# IoT ಎಡ್ಜ್ ಆಧಾರಿತ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸಿ - ವರ್ಚುವಲ್ IoT ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ರಾಸ್ಪ್ಬೆರ್ರಿ ಪೈ

ಪಾಠದ ಈ ಭಾಗದಲ್ಲಿ, ನೀವು IoT ಎಡ್ಜ್ ಸಾಧನದಲ್ಲಿ ನಡतಿರುವ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಬಳಸಲಿದ್ದೀರಿ.

## IoT ಎಡ್ಜ್ ವರ್ಗೀಕಾರಿಯನ್ನು ಬಳಸಿ

IoT ಸಾಧನವನ್ನು IoT ಎಡ್ಜ್ ಚಿತ್ರ ವರ್ಗೀಕಾರಿಯನ್ನು ಬಳಸುವಂತೆ ಮರುದೂರುದಡಬಹುದು. ಚಿತ್ರ ವರ್ಗೀಕಾರಿಗಾಗಿ URL ಎಂದರೆ `http://<IP address or name>/image`, ಇಲ್ಲಿ `<IP address or name>` ಅನ್ನು IoT ಎಡ್ಜ್ ನಡಿಸುತ್ತಿರುವ ಕಂಪ್ಯೂಟರ್‌ನ IP ವಿಳಾಸ ಅಥವಾ ಹೋಸ್ಟ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಬೇಕು.

ಕಸ್ಟಮ್ ವಿಸನ್‌ಗಾಗಿ ಪೈಥಾನ್ ಲೈಬ್ರರಿ ಕೇವಲ ಮೋಡದಲ್ಲಿ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, IoT ಎಡ್ಜ್ ನಲ್ಲಿ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಮಾದರಿಗಳೊಂದಿಗೆ ಅಲ್ಲ. ಇದರಿಂದ ನೀವು ವರ್ಗೀಕಾರಿಯನ್ನು ಕರೆ ಮಾಡಲು REST API ಅನ್ನು ಬಳಸಬೇಕಾಗುತ್ತದೆ.

### ಕಾರ್ಯ - IoT ಎಡ್ಜ್ ವರ್ಗೀಕಾರಿಯನ್ನು ಬಳಸಿ

1. `fruit-quality-detector` ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು VS ಕೋಡ್‌ನಲ್ಲಿ ತೆರೆಯಿರಿ, ಅದು ಈಗಾಗಲೇ ತೆರೆದಿಲ್ಲದಿದ್ದಲ್ಲಿ. ನೀವು ವರ್ಚುವಲ್ IoT ಸಾಧನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ, ಆ ವರ್ಚುವಲ್ ಪರಿಸರ ಸಕ್ರಿಯವಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.

1. `app.py` ಫೈಲ್ ಅನ್ನು ತೆರೆಯಿರಿ, ಮತ್ತು `azure.cognitiveservices.vision.customvision.prediction` ಮತ್ತು `msrest.authentication` ನಿಂದ ಆಮದು ಹೇಳಿಕೆಗಳನ್ನು ಅಳಿಸಿ.

1. ಫೈಲ್‌ನ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಕೆಳಗಿನ ಆಮದು ಪರಿಕರವನ್ನು ಸೇರಿಸಿ:

    ```python
    import requests
    ```

1. ಚಿತ್ರವನ್ನು ಫೈಲ್‌ಗೆ ಉಳಿಸಿದ ನಂತರ ಇರುವ ಎಲ್ಲಾ ಕೋಡ್ ಅನ್ನು ಅಳಿಸಿ, `image_file.write(image.read())` ದಿಂದ ಫೈಲ್‌ನ ಕೊನೆವರೆಗಿನ ಎಲ್ಲಾ ಭಾಗ.

1. ಫೈಲ್‌ನ ಕೊನೆಯಲ್ಲಿ ಕೆಳಗಿನ ಕೋಡ್ ಅನ್ನು ಸೇರಿಸಿ:

    ```python
    prediction_url = '<URL>'
    headers = {
        'Content-Type' : 'application/octet-stream'
    }
    image.seek(0)
    response = requests.post(prediction_url, headers=headers, data=image)
    results = response.json()
    
    for prediction in results['predictions']:
        print(f'{prediction["tagName"]}:\t{prediction["probability"] * 100:.2f}%')
    ```

    `<URL>` ಅನ್ನು ನಿಮ್ಮ ವರ್ಗೀಕಾರಿಯ URL ಮೂಲಕ ಬದಲಾಯಿಸಿ.

    ಈ ಕೋಡ್ REST POST ವಿನಂತಿಯನ್ನು ವರ್ಗೀಕಾರಿಗೆ ಕಳುಹಿಸುತ್ತದೆ, ಚಿತ್ರವನ್ನು ವಿನಂತಿಯ ದೇಹವಾಗಿ ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶಗಳು JSON ತರುವಂತೆ ಬರುತ್ತವೆ, ಇದನ್ನು ಡಿಕೋಡ್ ಮಾಡಿ ಸಾಮಾನ್ಯ ಸಾಧ್ಯತೆಗಳನ್ನು ಮುದ್ರಿಸುತ್ತದೆ.

1. ನಿಮ್ಮ ಕೋಡ್ ಮಹಾ ಚಾಲನೆ ಮಾಡಿ, ಕ್ಯಾಮೆರಾ ಒಂದನ್ನು ಕೆಲವು ಹಣ್ಣುಗಳ ಕಡೆಗೆ ತೋರಿಸಿ, ಅಥವಾ ಸರಿಯಾದ ಚಿತ್ರ ಸೆಟ್ ಅನ್ನು ತೋರಿಸಿ, ಅಥವಾ ನೀವು ವರ್ಚುವಲ್ IoT ಹಾರ್ಡ್‌ವೇರ್ ಬಳಸುತ್ತಿದ್ದರೆ ವೆಬ್‌ಕ್ಯಾಮ್‌ನಲ್ಲಿ ಹಣ್ಣುಗಳು ಕಾಣಿಸುವಂತೆ ಮಾಡಿ. ನೀವು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಕಾನ್ಸೋಲ್‌ನಲ್ಲಿ ಕಾಣಬಹುದು:

    ```output
    (.venv) ➜  fruit-quality-detector python app.py
    ripe:   56.84%
    unripe: 43.16%
    ```

> 💁 ನೀವು ಈ ಕೋಡ್ ಅನ್ನು [code-classify/pi](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/pi) ಅಥವಾ [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/virtual-iot-device) ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಕಾಣಬಹುದು.

😀 ನಿಮ್ಮ ಹಣ್ಣು ಗುಣಮಟ್ಟ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ರಮ ಯಶಸ್ವಿಯಾಯಿತು!

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಬಾಧ್ಯತೆ ಬಿಡುಗಡೆ**:  
ಈ ದಾಖಲೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಾಖಲೆವೇ ಅಧಿಕೃತ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವಪೂರ್ಣ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸದ ಹೀಗಾಗಿ ಸಂಭವಿಸಬಹುದಾದ ಯಾವುದೇ ಅಗತ್ಯಸಾಕ್ಷರತೆಗಳಿಲ್ಲದ ಅಥವಾ ತಪ್ಪಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯ ಬಗ್ಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಾಗುವುದಿಲ್ಲ.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->