# IoT Edge അടിസ്ഥാനമാക്കി ഒരു ഇമേജ് ക്ലാസിഫയർ ഉപയോഗിച്ച് ഒരു ചിത്രം ശ്രേണി തിരിക്കുക - വെർച്ച്വൽ IoT ഹാർഡ്‌വെയർ һәм Raspberry Pi

പാഠത്തിന്റെ ഈ ഭാഗത്തിൽ, നിങ്ങൾ IoT Edge ഉപകരണത്തിൽ പ്രവർത്തിക്കുന്ന ഇമേജ് ക്ലാസിഫയർ ഉപയോഗിക്കും.

## IoT Edge ക്ലാസിഫയർ ഉപയോഗിക്കുക

IoT ഉപകരണം IoT Edge ഇമേജ് ക്ലാസിഫയർ ഉപയോഗിക്കാൻ പുനർനിർദ്ദേശിക്കാം. ഇമേജ് ക്ലാസിഫയറിന് ഉള്ള URL `http://<IP address or name>/image` ആണ്, ഇവിടെ `<IP address or name>` എന്നത് IoT Edge പ്രവർത്തിപ്പിക്കുന്ന കമ്പ്യൂട്ടറിന്റെ IP വിലാസമോ ഹോസ്റ്റ് പേരോ ആയിരിക്കണം.

Custom Vision-ന് വേണ്ടി Python ലൈബ്രറി ക്ലൗഡ്-ഹോസ്റ്റുചെയ്‌ത മോഡലുകളുമായി മാത്രമേ പ്രവർത്തിക്കൂ, IoT Edge-ൽ ഹോസ്റ്റ് ചെയ്ത മോഡലുകളുമായി അല്ല. അതിനാൽ നിങ്ങൾ REST API ఉపయోగിച്ച് ക്ലാസിഫയറിൽ കോളുചെയ്യേണ്ടതാണ്.

### പ്രവൃത്തി - IoT Edge ക്ലാസിഫയർ ഉപയോഗിക്കുക

1. നിങ്ങൾക്ക് `fruit-quality-detector` പ്രോജക്ട് VS Code-ൽ തുറന്നിട്ടില്ലെങ്കിൽ തുറക്കുക. നിങ്ങൾ വെർച്ച്വൽ IoT ഉപകരണം ഉപയോഗിച്ചാൽ, വെർച്ച്വൽ എൻവയോൺമെന്റ് ആക്ടിവേറ്റ് ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പുവരുത്തുക.

1. `app.py` ഫയൽ തുറക്കുക, പിന്നീട് `azure.cognitiveservices.vision.customvision.prediction` ഒപ്പം `msrest.authentication` നിന്നും ഇറക്കുമതി സ്റ്റേറ്റ്മെന്റുകൾ നീക്കം ചെയ്യുക.

1. ഫയലിന്റെ മുകളിൽ താഴെ പറയുന്ന ഇറക്കുമതി ചേർക്കുക:

    ```python
    import requests
    ```

1. ചിത്രം ഒരു ഫയലിലേക്ക് സംഭരിച്ച ശേഷം `image_file.write(image.read())` മുതൽ ഫയലിന്റെ അവസാനം വരെ ഉള്ള എല്ലാ കോഡുകളും മായ്ക്കുക.

1. ഫയലിന്റെ അവസാനം താഴെ പറയുന്ന കോഡ് ചേർക്കുക:

    ```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}%')
    ```

    നിങ്ങളുടെ ക്ലാസിഫയറിന് URL നൽകുന്നതിന് `<URL>` പകരം വയ്ക്കുക.

    ഈ കോഡ് REST POST അഭ്യർത്ഥന ക്ലാസിഫയറിലേക്ക് അയയ്ക്കുന്നു, ചിത്രത്തെ അഭ്യർത്ഥനയുടെ ബോഡിയായി അയച്ചുകൊണ്ട്. ഫലങ്ങൾ JSON രൂപത്തിൽ തിരിച്ച് വരും, അത് ഡീകോഡ് ചെയ്ത് പ്രശ്നസാദ്ധ്യതകൾ മുദ്രിക്കും.

1. നിങ്ങളുടെ കോഡ് പ്രവർത്തിപ്പിക്കുക, ക്യാമറ ചില പഴം, അനുയോജ്യമായ ചിത്രം സജ്ജമാക്കിയോ, വെർച്ച്വൽ IoT ഹാർഡ്‌വെയർ ഉപയോഗിച്ചാൽ വെബ്‌കാമിൽ പഴം കാണിക്കുന്നോ എന്ന കാര്യത്തിൽ. കൺസോളിൽ അവుట്പുട്ട് കാണും:

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

> 💁 ഈ കോഡ് [code-classify/pi](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/pi) അല്ലെങ്കിൽ [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/virtual-iot-device) ഫോൾഡറിൽ കാണാം.

😀 നിങ്ങളുടെ പഴം ഗുണനിലവാര ക്ലാസിഫയർ പ്രോഗ്രാം വിജയകരമായി നടന്നു!

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസ്വീകരണം**:  
ഈ പ്രമാണം AI പരിഭാഷ സേവനമായ [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തിരിക്കുന്നു. നാം കൃത്യതയ്ക്ക് ശ്രമിക്കുന്നതായിരുന്നാലും, യാന്ത്രിക പരിഭാഷകളിൽ പിഴവുകളും അസമയംകതകളും ഉണ്ടാകാം എന്ന് ദയവായി മനസിലാക്കുക. സത്യസന്ധ പ്രമാണം അതിന്റെ മാതൃഭാഷയിലാണ് അതാധികാര ഉറവിടമെന്ന് പരിഗണിക്കേണ്ടതാണ്. അത്യാവശ്യ വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മാനുഷിക പരിഭാഷ നിർദ്ദേശിക്കുന്നു. ഈ പരിഭാഷ ഉപയോഗിക്കുന്നതിൽ നിന്ന് ഉണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദിത്വം വഹിക്കുന്നില്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->