PATH = './wytrenowaned.pth'
|
||||
torch.save(net.state_dict(), PATH)
|
||||
```
|
||||
|
||||
- na początku zainicjowano sieć, pobrano zbiór uczący i znormalizowano jego wnętrze, aby każde zdjęcie było pod postacią Tensora(tego wymaga model sieci)
|
||||
- następnie zdefiniowano kryterium do wyznaczania jakości klasyfikacji zdjęć do klas i wyznaczono optymalizator
|
||||
- potem wchodzimy do pętli i iterujemy po data secie, pobieramy inputy, czyścimy gradienty z poprzedniej iteracji, za pomocą algorytmu propagacji wstecznej liczymy pochodne z utraconej wartości, wyswietlamy w konsoli loss z danej iteracji,
|
||||
- następnie zapisujemy wytrenowany model
|
||||
|
||||
## 4. Przewidywanie:
|
||||
|
||||
```
|
||||
def predict(img_path):
|
||||
net = Net()
|
||||
PATH = './wytrenowaned.pth'
|
||||
img = Image.open(img_path)
|
||||
pil_to_tensor = transforms.ToTensor()(img).unsqueeze_(0)
|
||||
classes = ('glass', 'metal', 'paper', 'plastic')
|
||||
net.load_state_dict(torch.load(PATH))
|
||||
net.eval()
|
||||
outputs = net(pil_to_tensor)
|
||||
return classes[torch.max(outputs, 1)[1]]
|
||||
```
|
||||
|
||||
- zainicjowano sieć, wczytano ścieżke, przetransformowano argument funkcji(zdjecie) do porządanego formatu
|
||||
- następnie przekazano tensor jako argument do instancji klasy sieci
|
||||
- w ostatnim kroku za pomocą funkcji `max` wyciągnięto największą wagę i na jej podstawie rozpoznano klasę
|
||||
|
||||
## 5. Integracja w projekcie:
|
||||
|
||||
```
|
||||
for dom in obiekty["domy"]:
|
||||
if dom.x == pozX and dom.y == pozY:
|
||||
while dom.smieci:
|
||||
smiec = dom.smieci.pop(0)
|
||||
rodzaj = ""
|
||||
if osoba == 'kacper':
|
||||
rodzaj = kacper.przewidz(smiec)
|
||||
elif osoba == 'adamB':
|
||||
rodzaj = adamB.predict(smiec)
|
||||
else:
|
||||
rodzaj = adamO.przewidz(smiec, rfc)
|
||||
|
||||
if rodzaj == "paper":
|
||||
obiekty["smieciarka"].dodajPapier(smiec)
|
||||
elif rodzaj == "glass":
|
||||
obiekty["smieciarka"].dodajSzklo(smiec)
|
||||
elif rodzaj == "metal":
|
||||
obiekty["smieciarka"].dodajMetal(smiec)
|
||||
elif rodzaj == "plastic":
|
||||
obiekty["smieciarka"].dodajPlastik(smiec)
|
||||
```
|
||||
|
||||
- zgodnie z wybraną osobą na starcie wykonywana jest odpowiednia funkcja przewidywania na śmieciach w poszczególnych domach
|
||||
- finalnie zdjęcia posortowanych śmieci znajdują się w kontenerach(folder `smieci w kontenerach`)
|
@ -1,50 +0,0 @@
|
||||
# Raport końcowy
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
---
|
||||
|
||||
## Krótkie wyjaśnienie integracji podprojektów:
|
||||
|
||||
Celem projektu było utworzenie inteligentnej śmieciarki. Jej zadaniem było zbieranie śmieci ze wszystkich domów na planszy korzystając z algorytmu _A*_. Docelowo, wybierając jeden z trzech zaimplementowanych przez nas klasyfikatorów, śmieciarka segreguje odpady w kontenerach. Ich zdjęcia trafiają następnie do posortowanego folderu _smieci w kontenerach_.
|
||||
|
||||
```
|
||||
for dom in obiekty["domy"]:
|
||||
if dom.x == pozX and dom.y == pozY:
|
||||
while dom.smieci:
|
||||
smiec = dom.smieci.pop(0)
|
||||
rodzaj = ""
|
||||
if osoba == 'kacper':
|
||||
rodzaj = kacper.przewidz(smiec)
|
||||
elif osoba == 'adamB':
|
||||
rodzaj = adamB.predict(smiec)
|
||||
else:
|
||||
rodzaj = adamO.przewidz(smiec, rfc)
|
||||
|
||||
if rodzaj == "paper":
|
||||
obiekty["smieciarka"].dodajPapier(smiec)
|
||||
elif rodzaj == "glass":
|
||||
obiekty["smieciarka"].dodajSzklo(smiec)
|
||||
elif rodzaj == "metal":
|
||||
obiekty["smieciarka"].dodajMetal(smiec)
|
||||
elif rodzaj == "plastic":
|
||||
obiekty["smieciarka"].dodajPlastik(smiec)
|
||||
|
||||
```
|
||||
|
||||
Tworzenie katalogu:
|
||||
|
||||
```
|
||||
# kontenery
|
||||
if not os.path.exists(smieci_w_kontenerach):
|
||||
os.makedirs(smieci_w_kontenerach)
|
||||
else:
|
||||
for dir in os.listdir(os.getcwd() + "\\" + smieci_w_kontenerach):
|
||||
files = os.listdir(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir)
|
||||
for file in files:
|
||||
os.remove(os.getcwd() + "\\" +
|
||||
smieci_w_kontenerach + "\\" + dir + "\\" + file)
|
||||
```
|
@ -1,69 +0,0 @@
|
||||
# Sztuczna Inteligencja
|
||||
|
||||
**Temat projektu:** Inteligenta Śmieciarka
|
||||
|
||||
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
||||
|
||||
---
|
||||
|
||||
## 1. Ogólne działanie:
|
||||
|
||||
![gif](../screenShots/route-planning.gif)
|
||||
|
||||
- Śmieciarka zaczyna ruch z pozycji (10, 10), po czym odwiedza wszystkie domy,
|
||||
których współrzędne zostały wylosowane, następnie jedzie na wysypisko do najbliższego kontenera,
|
||||
po czym wybiera następny najbliższy nieodwiedzony kontener.
|
||||
- Droga między domami jest wyznaczana przez algorytm A*.
|
||||
- Każdy następny dom jest najbliższym, jeszcze nieodwiedzonym domem.
|
||||
|
||||
---
|
||||
|
||||
## 2. Pętla główna strategii przeszukiwania:
|
||||
|
||||
![petla](../screenShots/petlaGlowna.png)
|
||||
|
||||
- w pętli głównej wykorzystujemy przeszukiwanie grafu (graphsearch)
|
||||
- tworzymy kolejkę priorytetową, po czym dodajemy do niej bieżący węzeł
|
||||
- przeprowadzamy test osiągnięcia celu:
|
||||
- jeżeli cel został osiągnięty, to odtwarzamy ścieżkę przechodząc po rodzicach
|
||||
- do listy odwiedzonych elementów dodajemy bieżący element
|
||||
- wybieramy następnika
|
||||
- następnikowi przypisujemy rodzica
|
||||
- wyznaczamy priorytet następnika
|
||||
- dodajemy go do kolejki zgodnie z priorytetem
|
||||
|
||||
---
|
||||
|
||||
## 3. Funkcja następnika:
|
||||
|
||||
![succ](../screenShots/funkcjaNastepnika.png)
|
||||
|
||||
gdzie sąsiedzi to:
|
||||
```
|
||||
sasiedzi = [(0, 1), (0, -1), (1, 0), (-1, 0)]
|
||||
```
|
||||
|
||||
- następnik jest wyznaczany spośród pól sąsiadujących z danym polem (z pominięciem pól po skosie)
|
||||
- następnie sprawdzane jest czy nie znajduje się on poza mapą
|
||||
- potem sprawdzane jest czy wybrany punkt nie jest przeszkodą
|
||||
|
||||
---
|
||||
|
||||
## 4. Przyjęta heurystyka:
|
||||
|
||||
![heurystyka](../screenShots/heurystyka.png)
|
||||
|
||||
- Heurystyka to suma odległości Manhattan
|
||||
|
||||
---
|
||||
|
||||
## 5. Koszt wjechania na pole
|
||||
|
||||
![stepcost](../screenShots/stepcost.png)
|
||||
|
||||
- Koszt wjechania na pole, na którym jest dom wynosi 3
|
||||
- Koszt wjechania na pole, które jest wysypiskiem wynosi 2
|
||||
- Koszt wjechania na pole, które jest kontenerem wynosi 3
|
||||
- Koszt wjechania na zwyczajne pole wynosi 1
|
||||
|
||||
---
|
Before Width: | Height: | Size: 2.9 KiB |
Before Width: | Height: | Size: 1.7 KiB |
Before Width: | Height: | Size: 2.5 KiB |
Before Width: | Height: | Size: 36 KiB |
Before Width: | Height: | Size: 44 KiB |
Before Width: | Height: | Size: 134 KiB |
Before Width: | Height: | Size: 36 KiB |
Before Width: | Height: | Size: 48 KiB |
Before Width: | Height: | Size: 76 KiB |
Before Width: | Height: | Size: 24 KiB |
Before Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 3.1 KiB |
Before Width: | Height: | Size: 51 KiB |
Before Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 4.5 KiB |
Before Width: | Height: | Size: 45 KiB |
Before Width: | Height: | Size: 54 KiB |
Before Width: | Height: | Size: 29 KiB |
Before Width: | Height: | Size: 26 KiB |
Before Width: | Height: | Size: 52 KiB |
Before Width: | Height: | Size: 57 KiB |
Before Width: | Height: | Size: 7.2 MiB |
Before Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 13 KiB |
Before Width: | Height: | Size: 9.3 KiB |
Before Width: | Height: | Size: 8.1 KiB After Width: | Height: | Size: 8.1 KiB |
Before Width: | Height: | Size: 8.5 KiB After Width: | Height: | Size: 8.5 KiB |
Before Width: | Height: | Size: 21 KiB After Width: | Height: | Size: 21 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 18 KiB After Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 20 KiB After Width: | Height: | Size: 20 KiB |
Before Width: | Height: | Size: 18 KiB After Width: | Height: | Size: 18 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 9.4 KiB After Width: | Height: | Size: 9.4 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 8.5 KiB After Width: | Height: | Size: 8.5 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 23 KiB After Width: | Height: | Size: 23 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 7.3 KiB After Width: | Height: | Size: 7.3 KiB |
Before Width: | Height: | Size: 9.0 KiB After Width: | Height: | Size: 9.0 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 24 KiB After Width: | Height: | Size: 24 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 13 KiB After Width: | Height: | Size: 13 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 8.3 KiB After Width: | Height: | Size: 8.3 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 7.5 KiB After Width: | Height: | Size: 7.5 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 9.0 KiB After Width: | Height: | Size: 9.0 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 10 KiB After Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
Before Width: | Height: | Size: 7.7 KiB After Width: | Height: | Size: 7.7 KiB |
Before Width: | Height: | Size: 9.3 KiB After Width: | Height: | Size: 9.3 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 15 KiB After Width: | Height: | Size: 15 KiB |
Before Width: | Height: | Size: 12 KiB After Width: | Height: | Size: 12 KiB |
Before Width: | Height: | Size: 14 KiB After Width: | Height: | Size: 14 KiB |
Before Width: | Height: | Size: 17 KiB After Width: | Height: | Size: 17 KiB |
Before Width: | Height: | Size: 11 KiB After Width: | Height: | Size: 11 KiB |
Before Width: | Height: | Size: 10 KiB After Width: | Height: | Size: 10 KiB |
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |