Atlantico Device - Federated Learning Device Module

Este repositório contém o código e os dados para execução de aprendizado federado (Federated Learning) em dispositivos embarcados. É projetado para funcionar em conjunto com o servidor do projeto Atlantico, realizando tarefas locais de inferência, treinamento e envio de pesos.

Estrutura do Projeto

atlantico-device-main/
├── platformio.ini              # Configuração para o PlatformIO (ESP32, etc.)
├── data/                       # Dados para treino/teste
├── data_ready/                 # Dados particionados por dispositivo
├── datasets/                   # Conjuntos de dados adicionais
├── include/
│   └── ModelUtil               # Utilitários para manipulação de modelos neurais
├── src/
│   └── main.cpp                # Ponto de entrada principal da aplicação
├── .vscode/                    # Configurações do VSCode
└── single_app_partition.csv    # Configuração de partição para o ESP32

🚀 Funcionalidades

• Execução local de inferência e treinamento de modelo.
• Manipulação de conjuntos de dados locais (train/test).
• Comunicação com servidor FL para envio e recebimento de pesos.
• Compatível com microcontroladores via PlatformIO (ex. ESP32).

🛠️ Requisitos

• PlatformIO instalado (recomendado com VSCode)
• Ambiente de desenvolvimento (ex: VSCode ou algum fork)
• Placa de desenvolvimento compatível (ex: ESP32)
• Bibliotecas (instaladas automaticamente pelo PlatformIO):
  • NeuralNetworks (3.1.7)
  • ArduinoJson (v7.3.0+)
  • PicoMQTT (v1.3.0+)

Como Configurar

1. Instale o PlatformIO e abra o projeto no VSCode.
2. Conecte sua placa (ex: ESP32).
3. Compile e carregue o firmware:
   • Configure suas credenciais Wi-Fi e servidor MQTT:
   • Abra o arquivo ModelUtil.h
   • Localize e modifique as seguintes constantes

   #define WIFI_SSID "sua-rede-wifi"
   #define WIFI_PASSWORD "sua-senha-wifi"
   #define MQTT_BROKER "endereco-do-broker"
   #define CLIENT_NAME "esp32-seu-dispositivo"
   

4. Configure a partição do dispositivo:
   • O arquivo single_app_partition.csv já está configurado para utilizar 4MB de flash
   • Ajuste conforme necessário para seu modelo específico de ESP32

📥 Carregando Dados

1. Prepare seus arquivos CSV para treinamento:
   • Formato dos arquivos: CSV
   • x_train_0.csv: dados de entrada para treinamento
   • y_train_0.csv: rótulos (saídas desejadas) para treinamento
   • x_test_0.csv: dados de entrada para teste/validação (planejado)
   • y_test_0.csv: rótulos para teste/validação (planejado)
2. Carregue os arquivos para o ESP32:
   1. Escolha a opção Build Filesystem Image para construir a imagem do bootloader com as partições especificadas
   2. Rode o comando Upload Filesystem Image para aplicar as modificações e carregar os arquivos dentro da pasta data.

⚙️ Compilando e Executando

1. Compile o projeto escolhendo Build no PlatformIO ou rode:

pio run

2. Carregue a aplicação rodando Upload ou rode:

pio run --target upload

3. (opcional) Monitore a saída do terminal rodando Upload and Monitor (pule o passo 2) ou execute apenas Monitor ou então rode:

pio device monitor

📂 Diretórios Importantes

• data/: Arquivos CSV com dados de treino e teste.
• data_ready/: Dados divididos por dispositivo (ex: device 0, device 1...).
• metrics/: Diretório opcional para salvar métricas de avaliação.
• tasks/: Representações visuais das tarefas do dispositivo.