• Model: Contiene los modelos TensorFlow para la interpretación de lengua de señas.
• Transform: Scripts para convertir modelos de Keras (.h5) a TensorFlow Lite (.tflite), facilitando el despliegue en dispositivos de bajo consumo.
• raspberry_app_lite:
  • lite_version.py: Prueba modelos TensorFlow Lite individuales.
  • multiple_models.py: Utiliza un modelo general que redirige a modelos específicos basados en la seña detectada.

Utiliza OpenCV (opencv-python), MediaPipe (mediapipe), NumPy (numpy), y TensorFlow 2.15.1 (tensorflow) para procesar imágenes y manejar modelos de aprendizaje automático.

• MediaPipe: Inicializa la detección de manos.
• TensorFlow Lite: Carga un modelo general para clasificar señas en categorías.

• Captura video en tiempo real, detecta y analiza manos en cada frame.
• Convierte colores, prepara y normaliza imágenes para el modelo.

• Clasifica las señas en categorías y luego determina la letra específica usando modelos dedicados.
• Para la raspberry debe estar comentado lo que es mostrar las imagenes y en vez de usar opencv-python usar opencv-python-headless

• Muestra resultados en una ventana y permite cerrar el proceso con la tecla 'Esc'.

pip install opencv-python mediapipe tensorflow==2.15.1 numpy requests

python multiple_models.py

Incluye scripts para testear modelos Keras y capturar imágenes necesarias para entrenar modelos de manera eficiente.

El proyecto SLML busca desarrollar un dispositivo eficiente y accesible para el reconocimiento de lengua de señas, aprovechando la capacidad de Raspberry Pi y ESP32-CAM, utilizando TensorFlow para asegurar un consumo eficiente de recursos.