Compare commits
1 Commits
| Author | SHA1 | Date | |
|---|---|---|---|
| 0772988447 |
11
.gitignore
vendored
11
.gitignore
vendored
@ -1,11 +0,0 @@
|
||||
#vs code
|
||||
.vscode/
|
||||
|
||||
#pycache
|
||||
__pycache__/
|
||||
|
||||
#macOS
|
||||
.DS_Store
|
||||
|
||||
#uczenie
|
||||
dataset/
|
||||
185
ID3.py
185
ID3.py
@ -1,185 +0,0 @@
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
from data import dataset
|
||||
|
||||
training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
|
||||
testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
|
||||
|
||||
|
||||
def entropy(target_col):
|
||||
"""
|
||||
Obliczenie warości entropii dla wskazanej kolumny
|
||||
"""
|
||||
values, counts = np.unique(target_col, return_counts=True)
|
||||
entropy = np.sum(
|
||||
[(-counts[i] / np.sum(counts)) * np.log2(counts[i] / np.sum(counts)) for i in range(len(values))])
|
||||
return entropy
|
||||
|
||||
|
||||
def info_gain(data, split_attribute_name, target_name="label"):
|
||||
"""
|
||||
Obliczenie wartości przyrostu informacji dla wskazanego atrybutu (split_attribute_name)
|
||||
w podanym zbiorze (data)
|
||||
"""
|
||||
|
||||
# Wartość entropii zbioru
|
||||
total_entropy = entropy(data[target_name])
|
||||
|
||||
# Wyodrębnienie poszczególnych "podzbiorów"
|
||||
vals, counts = np.unique(data[split_attribute_name], return_counts=True)
|
||||
|
||||
# Średnia ważona entropii każdego podzbioru
|
||||
weighted_entropy = np.sum(
|
||||
[(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
|
||||
for i in range(len(vals))])
|
||||
|
||||
# Przyrost informacji
|
||||
information_gain = total_entropy - weighted_entropy
|
||||
|
||||
return information_gain
|
||||
|
||||
|
||||
def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
|
||||
"""
|
||||
Algorytm ID3
|
||||
|
||||
parametry:
|
||||
data zbiór danych, dla którego poszukujemy drzewa decyzyjnego
|
||||
original_data oryginalny zbiór danych (zwracany gdy data == None)
|
||||
features lista atrybutów wejściowego zbioru
|
||||
target_attribute_name docelowy atrybut, który chcemy przewidzieć
|
||||
parent_node_class nadrzędna wartość
|
||||
"""
|
||||
|
||||
# Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
|
||||
|
||||
if len(np.unique(data[target_attribute_name])) <= 1:
|
||||
return np.unique(data[target_attribute_name])[0]
|
||||
|
||||
elif len(data) == 0:
|
||||
return np.unique(original_data[target_attribute_name])[
|
||||
np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
|
||||
|
||||
elif len(features) == 0:
|
||||
return parent_node_class
|
||||
|
||||
else:
|
||||
|
||||
# Aktualizacja nadrzędnej wartości
|
||||
parent_node_class = np.unique(data[target_attribute_name])[
|
||||
np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
|
||||
|
||||
# Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
|
||||
# według którego nastąpi podział zbioru
|
||||
item_values = [info_gain(data, feature, target_attribute_name) for feature in
|
||||
features]
|
||||
|
||||
# Najlepszym atrybutem jest ten o największym przyroście informacji
|
||||
best_feature_index = np.argmax(item_values)
|
||||
best_feature = features[best_feature_index]
|
||||
|
||||
# Struktura drzewa
|
||||
tree = {best_feature: {}}
|
||||
|
||||
# Aktualizacja zbioru atrybutów
|
||||
features = [i for i in features if i != best_feature]
|
||||
|
||||
# Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
|
||||
for value in np.unique(data[best_feature]):
|
||||
|
||||
sub_data = data.where(data[best_feature] == value).dropna()
|
||||
subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
|
||||
|
||||
tree[best_feature][value] = subtree
|
||||
|
||||
return (tree)
|
||||
|
||||
|
||||
def predict(query, tree, default='none'):
|
||||
"""
|
||||
Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label".
|
||||
W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie
|
||||
(np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości),
|
||||
wówczas przewidywana zostaje wartość domyślna.
|
||||
"""
|
||||
|
||||
for key in list(query.keys()):
|
||||
if key in list(tree.keys()):
|
||||
try:
|
||||
result = tree[key][query[key]]
|
||||
except:
|
||||
return default
|
||||
result = tree[key][query[key]]
|
||||
if isinstance(result, dict):
|
||||
return predict(query, result)
|
||||
|
||||
else:
|
||||
return result
|
||||
|
||||
|
||||
def test(data, tree):
|
||||
# Wartości docelowych atrybutów (nazwy warzyw) zostają usunięte
|
||||
queries = data.iloc[:, :-1].to_dict(orient="records")
|
||||
|
||||
# Przewidywane wartości atrybutów
|
||||
predicted = pd.DataFrame(columns=["predicted"])
|
||||
|
||||
# Obliczenie precyzji przewidywań
|
||||
for i in range(len(data)):
|
||||
predicted.loc[i, "predicted"] = predict(queries[i], tree, 'mushroom')
|
||||
print('Precyzja przewidywań: ', (np.sum(predicted["predicted"] == data["label"]) / len(data)) * 100, '%')
|
||||
|
||||
|
||||
def predict_data(data):
|
||||
"""
|
||||
Funkcja dostosowana do formatu danych, jakimi dysponuje traktor
|
||||
'data' jest tutaj listą, która zostaje przekonwertowana do postaci słownika,
|
||||
aby możliwe było wywołanie procedury 'predict'.
|
||||
Wyniki zostają zwrócone w postaci listy.
|
||||
"""
|
||||
parse_data = [[data[0], categorize_pH(data[1]), categorize_dry_level(data[2]), '']]
|
||||
#print(parse_data)
|
||||
|
||||
queries = pd.DataFrame(data=parse_data, columns=dataset.header)
|
||||
predicted = pd.DataFrame(columns=["predicted"])
|
||||
dict = queries.iloc[:, :-1].to_dict(orient="records")
|
||||
|
||||
for i in range(len(parse_data)):
|
||||
predicted.loc[i, "predicted"] = predict(dict[i], tree, 'mushroom')
|
||||
|
||||
predicted_list = predicted.values.tolist()
|
||||
print("Planted: ", predicted_list[0][0])
|
||||
return predicted_list[0][0]
|
||||
|
||||
|
||||
def categorize_pH(pH):
|
||||
if pH <= 4.5:
|
||||
return 'strongly acidic'
|
||||
if 4.5 < pH <= 5.5:
|
||||
return 'acidic'
|
||||
if 5.5 < pH <= 6.5:
|
||||
return 'slightly acidic'
|
||||
if 6.5 < pH <= 7.2:
|
||||
return 'neutral'
|
||||
if 7.2 < pH:
|
||||
return 'alkaline'
|
||||
|
||||
|
||||
def categorize_dry_level(dry_level):
|
||||
if dry_level <= 0.1:
|
||||
return 'soaking wet'
|
||||
if 0.1 < dry_level <= 0.4:
|
||||
return 'wet'
|
||||
if 0.4 < dry_level <= 0.6:
|
||||
return 'medium wet'
|
||||
if 0.6 < dry_level <= 0.8:
|
||||
return 'dry'
|
||||
if 0.8 < dry_level:
|
||||
return 'very dry'
|
||||
|
||||
|
||||
# tworzenie, wyświetlanie i testowanie drzewa
|
||||
|
||||
tree = ID3(training_data, training_data, training_data.columns[:-1])
|
||||
#pprint(tree)
|
||||
#test(testing_data, tree)
|
||||
60
README.md
60
README.md
@ -1,62 +1,4 @@
|
||||
# AIProjekt
|
||||
|
||||
## Final
|
||||
[final-evaluation](final-evaluation.md)
|
||||
### Traktor?
|
||||
|
||||
## Spis treści
|
||||
* [Uruchomienie](#uruchomienie)
|
||||
* [Wykrywanie roślin](#wykrywanie-roślin)
|
||||
* [Raport 1](#raport-1)
|
||||
* [Notatki](#notatki)
|
||||
|
||||
## Uruchomienie
|
||||
|
||||
Wymagania:
|
||||
* python 3.7
|
||||
* zainstalowana paczka pygame (np. pip3 install pygame)
|
||||
|
||||
|
||||
Wpisanie komendy w glownym folderze: <br> `python3 main.py`
|
||||
|
||||
|
||||
## Wykrywanie roślin
|
||||
Podprojekt na osobnym branchu - kuba. Raport - adamski_raport.md
|
||||
|
||||
|
||||
## Raport 1
|
||||
|
||||
### Środowisko agenta
|
||||
Całość środowiska jest napisana za pomocą języka programowania - Python oraz dodatkowej paczki - Pygame. Niebieski kwadrat reprezentuje agenta, plansza to widoczne na ekranie okno z czarnym tłem.
|
||||
<br>
|
||||
|
||||
W naszym projekcie głównym agentem wykonującym określone działania jest traktor. Może się on poruszać po planszy, która będzie podzielona na równe części - mniejsze kwadraty. Zadania traktora to:
|
||||
* decyzja o sadzeniu/zasianiu rośliny,
|
||||
* nawożenie,
|
||||
* zbiory upraw w odpowiednim czasie,
|
||||
* oraz oczywiście odpowiednie poruszanie się po planszy.
|
||||
|
||||
W danym mniejszym kwadracie, traktor znajdzie wszystkie niezbędne informacje do podjęcia wyżej wymienionych działań. Będą to indywidualne projekty, które wkrótce zrealizujemy i połączymy w całość.
|
||||
|
||||
### Reprezentacja wiedzy
|
||||
Projekt zostanie napisany w języku Python, wiedzę również będziemy reprezentować za jego pomocą. System opiera się na klasach i zawartych w nich zmiennych oraz metodach. Dzięki temu cała wiedza jest integralną częścią wykorzystywanych narzędzi programistycznych. Dostęp do danych jest szybki i bezproblemowy.
|
||||
<br>
|
||||
|
||||
Utworzyliśmy przykładowe klasy reprezentujące wymienione obiekty:
|
||||
* roślina oraz dany rodzaj rośliny - marchewka,
|
||||
* gleba.
|
||||
|
||||
W pliku carrot.py mamy między innymi funkcję add_soil, która dodaje odpowiedni rodzaj gleby (zmienna), w jakim została umieszczona marchewka. Reszta funkcji jest analogiczna i nie będziemy ich omawiać ze względu na dużą ilość.
|
||||
<br>
|
||||
|
||||
Wymienione wyżej klasy zostały utworzone jako przykład i mogą być, w trakcie rozwoju projektu, zmienione bądź dodane nowe.
|
||||
|
||||
## Notatki
|
||||
|
||||
Pomysły na projekt indywidualny:
|
||||
1. Decyzja odnoścnie ruchu (szukanie najlepszej ścieżki)
|
||||
2. Decycja czy sadzić roślinę
|
||||
3. Wykrywanie jaka jest roślina i czy zbierać
|
||||
4. Decyzja odnośnie nawożenia
|
||||
|
||||
Środowisko:
|
||||
Jest ogrnaiczone pole, w polu są kratki, gracz może poruszać się po kratkach. W danej kratce są dane o polu.
|
||||
Binary file not shown.
|
Before Width: | Height: | Size: 36 KiB |
209
data.csv
209
data.csv
@ -1,209 +0,0 @@
|
||||
PLANT,HUMIDITY,GROWTH,DRYNESS,DEC
|
||||
CAULIFLOWER,43,94,4,YES
|
||||
CABBAGE,17,99,9,NO
|
||||
CABBAGE,25,106,11,NO
|
||||
CABBAGE,47,118,17,NO
|
||||
CABBAGE,22,103,19,NO
|
||||
CABBAGE,55,112,20,NO
|
||||
CABBAGE,13,110,22,NO
|
||||
CABBAGE,20,100,22,NO
|
||||
CABBAGE,11,113,25,NO
|
||||
CABBAGE,55,95,26,NO
|
||||
CABBAGE,12,109,27,NO
|
||||
CABBAGE,18,119,28,NO
|
||||
CABBAGE,29,90,29,NO
|
||||
CAULIFLOWER,23,99,30,NO
|
||||
MUSHROOM,53,94,30,NO
|
||||
CAULIFLOWER,28,120,31,NO
|
||||
MUSHROOM,29,91,34,NO
|
||||
CAULIFLOWER,34,121,34,NO
|
||||
CAULIFLOWER,33,110,36,NO
|
||||
MUSHROOM,52,102,36,NO
|
||||
CAULIFLOWER,52,116,36,NO
|
||||
CAULIFLOWER,26,118,37,NO
|
||||
MUSHROOM,59,112,41,NO
|
||||
MUSHROOM,51,90,42,NO
|
||||
MUSHROOM,22,91,43,NO
|
||||
CAULIFLOWER,62,114,43,NO
|
||||
CAULIFLOWER,78,97,43,NO
|
||||
MUSHROOM,60,92,44,NO
|
||||
CAULIFLOWER,88,112,44,NO
|
||||
CAULIFLOWER,12,111,45,NO
|
||||
CAULIFLOWER,53,113,48,NO
|
||||
CAULIFLOWER,68,104,51,NO
|
||||
MUSHROOM,7,117,52,NO
|
||||
CAULIFLOWER,51,113,54,NO
|
||||
PUMPKIN,20,89,69,YES
|
||||
CAULIFLOWER,16,102,55,NO
|
||||
PUMPKIN,21,63,23,YES
|
||||
MUSHROOM,13,111,56,NO
|
||||
CAULIFLOWER,22,95,57,NO
|
||||
MUSHROOM,8,104,58,NO
|
||||
PUMPKIN,23,26,19,YES
|
||||
CAULIFLOWER,58,106,62,NO
|
||||
PUMPKIN,24,68,7,YES
|
||||
PUMPKIN,25,66,96,NO
|
||||
CAULIFLOWER,55,99,63,NO
|
||||
MUSHROOM,74,104,67,NO
|
||||
PUMPKIN,28,34,68,YES
|
||||
CAULIFLOWER,57,102,68,NO
|
||||
PUMPKIN,29,29,61,YES
|
||||
PUMPKIN,46,90,70,NO
|
||||
CABBAGE,46,93,70,NO
|
||||
CAULIFLOWER,29,105,71,NO
|
||||
PUMPKIN,30,28,31,YES
|
||||
MUSHROOM,30,67,24,YES
|
||||
PUMPKIN,30,96,30,NO
|
||||
CABBAGE,30,89,30,YES
|
||||
CABBAGE,31,62,40,YES
|
||||
PUMPKIN,31,65,34,YES
|
||||
MUSHROOM,31,81,17,YES
|
||||
MUSHROOM,31,89,29,YES
|
||||
MUSHROOM,32,20,19,YES
|
||||
CABBAGE,32,25,50,YES
|
||||
MUSHROOM,32,90,22,NO
|
||||
MUSHROOM,32,56,7,YES
|
||||
CABBAGE,33,15,50,YES
|
||||
MUSHROOM,33,32,14,YES
|
||||
PUMPKIN,33,47,59,YES
|
||||
PUMPKIN,19,99,72,NO
|
||||
MUSHROOM,33,63,30,NO
|
||||
CABBAGE,33,65,64,YES
|
||||
CABBAGE,34,27,44,YES
|
||||
CABBAGE,34,44,93,NO
|
||||
MUSHROOM,34,44,22,YES
|
||||
PUMPKIN,51,99,72,NO
|
||||
CABBAGE,34,56,70,NO
|
||||
MUSHROOM,34,56,18,YES
|
||||
CABBAGE,35,21,63,YES
|
||||
PUMPKIN,35,42,48,YES
|
||||
CAULIFLOWER,35,74,12,YES
|
||||
PUMPKIN,35,76,71,NO
|
||||
CAULIFLOWER,36,58,28,YES
|
||||
CABBAGE,36,57,54,YES
|
||||
CAULIFLOWER,36,72,84,NO
|
||||
CAULIFLOWER,36,83,71,NO
|
||||
CABBAGE,36,67,64,YES
|
||||
PUMPKIN,36,82,53,YES
|
||||
CABBAGE,37,47,57,YES
|
||||
MUSHROOM,37,59,13,YES
|
||||
CAULIFLOWER,37,40,15,YES
|
||||
CAULIFLOWER,37,69,16,YES
|
||||
CABBAGE,37,63,60,YES
|
||||
PUMPKIN,37,72,46,YES
|
||||
CABBAGE,38,62,79,NO
|
||||
CAULIFLOWER,38,98,12,NO
|
||||
CAULIFLOWER,38,59,22,YES
|
||||
PUMPKIN,38,73,56,YES
|
||||
CABBAGE,38,74,52,YES
|
||||
PUMPKIN,38,90,39,NO
|
||||
MUSHROOM,38,78,9,YES
|
||||
CABBAGE,39,86,64,NO
|
||||
PUMPKIN,39,31,45,YES
|
||||
PUMPKIN,39,102,53,NO
|
||||
CAULIFLOWER,39,49,14,YES
|
||||
CAULIFLOWER,39,54,81,NO
|
||||
CABBAGE,39,87,57,NO
|
||||
CABBAGE,40,8,32,YES
|
||||
PUMPKIN,40,57,63,YES
|
||||
CABBAGE,40,92,61,NO
|
||||
CAULIFLOWER,40,52,27,YES
|
||||
PUMPKIN,41,8,29,YES
|
||||
CABBAGE,41,25,48,YES
|
||||
CABBAGE,41,43,51,YES
|
||||
CABBAGE,41,52,60,YES
|
||||
CAULIFLOWER,41,20,24,YES
|
||||
MUSHROOM,41,83,25,YES
|
||||
CABBAGE,41,85,37,YES
|
||||
CABBAGE,42,64,41,YES
|
||||
MUSHROOM,42,66,26,YES
|
||||
CABBAGE,42,69,59,YES
|
||||
CAULIFLOWER,42,38,9,YES
|
||||
MUSHROOM,43,15,9,YES
|
||||
MUSHROOM,43,93,22,NO
|
||||
CABBAGE,43,60,38,YES
|
||||
PUMPKIN,43,78,43,YES
|
||||
CAULIFLOWER,43,29,18,YES
|
||||
CAULIFLOWER,43,96,20,NO
|
||||
CAULIFLOWER,43,84,4,YES
|
||||
CABBAGE,61,130,72,NO
|
||||
CABBAGE,44,59,31,YES
|
||||
PUMPKIN,44,64,44,YES
|
||||
CAULIFLOWER,44,62,19,YES
|
||||
CABBAGE,45,35,69,YES
|
||||
MUSHROOM,45,65,27,YES
|
||||
MUSHROOM,45,71,2,YES
|
||||
PUMPKIN,45,83,57,YES
|
||||
CAULIFLOWER,45,31,26,YES
|
||||
CAULIFLOWER,45,61,10,YES
|
||||
CAULIFLOWER,45,76,85,NO
|
||||
MUSHROOM,46,48,24,YES
|
||||
MUSHROOM,10,96,73,NO
|
||||
CABBAGE,62,123,74,NO
|
||||
MUSHROOM,47,37,16,YES
|
||||
MUSHROOM,47,42,41,NO
|
||||
CAULIFLOWER,47,50,11,YES
|
||||
PUMPKIN,11,99,75,NO
|
||||
CABBAGE,16,98,75,NO
|
||||
MUSHROOM,48,77,12,YES
|
||||
CABBAGE,48,106,75,NO
|
||||
CAULIFLOWER,48,32,23,YES
|
||||
CAULIFLOWER,48,44,19,YES
|
||||
CAULIFLOWER,48,98,14,NO
|
||||
CABBAGE,8,124,76,NO
|
||||
MUSHROOM,49,64,4,YES
|
||||
PUMPKIN,59,114,76,NO
|
||||
PUMPKIN,50,119,77,NO
|
||||
CABBAGE,55,116,77,NO
|
||||
MUSHROOM,50,74,21,YES
|
||||
CAULIFLOWER,50,47,25,YES
|
||||
CABBAGE,53,117,78,NO
|
||||
PUMPKIN,55,91,78,NO
|
||||
PUMPKIN,49,91,79,NO
|
||||
CABBAGE,56,125,79,NO
|
||||
MUSHROOM,57,95,79,NO
|
||||
PUMPKIN,8,123,80,NO
|
||||
MUSHROOM,16,99,80,NO
|
||||
PUMPKIN,55,93,80,NO
|
||||
CABBAGE,60,99,80,NO
|
||||
MUSHROOM,13,114,81,NO
|
||||
CAULIFLOWER,20,100,81,NO
|
||||
CABBAGE,49,100,81,NO
|
||||
PUMPKIN,54,92,81,NO
|
||||
CABBAGE,10,94,83,NO
|
||||
PUMPKIN,17,91,83,NO
|
||||
CAULIFLOWER,17,95,84,NO
|
||||
PUMPKIN,53,92,84,NO
|
||||
MUSHROOM,65,110,85,NO
|
||||
PUMPKIN,73,101,85,NO
|
||||
PUMPKIN,18,102,88,NO
|
||||
PUMPKIN,47,120,88,NO
|
||||
PUMPKIN,48,102,89,NO
|
||||
MUSHROOM,60,98,89,NO
|
||||
CABBAGE,68,120,89,NO
|
||||
CABBAGE,58,16,26,NO
|
||||
MUSHROOM,53,107,90,NO
|
||||
CABBAGE,8,92,92,NO
|
||||
MUSHROOM,11,97,92,NO
|
||||
PUMPKIN,14,98,92,NO
|
||||
CAULIFLOWER,58,103,92,NO
|
||||
CABBAGE,59,131,92,NO
|
||||
PUMPKIN,57,104,93,NO
|
||||
MUSHROOM,67,97,93,NO
|
||||
CABBAGE,3,107,94,NO
|
||||
PUMPKIN,17,104,94,NO
|
||||
PUMPKIN,17,94,96,NO
|
||||
CABBAGE,56,101,96,NO
|
||||
PUMPKIN,58,95,97,NO
|
||||
MUSHROOM,80,93,97,NO
|
||||
PUMPKIN,10,105,99,NO
|
||||
PUMPKIN,50,121,99,NO
|
||||
PUMPKIN,9,97,100,NO
|
||||
PUMPKIN,12,95,102,NO
|
||||
PUMPKIN,16,97,103,NO
|
||||
PUMPKIN,60,107,107,NO
|
||||
PUMPKIN,58,107,109,NO
|
||||
PUMPKIN,13,96,111,NO
|
||||
PUMPKIN,61,111,113,NO
|
||||
PUMPKIN,49,110,116,NO
|
||||
PUMPKIN,64,112,120,NO
|
||||
|
209
data/data.csv
209
data/data.csv
@ -1,209 +0,0 @@
|
||||
PLANT,FEED,GROWTH,DRYNESS,DEC
|
||||
BEETROOT,43,94,4,YES
|
||||
CABBAGE,17,99,9,NO
|
||||
CABBAGE,25,106,11,NO
|
||||
CABBAGE,47,118,17,NO
|
||||
CABBAGE,22,103,19,NO
|
||||
CABBAGE,55,112,20,NO
|
||||
CABBAGE,13,110,22,NO
|
||||
CABBAGE,20,100,22,NO
|
||||
CABBAGE,11,113,25,NO
|
||||
CABBAGE,55,95,26,NO
|
||||
CABBAGE,12,109,27,NO
|
||||
CABBAGE,18,119,28,NO
|
||||
CABBAGE,29,90,29,NO
|
||||
BEETROOT,23,99,30,NO
|
||||
CARROT,53,94,30,NO
|
||||
BEETROOT,28,120,31,NO
|
||||
CARROT,29,91,34,NO
|
||||
BEETROOT,34,121,34,NO
|
||||
BEETROOT,33,110,36,NO
|
||||
CARROT,52,102,36,NO
|
||||
BEETROOT,52,116,36,NO
|
||||
BEETROOT,26,118,37,NO
|
||||
CARROT,59,112,41,NO
|
||||
CARROT,51,90,42,NO
|
||||
CARROT,22,91,43,NO
|
||||
BEETROOT,62,114,43,NO
|
||||
BEETROOT,78,97,43,NO
|
||||
CARROT,60,92,44,NO
|
||||
BEETROOT,88,112,44,NO
|
||||
BEETROOT,12,111,45,NO
|
||||
BEETROOT,53,113,48,NO
|
||||
BEETROOT,68,104,51,NO
|
||||
CARROT,7,117,52,NO
|
||||
BEETROOT,51,113,54,NO
|
||||
PUMPKIN,20,89,69,YES
|
||||
BEETROOT,16,102,55,NO
|
||||
PUMPKIN,21,63,23,YES
|
||||
CARROT,13,111,56,NO
|
||||
BEETROOT,22,95,57,NO
|
||||
CARROT,8,104,58,NO
|
||||
PUMPKIN,23,26,19,YES
|
||||
BEETROOT,58,106,62,NO
|
||||
PUMPKIN,24,68,7,YES
|
||||
PUMPKIN,25,66,96,NO
|
||||
BEETROOT,55,99,63,NO
|
||||
CARROT,74,104,67,NO
|
||||
PUMPKIN,28,34,68,YES
|
||||
BEETROOT,57,102,68,NO
|
||||
PUMPKIN,29,29,61,YES
|
||||
PUMPKIN,46,90,70,NO
|
||||
CABBAGE,46,93,70,NO
|
||||
BEETROOT,29,105,71,NO
|
||||
PUMPKIN,30,28,31,YES
|
||||
CARROT,30,67,24,YES
|
||||
PUMPKIN,30,96,30,NO
|
||||
CABBAGE,30,89,30,YES
|
||||
CABBAGE,31,62,40,YES
|
||||
PUMPKIN,31,65,34,YES
|
||||
CARROT,31,81,17,YES
|
||||
CARROT,31,89,29,YES
|
||||
CARROT,32,20,19,YES
|
||||
CABBAGE,32,25,50,YES
|
||||
CARROT,32,90,22,NO
|
||||
CARROT,32,56,7,YES
|
||||
CABBAGE,33,15,50,YES
|
||||
CARROT,33,32,14,YES
|
||||
PUMPKIN,33,47,59,YES
|
||||
PUMPKIN,19,99,72,NO
|
||||
CARROT,33,63,30,NO
|
||||
CABBAGE,33,65,64,YES
|
||||
CABBAGE,34,27,44,YES
|
||||
CABBAGE,34,44,93,NO
|
||||
CARROT,34,44,22,YES
|
||||
PUMPKIN,51,99,72,NO
|
||||
CABBAGE,34,56,70,NO
|
||||
CARROT,34,56,18,YES
|
||||
CABBAGE,35,21,63,YES
|
||||
PUMPKIN,35,42,48,YES
|
||||
BEETROOT,35,74,12,YES
|
||||
PUMPKIN,35,76,71,NO
|
||||
BEETROOT,36,58,28,YES
|
||||
CABBAGE,36,57,54,YES
|
||||
BEETROOT,36,72,84,NO
|
||||
BEETROOT,36,83,71,NO
|
||||
CABBAGE,36,67,64,YES
|
||||
PUMPKIN,36,82,53,YES
|
||||
CABBAGE,37,47,57,YES
|
||||
CARROT,37,59,13,YES
|
||||
BEETROOT,37,40,15,YES
|
||||
BEETROOT,37,69,16,YES
|
||||
CABBAGE,37,63,60,YES
|
||||
PUMPKIN,37,72,46,YES
|
||||
CABBAGE,38,62,79,NO
|
||||
BEETROOT,38,98,12,NO
|
||||
BEETROOT,38,59,22,YES
|
||||
PUMPKIN,38,73,56,YES
|
||||
CABBAGE,38,74,52,YES
|
||||
PUMPKIN,38,90,39,NO
|
||||
CARROT,38,78,9,YES
|
||||
CABBAGE,39,86,64,NO
|
||||
PUMPKIN,39,31,45,YES
|
||||
PUMPKIN,39,102,53,NO
|
||||
BEETROOT,39,49,14,YES
|
||||
BEETROOT,39,54,81,NO
|
||||
CABBAGE,39,87,57,NO
|
||||
CABBAGE,40,8,32,YES
|
||||
PUMPKIN,40,57,63,YES
|
||||
CABBAGE,40,92,61,NO
|
||||
BEETROOT,40,52,27,YES
|
||||
PUMPKIN,41,8,29,YES
|
||||
CABBAGE,41,25,48,YES
|
||||
CABBAGE,41,43,51,YES
|
||||
CABBAGE,41,52,60,YES
|
||||
BEETROOT,41,20,24,YES
|
||||
CARROT,41,83,25,YES
|
||||
CABBAGE,41,85,37,YES
|
||||
CABBAGE,42,64,41,YES
|
||||
CARROT,42,66,26,YES
|
||||
CABBAGE,42,69,59,YES
|
||||
BEETROOT,42,38,9,YES
|
||||
CARROT,43,15,9,YES
|
||||
CARROT,43,93,22,NO
|
||||
CABBAGE,43,60,38,YES
|
||||
PUMPKIN,43,78,43,YES
|
||||
BEETROOT,43,29,18,YES
|
||||
BEETROOT,43,96,20,NO
|
||||
BEETROOT,43,84,4,YES
|
||||
CABBAGE,61,130,72,NO
|
||||
CABBAGE,44,59,31,YES
|
||||
PUMPKIN,44,64,44,YES
|
||||
BEETROOT,44,62,19,YES
|
||||
CABBAGE,45,35,69,YES
|
||||
CARROT,45,65,27,YES
|
||||
CARROT,45,71,2,YES
|
||||
PUMPKIN,45,83,57,YES
|
||||
BEETROOT,45,31,26,YES
|
||||
BEETROOT,45,61,10,YES
|
||||
BEETROOT,45,76,85,NO
|
||||
CARROT,46,48,24,YES
|
||||
CARROT,10,96,73,NO
|
||||
CABBAGE,62,123,74,NO
|
||||
CARROT,47,37,16,YES
|
||||
CARROT,47,42,41,NO
|
||||
BEETROOT,47,50,11,YES
|
||||
PUMPKIN,11,99,75,NO
|
||||
CABBAGE,16,98,75,NO
|
||||
CARROT,48,77,12,YES
|
||||
CABBAGE,48,106,75,NO
|
||||
BEETROOT,48,32,23,YES
|
||||
BEETROOT,48,44,19,YES
|
||||
BEETROOT,48,98,14,NO
|
||||
CABBAGE,8,124,76,NO
|
||||
CARROT,49,64,4,YES
|
||||
PUMPKIN,59,114,76,NO
|
||||
PUMPKIN,50,119,77,NO
|
||||
CABBAGE,55,116,77,NO
|
||||
CARROT,50,74,21,YES
|
||||
BEETROOT,50,47,25,YES
|
||||
CABBAGE,53,117,78,NO
|
||||
PUMPKIN,55,91,78,NO
|
||||
PUMPKIN,49,91,79,NO
|
||||
CABBAGE,56,125,79,NO
|
||||
CARROT,57,95,79,NO
|
||||
PUMPKIN,8,123,80,NO
|
||||
CARROT,16,99,80,NO
|
||||
PUMPKIN,55,93,80,NO
|
||||
CABBAGE,60,99,80,NO
|
||||
CARROT,13,114,81,NO
|
||||
BEETROOT,20,100,81,NO
|
||||
CABBAGE,49,100,81,NO
|
||||
PUMPKIN,54,92,81,NO
|
||||
CABBAGE,10,94,83,NO
|
||||
PUMPKIN,17,91,83,NO
|
||||
BEETROOT,17,95,84,NO
|
||||
PUMPKIN,53,92,84,NO
|
||||
CARROT,65,110,85,NO
|
||||
PUMPKIN,73,101,85,NO
|
||||
PUMPKIN,18,102,88,NO
|
||||
PUMPKIN,47,120,88,NO
|
||||
PUMPKIN,48,102,89,NO
|
||||
CARROT,60,98,89,NO
|
||||
CABBAGE,68,120,89,NO
|
||||
CABBAGE,58,16,26,NO
|
||||
CARROT,53,107,90,NO
|
||||
CABBAGE,8,92,92,NO
|
||||
CARROT,11,97,92,NO
|
||||
PUMPKIN,14,98,92,NO
|
||||
BEETROOT,58,103,92,NO
|
||||
CABBAGE,59,131,92,NO
|
||||
PUMPKIN,57,104,93,NO
|
||||
CARROT,67,97,93,NO
|
||||
CABBAGE,3,107,94,NO
|
||||
PUMPKIN,17,104,94,NO
|
||||
PUMPKIN,17,94,96,NO
|
||||
CABBAGE,56,101,96,NO
|
||||
PUMPKIN,58,95,97,NO
|
||||
CARROT,80,93,97,NO
|
||||
PUMPKIN,10,105,99,NO
|
||||
PUMPKIN,50,121,99,NO
|
||||
PUMPKIN,9,97,100,NO
|
||||
PUMPKIN,12,95,102,NO
|
||||
PUMPKIN,16,97,103,NO
|
||||
PUMPKIN,60,107,107,NO
|
||||
PUMPKIN,58,107,109,NO
|
||||
PUMPKIN,13,96,111,NO
|
||||
PUMPKIN,61,111,113,NO
|
||||
PUMPKIN,49,110,116,NO
|
||||
PUMPKIN,64,112,120,NO
|
||||
|
@ -1,71 +0,0 @@
|
||||
header = ['previous', 'soil pH', 'dry level', 'label']
|
||||
|
||||
training_data = [
|
||||
['mushroom', 'alkaline', 'dry', 'cauliflower'],
|
||||
['mushroom', 'slightly acidic', 'dry', 'cauliflower'],
|
||||
['cabbage', 'alkaline', 'dry', 'cauliflower'],
|
||||
['none', 'alkaline', 'dry', 'cauliflower'],
|
||||
['mushroom', 'slightly acidic', 'medium wet', 'cauliflower'],
|
||||
['none', 'slightly acidic', 'dry', 'cauliflower'],
|
||||
['pumpkin', 'neutral', 'dry', 'cauliflower'],
|
||||
['cauliflower', 'neutral', 'dry', 'cauliflower'],
|
||||
['cabbage', 'alkaline', 'medium wet', 'cauliflower'],
|
||||
['none', 'slightly acidic', 'medium wet', 'cauliflower'],
|
||||
['cabbage', 'acidic', 'dry', 'mushroom'],
|
||||
['none', 'acidic', 'medium wet', 'mushroom'],
|
||||
['mushroom', 'neutral', 'dry', 'mushroom'],
|
||||
['cauliflower', 'slightly acidic', 'dry', 'mushroom'],
|
||||
['pumpkin', 'acidic', 'medium wet', 'mushroom'],
|
||||
['cauliflower', 'acidic', 'medium wet', 'mushroom'],
|
||||
['mushroom', 'neutral', 'dry', 'mushroom'],
|
||||
['pumpkin', 'slightly acidic', 'medium wet', 'mushroom'],
|
||||
['cauliflower', 'neutral', 'wet', 'pumpkin'],
|
||||
['none', 'neutral', 'wet', 'pumpkin'],
|
||||
['mushroom', 'slightly acidic', 'wet', 'pumpkin'],
|
||||
['pumpkin', 'neutral', 'wet', 'pumpkin'],
|
||||
['cabbage', 'slightly acidic', 'medium wet', 'pumpkin'],
|
||||
['mushroom', 'neutral', 'wet', 'pumpkin'],
|
||||
['cabbage', 'neutral', 'wet', 'pumpkin'],
|
||||
['none', 'slightly acidic', 'wet', 'pumpkin'],
|
||||
['cauliflower', 'slightly acidic', 'medium wet', 'pumpkin'],
|
||||
['mushroom', 'neutral', 'medium wet', 'cabbage'],
|
||||
['pumpkin', 'alkaline', 'wet', 'cabbage'],
|
||||
['none', 'alkaline', 'medium wet', 'cabbage'],
|
||||
['cauliflower', 'neutral', 'medium wet', 'cabbage'],
|
||||
['cabbage', 'slightly acidic', 'wet', 'cabbage'],
|
||||
['none', 'neutral', 'medium wet', 'cabbage'],
|
||||
['cabbage', 'neutral', 'medium wet', 'cabbage'],
|
||||
['mushroom', 'alkaline', 'wet', 'cabbage'],
|
||||
['none', 'alkaline', 'wet', 'cabbage'],
|
||||
['pumpkin', 'neutral', 'medium wet', 'cabbage'],
|
||||
['mushroom', 'neutral', 'soaking wet', 'none'],
|
||||
['cauliflower', 'alkaline', 'very dry', 'none'],
|
||||
['none', 'alkaline', 'soaking wet', 'none'],
|
||||
['cabbage', 'acidic', 'medium wet', 'none'],
|
||||
['pumpkin', 'acidic', 'soaking wet', 'none'],
|
||||
['cabbage', 'slightly acidic', 'soaking wet', 'none'],
|
||||
['none', 'slightly acidic', 'soaking wet', 'none'],
|
||||
['mushroom', 'neutral', 'very dry', 'none'],
|
||||
['mushroom', 'acidic', 'medium wet', 'none'],
|
||||
['pumpkin', 'neutral', 'soaking wet', 'none']
|
||||
]
|
||||
|
||||
testing_data = [
|
||||
|
||||
['cauliflower', 'neutral', 'dry', 'cauliflower'],
|
||||
['cabbage', 'alkaline', 'medium wet', 'cauliflower'],
|
||||
['none', 'slightly acidic', 'medium wet', 'cauliflower'],
|
||||
['cabbage', 'acidic', 'dry', 'mushroom'],
|
||||
['none', 'acidic', 'medium wet', 'mushroom'],
|
||||
['mushroom', 'neutral', 'dry', 'mushroom'],
|
||||
['cauliflower', 'neutral', 'wet', 'pumpkin'],
|
||||
['none', 'neutral', 'wet', 'pumpkin'],
|
||||
['mushroom', 'slightly acidic', 'wet', 'pumpkin'],
|
||||
['mushroom', 'neutral', 'medium wet', 'cabbage'],
|
||||
['pumpkin', 'alkaline', 'wet', 'cabbage'],
|
||||
['none', 'alkaline', 'medium wet', 'cabbage'],
|
||||
['mushroom', 'neutral', 'soaking wet', 'none'],
|
||||
['cauliflower', 'alkaline', 'very dry', 'none'],
|
||||
['none', 'alkaline', 'soaking wet', 'none'],
|
||||
|
||||
]
|
||||
Binary file not shown.
@ -1,51 +0,0 @@
|
||||
import pandas as pd
|
||||
#NIE AKTULAIZOWAĆ scikit / sklearn
|
||||
from sklearn import tree
|
||||
from sklearn.tree import DecisionTreeClassifier
|
||||
from sklearn.tree.export import export_text
|
||||
from sklearn.tree import export_graphviz
|
||||
|
||||
|
||||
|
||||
def decision(plant,humidity,growth,dryness):
|
||||
|
||||
# czytanie pliku csv
|
||||
df = pd.read_csv("./data.csv")
|
||||
#print(df)
|
||||
|
||||
#zmiana słów na cyfry, ponieważ drzewo decyzyjne opiera się na cyfrach
|
||||
z = {'CABBAGE': 2, 'PUMPKIN':4, 'MUSHROOM':3, 'CAULIFLOWER': 1}
|
||||
df['PLANT'] = df['PLANT'].map(z)
|
||||
|
||||
d = {'NO': 0, 'YES': 1}
|
||||
df['DEC'] = df['DEC'].map(d)
|
||||
|
||||
#print(df)
|
||||
|
||||
features_rest = ['PLANT','HUMIDITY','GROWTH','DRYNESS'] #dane, na których opiera się decyzja
|
||||
features_dec = ['DEC'] #kolumna z decyją
|
||||
|
||||
X = df[features_rest]
|
||||
y = df[features_dec]
|
||||
|
||||
#wyświetlkanie kolumn
|
||||
#print(X)
|
||||
#print(y)
|
||||
|
||||
#tworzenie drzewa
|
||||
dtree = DecisionTreeClassifier()
|
||||
#przypisanie danych
|
||||
dtree = dtree.fit(X, y)
|
||||
#eksport drzewa do tekstu
|
||||
r = export_text(dtree, feature_names=features_rest)
|
||||
#print("\nDrzewo decyzyjne\n")
|
||||
#print(r)
|
||||
|
||||
a = dtree.predict([[plant,humidity,growth,dryness]])
|
||||
#return a
|
||||
#print("\n[1] means FEED THE PLANT")
|
||||
#print("[0] means NOT FEED THE PLANT\n")
|
||||
print ("Decision for: ",plant,", humidity: ", humidity,", growth: ", growth,", dryness:", dryness," is ", a,"\n")
|
||||
|
||||
|
||||
|
||||
75
dijkstra.py
75
dijkstra.py
@ -1,75 +0,0 @@
|
||||
import sys
|
||||
|
||||
# Graf, koszt przejscia 1
|
||||
# 1- 2- 3- 4- 5
|
||||
# |
|
||||
# 10- 9- 8- 7- 6
|
||||
# |
|
||||
# 11-12-13-14-15
|
||||
# |
|
||||
# 20-19-18-17-16
|
||||
# |
|
||||
# 21-22-23-24-25
|
||||
graph = [[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #1
|
||||
[1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #2
|
||||
[0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #3
|
||||
[0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #4
|
||||
[0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #5
|
||||
[0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #6
|
||||
[0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #7
|
||||
[0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #8
|
||||
[0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #9
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #10
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #11
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #12
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #13
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], #14
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0], #15
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0], #16
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0], #17
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0], #18
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0], #19
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0], #20
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0], #21
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0], #22
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0], #23
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1], #24
|
||||
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0] ] #25
|
||||
|
||||
def printSolution(dist):
|
||||
print("Odleglosc punktow od wyznaczonego")
|
||||
for node in range(len(graph)):
|
||||
print("Punkt: {} odleglosc: {}".format(node, dist[node]))
|
||||
|
||||
|
||||
def minDistance(dist, sptSet):
|
||||
mini = sys.maxsize
|
||||
for v in range(len(graph)):
|
||||
if dist[v] < mini and sptSet[v] == False:
|
||||
mini = dist[v]
|
||||
min_index = v
|
||||
return min_index
|
||||
|
||||
|
||||
def dijkstra(src):
|
||||
dist = [sys.maxsize] * len(graph)
|
||||
dist[src] = 0
|
||||
sptSet = [False] * len(graph)
|
||||
|
||||
for cout in range(len(graph)):
|
||||
u = minDistance(dist, sptSet)
|
||||
sptSet[u] = True
|
||||
for v in range(len(graph)):
|
||||
if graph[u][v] > 0 and sptSet[v] == False and dist[v] > dist[u] + graph[u][v]:
|
||||
dist[v] = dist[u] + graph[u][v]
|
||||
|
||||
#printSolution(dist, graph)
|
||||
return dist
|
||||
|
||||
|
||||
#wypisuje tylko odpowiednio koszt przejscia do danego punktu
|
||||
#struktura grafu jest na tyle uproszczona ze nie trzeba wypisywac po kolei ktore punkty odwiedzamy
|
||||
#bo idziemy albo o punkt nizej albo wyzej
|
||||
#oczywiscie da to sie wszystko jakos bardziej rozwinac
|
||||
|
||||
#dijkstra(2)
|
||||
@ -1,25 +0,0 @@
|
||||
# Inteligentny traktor
|
||||
## Opis
|
||||
W finalnej wersji naszego projektu połączyliśmy wszyskie części w całość. Lista podprojektów:
|
||||
* Agata Lenz - decyzja o zebraniu i posadzeniu nowej rośliny,
|
||||
* Mikołaj Paterka - decyzja o nawozeniu rośliny,
|
||||
* Jakub Adamski - wykrywanie typu rośliny.
|
||||
|
||||
## Działanie
|
||||
Traktorem mozemy sterować samodzielnie lub wybierając odpowiednie pola - planowanie ruchu. Agent poruszając się po planszy, polu, podejmuje następujące działania.
|
||||
1) Wykrywa typ rośliny na podstawie podanego zdjęcia;
|
||||
2) Podejmuje decyzję czy daną roślinę zebrać, jeśli tak sadzi równiez nową;
|
||||
3) Na podstawie między innymi danych o wilgotności gleby, podejmuje decyzję czy nawozić daną roślinę;
|
||||
|
||||
Projekt spełnia zadane na początku załozenia oraz implementuje kazdy z podprojektów.
|
||||
|
||||
## Zdjęcia
|
||||
|
||||
Uruchomienie - wybór czy uzywamy planowania ruchu.
|
||||
|
||||
|
||||
|
||||
Działanie programu.<br>
|
||||
Posadzona nowa roślina - grzyb. Wykryta roślina na podstawie zdjęcia - grzyb (indeks 2 zaczynając od zera dla kategorii podanych ponizej). Roślina została nawieziona - wynik [1] na podstawie danych o statusie otoczenia i rośliny.
|
||||
|
||||
|
||||
BIN
imgs/cabbage.jpg
BIN
imgs/cabbage.jpg
Binary file not shown.
|
Before Width: | Height: | Size: 120 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 1.7 MiB |
Binary file not shown.
|
Before Width: | Height: | Size: 44 KiB |
BIN
imgs/pumpkin.jpg
BIN
imgs/pumpkin.jpg
Binary file not shown.
|
Before Width: | Height: | Size: 16 KiB |
200
main.py
200
main.py
@ -1,200 +0,0 @@
|
||||
import pygame, sys
|
||||
from traktor import Traktor
|
||||
import dijkstra as di
|
||||
import decisiontree as dt
|
||||
from ID3 import predict_data
|
||||
|
||||
import matplotlib.pyplot as plt
|
||||
from tensorflow.keras.preprocessing import image
|
||||
from tensorflow.keras.models import load_model
|
||||
from tensorflow.keras.applications import MobileNetV2
|
||||
from tensorflow.keras.applications.mobilenet import preprocess_input, decode_predictions
|
||||
import numpy as np
|
||||
import os, random
|
||||
#u mnie blad z biblioteka
|
||||
os.environ['KMP_DUPLICATE_LIB_OK']='True'
|
||||
|
||||
class Game(object):
|
||||
|
||||
def __init__(self):
|
||||
|
||||
#lokalizacje odpowiednich punktow na planszy
|
||||
lokalizacje = [[0,0],
|
||||
[100, 0],
|
||||
[200, 0],
|
||||
[300, 0],
|
||||
[400, 0],
|
||||
[400, 100],
|
||||
[300, 100],
|
||||
[200, 100],
|
||||
[100, 100],
|
||||
[0, 100],
|
||||
[0, 200],
|
||||
[100, 200],
|
||||
[200, 200],
|
||||
[300, 200],
|
||||
[400, 200],
|
||||
[400, 300],
|
||||
[300, 300],
|
||||
[200, 300],
|
||||
[100, 300],
|
||||
[0, 300],
|
||||
[0, 400],
|
||||
[100, 400],
|
||||
[200, 400],
|
||||
[300, 400],
|
||||
[400, 400]]
|
||||
|
||||
#ładowanie tablicy ze zdjeciami
|
||||
imgs = []
|
||||
data_plant = []
|
||||
data_soil = []
|
||||
img_dir = './imgs'
|
||||
for _ in lokalizacje:
|
||||
data_plant.append([random.randrange(5, 90),random.randrange(0, 120),random.randrange(5, 90)])
|
||||
data_soil.append([random.randrange(44, 75)/10, random.randrange(0, 100)/100])
|
||||
imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir)))
|
||||
|
||||
#model do rozpoznawania
|
||||
model = load_model('data/moj_model.h5')
|
||||
|
||||
#inicjalizacja
|
||||
pygame.init()
|
||||
self.pole = pygame.display.set_mode((501,501))
|
||||
|
||||
self.player = Traktor(self)
|
||||
|
||||
sterowanie = int(input("Podaj czy chcesz sam sterowac traktorem - 1, czy chcesz podawac punkty - 0: "))
|
||||
if sterowanie == 1:
|
||||
sterowanie = True
|
||||
else:
|
||||
sterowanie = False
|
||||
|
||||
while True:
|
||||
run_classifier = False
|
||||
|
||||
#obsługa zdarzń
|
||||
for event in pygame.event.get():
|
||||
if event.type == pygame.QUIT:
|
||||
pygame.quit()
|
||||
sys.exit(0)
|
||||
#sterowanie traktorem
|
||||
if sterowanie:
|
||||
if event.type == pygame.KEYDOWN :
|
||||
if event.key == pygame.K_UP:
|
||||
self.player.y -= 100
|
||||
if self.player.y < 0:
|
||||
self.player.y = 0
|
||||
if event.key == pygame.K_DOWN:
|
||||
self.player.y += 100
|
||||
if self.player.y > 400:
|
||||
self.player.y = 400
|
||||
if event.key == pygame.K_RIGHT:
|
||||
self.player.x += 100
|
||||
if self.player.x > 400:
|
||||
self.player.x = 400
|
||||
if event.key == pygame.K_LEFT:
|
||||
self.player.x -= 100
|
||||
if self.player.x < 0:
|
||||
self.player.x = 0
|
||||
|
||||
#okreslanie w ktorym punkcie jesteśmy
|
||||
wsp = [self.player.x, self.player.y]
|
||||
self.player.punkt = lokalizacje.index(wsp)
|
||||
run_classifier = True
|
||||
|
||||
else:
|
||||
#po spacji wpisujemy punkty
|
||||
if event.type == pygame.KEYDOWN :
|
||||
if event.key == pygame.K_SPACE:
|
||||
pt = 0
|
||||
punkt1 = int(input("Podaj pierwszy punkt (liczba od 0 do 24): "))
|
||||
punkt2 = int(input("Podaj drugi punkt (liczba od 0 do 24): "))
|
||||
dist = di.dijkstra(self.player.punkt)
|
||||
|
||||
if dist[punkt1] < dist[punkt2]:
|
||||
print("Wybralem pierwszy punkt")
|
||||
pt = punkt1
|
||||
else:
|
||||
print("Wybralem drugi punkt")
|
||||
pt = punkt2
|
||||
|
||||
self.player.x = lokalizacje[pt][0]
|
||||
self.player.y = lokalizacje[pt][1]
|
||||
self.player.punkt = pt
|
||||
run_classifier = True
|
||||
|
||||
|
||||
pygame.display.update()
|
||||
|
||||
#rysowanie
|
||||
self.pole.fill((157, 128, 48))
|
||||
self.krata()
|
||||
self.rysowanie()
|
||||
pygame.display.flip()
|
||||
|
||||
if run_classifier:
|
||||
#wybieranie zdjecia
|
||||
pt = self.player.punkt
|
||||
img_path = imgs[pt]
|
||||
img = image.load_img(img_path, target_size=(224, 224))
|
||||
x = image.img_to_array(img)
|
||||
x = np.expand_dims(x, axis=0)
|
||||
x = preprocess_input(x)
|
||||
|
||||
#detektor roslin, 5 rezultatow
|
||||
plt.imshow(img)
|
||||
preds = model.predict(x)
|
||||
list_of_preds = preds.tolist()[0]
|
||||
index = list_of_preds.index(max(list_of_preds))
|
||||
#print(index)
|
||||
|
||||
names = ['cabbage', 'cauliflower', 'mushroom', 'pumpkin']
|
||||
|
||||
# decyzja o posadzeniu nowej rośliny następuje wtedy, gdy jest ona dojrzała przynajmniej w 90%
|
||||
if(data_plant[pt][1] > 90):
|
||||
|
||||
new_plant = predict_data([names[index], data_soil[pt][0], data_soil[pt][1]])
|
||||
if(new_plant != 'none'):
|
||||
index = names.index(new_plant)
|
||||
imgs[pt] = img_dir + '/' + (os.listdir(img_dir))[index]
|
||||
data_plant[pt] = [0, 0, 50]
|
||||
else:
|
||||
print("Planted: none")
|
||||
|
||||
if index == 0:
|
||||
dt.decision(4, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
|
||||
if index == 1:
|
||||
dt.decision(1, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
|
||||
if index == 2:
|
||||
dt.decision(2, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
|
||||
if index == 3:
|
||||
dt.decision(3, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
|
||||
|
||||
print("kapusta, kalafior, grzyb, dynia\n {}\n".format(preds) )
|
||||
plt.show()
|
||||
|
||||
def krata(self):
|
||||
#wymiary
|
||||
w= 500
|
||||
rows = 5
|
||||
sizeBtw = w // rows
|
||||
|
||||
x = 0
|
||||
y = 0
|
||||
for r in range(rows):
|
||||
x = x + sizeBtw
|
||||
y = y + sizeBtw
|
||||
|
||||
#rysownie karaty
|
||||
pygame.draw.line(self.pole, (255,255,255), (x,0), (x,w))
|
||||
pygame.draw.line(self.pole, (255,255,255), (0,y), (w,y))
|
||||
|
||||
|
||||
def rysowanie(self):
|
||||
#rysowanie agenta
|
||||
self.player.rysowanie()
|
||||
|
||||
|
||||
if __name__=="__main__":
|
||||
Game()
|
||||
@ -1,36 +0,0 @@
|
||||
import matplotlib.pyplot as plt
|
||||
from tensorflow.keras.preprocessing.image import ImageDataGenerator
|
||||
from tensorflow.keras.applications import MobileNetV2
|
||||
from tensorflow.keras.applications.mobilenet import preprocess_input, decode_predictions
|
||||
from tensorflow.keras.layers import Dense
|
||||
from tensorflow.keras.models import Model
|
||||
import numpy as np
|
||||
import os, random
|
||||
|
||||
#podstawa modelu
|
||||
base_model = MobileNetV2(include_top=False, weights="imagenet", pooling='avg')
|
||||
|
||||
#model
|
||||
x=base_model.output
|
||||
preds=Dense(4,activation='softmax')(x)
|
||||
model=Model(inputs=base_model.input,outputs=preds)
|
||||
|
||||
#tylko ostatnie 20 warstw uczymy
|
||||
for layer in model.layers[:20]:
|
||||
layer.trainable=False
|
||||
for layer in model.layers[20:]:
|
||||
layer.trainable=True
|
||||
|
||||
#generator obrazkow
|
||||
train_datagen=ImageDataGenerator(preprocessing_function=preprocess_input)
|
||||
|
||||
train_generator=train_datagen.flow_from_directory('./dataset', target_size=(224,224), color_mode='rgb', batch_size=32, class_mode='categorical', shuffle=True)
|
||||
|
||||
|
||||
#uczenie //to dzielenie i podloga
|
||||
model.compile(optimizer='Adam',loss='categorical_crossentropy',metrics=['accuracy'])
|
||||
step_size_train=train_generator.n//train_generator.batch_size
|
||||
model.fit_generator(generator=train_generator, steps_per_epoch=step_size_train, epochs=10)
|
||||
|
||||
#zapis
|
||||
model.save('moj_model.h5')
|
||||
@ -1,39 +0,0 @@
|
||||
## Podprojekt Jakub Adamski
|
||||
Wykrywanie rodzaju rośliny na danym polu, w którym znajduje się traktor.
|
||||
|
||||
## Spis treści
|
||||
* [Wykorzystana technologia](#wykorzystana-technologia)
|
||||
* [Dane](#dane)
|
||||
* [Kod](#kod)
|
||||
* [Działanie](#działanie)
|
||||
* [Uruchomienie](#uruchomienie)
|
||||
* [Notatki](#notatki)
|
||||
|
||||
## Wykorzystana technologia
|
||||
W projekcie wykorzystuję sieć neuronową. Jest to klasyfikator obiektów, oparty na modelu MobileNetV2. MobileNet to wysoce zoptymalizowana struktura pozwalająca na rozpoznawanie obiektów. <br>
|
||||
Składa się z warstw: CNN - convolutional neural network do wyodrębnienia cech charakterystycznych z obrazka oraz jednej warstwy dense, złozonej z 4 neuronow (ilosc obiektow w moim projekcie), które produkują finalny wynik na podstawie wyniku z CNN.
|
||||
|
||||
## Dane
|
||||
Zgromadzone zdjecia dostepne sa tutaj: [link](https://drive.google.com/open?id=1cs3TE-niBrhXT-23IA9g2rll3Qpk7Xdk). Dane zbierałem za pomocą wyszukiwarki google, następnie pogrupowałem według klas. Ostatnie 20 warstw sieci jest wytrenowana w pliku net_training.py, pierwsze warstwy są uczone na zbiorze danych imagenet - zmienna base_model. <br>
|
||||
Do uruchomienia uzywam pakietu keras dostępnego w bibliotece tensorflow. Tensorflow to rozbudowany zestaw narzędzi do machine learningu, keraz to nakładka ułatwijąca uzywanie tego frameworku.
|
||||
|
||||
## Kod
|
||||
Klasyfikator działa w głównej pętli while w pliku main.py. Uruchamia się gdy traktor (niebieski kwadrat) zmieni swoją lokalizację. Zdjęcia przypisane do danej kratki są dobierane losowo. W finalnej wersji zdjęć będzie więcej - folder imgs/. <br>
|
||||
Gdy klasyfikator zakończy swoje działanie, w konsoli pojawia się najbardziej prawdopodobny obiekt znajdujący się na zdjęciu. Zdjęcie pojawia się w osobnym oknie. Po zamknięciu okna mozemy kontynuować sterowanie traktorem za pomocą strzałek.
|
||||
|
||||
## Działanie
|
||||
 <br>
|
||||
|
||||
|
||||
## Uruchomienie
|
||||
Instalacja tensorflow <br>
|
||||
Byl error z jakas biblioteka, trzeba zainstalować nomkl lub rozwiazanie ad hoc to komenda która pokazuje się przy błędzie. <code>os.environ['KMP_DUPLICATE_LIB_OK']='True'</code>
|
||||
https://docs.anaconda.com/mkl-optimizations/
|
||||
|
||||
|
||||
## Notatki
|
||||
Lista obiektów:
|
||||
- pumpkin/dynia
|
||||
- cabbage/kapusta
|
||||
- mushroom/grzyb
|
||||
- cauliflower/kalafior
|
||||
@ -1,132 +0,0 @@
|
||||
# Agata Lenz - drzewa decyzyjne, algorytm ID3
|
||||
|
||||
## Wymagania
|
||||
Importowane biblioteki:
|
||||
* numpy
|
||||
* pandas
|
||||
|
||||
## Opis podprojektu
|
||||
Podprojekt implementuje algorytm ID3 pozwalający wyznaczyć drzewo decyzyjne, przy użyciu którego agent (traktor) podejmie decyzję co posadzić w danym miejscu, na podstawie:
|
||||
* *previous* - gatunku rośliny, która poprzednio rosła w danym miejscu
|
||||
* *pH* - pH gleby
|
||||
* *dry_level* - suchości gleby
|
||||
|
||||
## Uczenie modelu
|
||||
|
||||
### Dane
|
||||
Dane uczące jak i testowe znajdują się w pliku data.py. Dane uczące są zapisane w postaci listy, której elementy to przykładowe dane w formacie ['previous', 'pH', 'dry_level', 'label'], gdzie *label* oznacza posadzoną w wymienionych warunkach roślinę.
|
||||
Łącznie zestaw uczący zawiera 47 elementów, a zestaw testowy - 15.
|
||||
|
||||
Przykładowe elementy zestawu uczącego:
|
||||
```
|
||||
['pumpkin', 'neutral', 'dry', 'beetroot'],
|
||||
['none', 'neutral', 'wet', 'pumpkin'],
|
||||
['cabbage', 'alkaline', 'soaking wet', 'none']
|
||||
```
|
||||
|
||||
### Implementacja algorytmu ID3
|
||||
|
||||
Za budowę drzewa decyzyjnego odpowiada rekurencyjna funkcja *ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None)*:
|
||||
|
||||
```
|
||||
def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
|
||||
"""
|
||||
Algorytm ID3
|
||||
|
||||
parametry:
|
||||
data zbiór danych, dla którego poszukujemy drzewa decyzyjnego
|
||||
original_data oryginalny zbiór danych (zwracany gdy data == None)
|
||||
features lista atrybutów wejściowego zbioru
|
||||
target_attribute_name docelowy atrybut, który chcemy przewidzieć
|
||||
parent_node_class nadrzędna wartość
|
||||
"""
|
||||
|
||||
# Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
|
||||
|
||||
if len(np.unique(data[target_attribute_name])) <= 1:
|
||||
return np.unique(data[target_attribute_name])[0]
|
||||
|
||||
elif len(data) == 0:
|
||||
return np.unique(original_data[target_attribute_name])[
|
||||
np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
|
||||
|
||||
elif len(features) == 0:
|
||||
return parent_node_class
|
||||
|
||||
else:
|
||||
|
||||
# Aktualizacja nadrzędnej wartości
|
||||
parent_node_class = np.unique(data[target_attribute_name])[
|
||||
np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
|
||||
|
||||
# Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
|
||||
# według którego nastąpi podział zbioru
|
||||
item_values = [info_gain(data, feature, target_attribute_name) for feature in
|
||||
features]
|
||||
|
||||
# Najlepszym atrybutem jest ten o największym przyroście informacji
|
||||
best_feature_index = np.argmax(item_values)
|
||||
best_feature = features[best_feature_index]
|
||||
|
||||
# Struktura drzewa
|
||||
tree = {best_feature: {}}
|
||||
|
||||
# Aktualizacja zbioru atrybutów
|
||||
features = [i for i in features if i != best_feature]
|
||||
|
||||
# Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
|
||||
for value in np.unique(data[best_feature]):
|
||||
|
||||
sub_data = data.where(data[best_feature] == value).dropna()
|
||||
subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
|
||||
|
||||
tree[best_feature][value] = subtree
|
||||
|
||||
return (tree)
|
||||
```
|
||||
|
||||
Do obliczenia przyrostu informacji służy funkcja *info_gain(data, split_attribute_name, target_name="label")*, która dla wejściowego zestawu danych (*data*), oblicza jego entropię oraz średnią ważoną entropii każdego podzestawu (wyznaczanego przez unikalne wartości atrybutu *split_attribute_name*):
|
||||
|
||||
```
|
||||
def info_gain(data, split_attribute_name, target_name="label"):
|
||||
|
||||
total_entropy = entropy(data[target_name])
|
||||
vals, counts = np.unique(data[split_attribute_name], return_counts=True)
|
||||
|
||||
weighted_entropy = np.sum(
|
||||
[(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
|
||||
for i in range(len(vals))])
|
||||
|
||||
information_gain = total_entropy - weighted_entropy
|
||||
|
||||
return information_gain
|
||||
```
|
||||
|
||||
## Implementacja w projekcie głównym
|
||||
|
||||
Funkcja, z której będzie korzystał traktor, aby podjąć decyzję o posadzeniu rośliny, to *def decide_to_plant(soil)*
|
||||
|
||||
```
|
||||
def decide_to_plant(soil):
|
||||
|
||||
if soil.have_plant():
|
||||
plant = soil.get_plant()
|
||||
if plant.collect() == 'True':
|
||||
info = get_info(soil)
|
||||
plant.leave_soil()
|
||||
else:
|
||||
return [['none']]
|
||||
else:
|
||||
info = get_info(soil)
|
||||
|
||||
data = []
|
||||
data.append(info)
|
||||
|
||||
predicted = predict_data(data)
|
||||
grow_a_plant(soil,predicted[0][0])
|
||||
|
||||
return predicted
|
||||
```
|
||||
Pierwszym krokiem jest sprawdzenie, czy w danej ziemi już coś rośnie - jeżeli jest to roślina dojrzała, zostaje ona zebrana, a jej nazwa staje się wartością atrybutu *previous*. Jeżeli nie, nie przewiduje się sadzenia w tym miejscu żadnej rośliny w danym momencie.
|
||||
Funkcja *get_info(soil)* zwraca listę parametrów obiektu *Soil*, potrzebną do poszukiwań w drzewie decyzyjnym.
|
||||
W pliku *dataset.py* znajduje się funkcja *create_data_soil()* pozwalająca przetestować działanie algorytmu na obiektach typu *Soil*
|
||||
@ -1,56 +0,0 @@
|
||||
# Route planning
|
||||
|
||||
## Spis treści
|
||||
* [Informacje](#informacje)
|
||||
* [Pętla główna](#pętla%20główna)
|
||||
* [Funkcja następnika](#funkcja%20następnika)
|
||||
* [Heurystyka](#heurystyka)
|
||||
|
||||
|
||||
## Informacje
|
||||
|
||||
Omawiane fragmenty kodu znajdują się w pliku ```dijkstra.py```.
|
||||
Po uruchomieniu programu, użytkownik ma do wyboru samodzielne sterowanie traktorem przy pomocy strzałek (1) lub podawanie punktów wykorzystujące planowanie ruchu (0). Przy wyborze drugiej z opcji, aby wykonać ruch, użytkownik w aktywnym oknie programu naciska spację, po czym podaje dwa punkty.
|
||||
|
||||
## Pętla główna
|
||||
|
||||
Implementacja algorytmu Dijkstry:
|
||||
|
||||
```
|
||||
def dijkstra(src):
|
||||
dist = [sys.maxsize] * len(graph)
|
||||
dist[src] = 0
|
||||
sptSet = [False] * len(graph)
|
||||
|
||||
for cout in range(len(graph)):
|
||||
u = minDistance(dist, sptSet)
|
||||
sptSet[u] = True
|
||||
for v in range(len(graph)):
|
||||
if graph[u][v] > 0 and sptSet[v] == False and dist[v] > dist[u] + graph[u][v]:
|
||||
dist[v] = dist[u] + graph[u][v]
|
||||
|
||||
return dist
|
||||
```
|
||||
|
||||
Dla ```src``` będącego wierzchołkiem źródłowym, funkcja zwraca koszt przejścia do każdego punktu w grafie w postaci listy ```dist```.
|
||||
|
||||
Dopóki nie zostaną rozpatrzone wszystkie wierzchołki, pętla:
|
||||
* za wierzchołek ```u``` przyjmuje wierzchołek najbliższy źródła, który nie został jeszcze rozważony
|
||||
* dla każdego sąsiada ```v``` wierzchołka ```u```, jeżeli przez ```u``` da się dojść do ```v``` szybciej niż dotychczasową ścieżką, to wykonuje podstawienie: ```dist[v] = dist[u] + graph[u][v]```.
|
||||
|
||||
|
||||
## Funkcja następnika
|
||||
|
||||
```
|
||||
def minDistance(dist, sptSet):
|
||||
mini = sys.maxsize
|
||||
for v in range(len(graph)):
|
||||
if dist[v] < mini and sptSet[v] == False:
|
||||
mini = dist[v]
|
||||
min_index = v
|
||||
return min_index
|
||||
```
|
||||
|
||||
Funkcja zwraca indeks wierzchołka, który jest najbliższej źródła, a nie został jeszcze rozważony, przeszukując w tym celu pozostałe wierzchołki grafu.
|
||||
|
||||
## Heurystyka
|
||||
BIN
ss/adamski1.png
BIN
ss/adamski1.png
Binary file not shown.
|
Before Width: | Height: | Size: 1.2 MiB |
BIN
ss/adamski2.png
BIN
ss/adamski2.png
Binary file not shown.
|
Before Width: | Height: | Size: 204 KiB |
BIN
ss/final1.png
BIN
ss/final1.png
Binary file not shown.
|
Before Width: | Height: | Size: 1.3 MiB |
BIN
ss/final2.png
BIN
ss/final2.png
Binary file not shown.
|
Before Width: | Height: | Size: 130 KiB |
21
traktor.py
21
traktor.py
@ -1,21 +0,0 @@
|
||||
import pygame
|
||||
from pygame.math import Vector2
|
||||
|
||||
class Traktor(object):
|
||||
|
||||
def __init__(self, game):
|
||||
#przekazywanie okiektu gra obiektowi traktor
|
||||
self.game = game
|
||||
self.x = 0
|
||||
self.y = 0
|
||||
self.punkt = 0
|
||||
self.canSteer = True
|
||||
self.myimage = pygame.image.load("./assets/player.png").convert()
|
||||
self.myimage = pygame.transform.scale(self.myimage, (99, 99))
|
||||
self.screen = pygame.display.set_mode((500, 500))
|
||||
|
||||
|
||||
def rysowanie(self):
|
||||
rect = self.myimage.get_rect()
|
||||
rect.center = (self.x+50, self.y+50)
|
||||
self.screen.blit(self.myimage, rect)
|
||||
Loading…
Reference in New Issue
Block a user