# Skontrolujte kvalitu ovocia pomocou IoT zariadenia  > Sketchnote od [Nitya Narasimhan](https://github.com/nitya). Kliknite na obrázok pre jeho zväčšenú verziu. ## Kvíz pred prednáškou [Kvíz pred prednáškou](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31) ## Úvod V predchádzajúcej lekcii ste sa naučili o klasifikátoroch obrázkov a o tom, ako ich trénovať na rozpoznávanie dobrého a zlého ovocia. Aby ste mohli tento klasifikátor obrázkov použiť v IoT aplikácii, potrebujete byť schopní zachytiť obrázok pomocou nejakej kamery a odoslať tento obrázok do cloudu na klasifikáciu. V tejto lekcii sa naučíte o kamerových senzoroch a o tom, ako ich používať s IoT zariadením na zachytenie obrázku. Tiež sa naučíte, ako zavolať klasifikátor obrázkov z vášho IoT zariadenia. V tejto lekcii sa budeme venovať: * [Kamerovým senzorom](../../../../../4-manufacturing/lessons/2-check-fruit-from-device) * [Zachyteniu obrázku pomocou IoT zariadenia](../../../../../4-manufacturing/lessons/2-check-fruit-from-device) * [Publikovaniu vášho klasifikátora obrázkov](../../../../../4-manufacturing/lessons/2-check-fruit-from-device) * [Klasifikácii obrázkov z vášho IoT zariadenia](../../../../../4-manufacturing/lessons/2-check-fruit-from-device) * [Zlepšeniu modelu](../../../../../4-manufacturing/lessons/2-check-fruit-from-device) ## Kamerové senzory Kamerové senzory, ako už názov napovedá, sú kamery, ktoré môžete pripojiť k vášmu IoT zariadeniu. Môžu zachytávať statické obrázky alebo streamovať video. Niektoré vracajú surové obrazové dáta, iné komprimujú obrazové dáta do súborov ako JPEG alebo PNG. Kamery, ktoré pracujú s IoT zariadeniami, sú zvyčajne oveľa menšie a majú nižšie rozlíšenie, než na aké ste zvyknutí, ale môžete získať aj kamery s vysokým rozlíšením, ktoré sa vyrovnajú špičkovým telefónom. K dispozícii sú rôzne vymeniteľné objektívy, viacnásobné kamerové zostavy, infračervené termokamery alebo UV kamery.  Väčšina kamerových senzorov používa obrazové senzory, kde každý pixel je fotodióda. Objektív zaostruje obraz na obrazový senzor a tisíce alebo milióny fotodiód detegujú svetlo dopadajúce na každú z nich a zaznamenávajú to ako obrazové dáta. > 💁 Objektívy prevracajú obrazy, kamerový senzor ich potom otočí späť do správnej polohy. To isté sa deje vo vašich očiach – to, čo vidíte, je detegované hore nohami na zadnej strane vášho oka a váš mozog to opraví. > 🎓 Obrazový senzor je známy ako senzor s aktívnym pixelom (APS) a najpopulárnejším typom APS je senzor na báze komplementárneho kovovo-oxidového polovodiča, alebo CMOS. Možno ste už počuli pojem CMOS senzor používaný pre kamerové senzory. Kamerové senzory sú digitálne senzory, ktoré posielajú obrazové dáta ako digitálne dáta, zvyčajne s pomocou knižnice, ktorá poskytuje komunikáciu. Kamery sa pripájajú pomocou protokolov ako SPI, aby mohli posielať veľké množstvo dát – obrázky sú podstatne väčšie ako jednotlivé čísla zo senzora, ako je napríklad teplotný senzor. ✅ Aké sú obmedzenia týkajúce sa veľkosti obrázkov pri IoT zariadeniach? Zamyslite sa nad obmedzeniami, najmä na hardvéri mikrokontrolérov. ## Zachytenie obrázku pomocou IoT zariadenia Svoje IoT zariadenie môžete použiť na zachytenie obrázku, ktorý bude klasifikovaný. ### Úloha – zachytenie obrázku pomocou IoT zariadenia Prejdite si príslušný návod na zachytenie obrázku pomocou vášho IoT zariadenia: * [Arduino - Wio Terminal](wio-terminal-camera.md) * [Jednodoskový počítač - Raspberry Pi](pi-camera.md) * [Jednodoskový počítač - Virtuálne zariadenie](virtual-device-camera.md) ## Publikovanie vášho klasifikátora obrázkov V predchádzajúcej lekcii ste trénovali svoj klasifikátor obrázkov. Predtým, než ho budete môcť použiť z vášho IoT zariadenia, musíte model publikovať. ### Iterácie modelu Keď sa váš model trénoval v predchádzajúcej lekcii, mohli ste si všimnúť, že na karte **Výkon** sa na strane zobrazujú iterácie. Keď ste model prvýkrát trénovali, videli ste *Iteráciu 1* počas tréningu. Keď ste model zlepšili pomocou predikčných obrázkov, videli ste *Iteráciu 2* počas tréningu. Každýkrát, keď model trénujete, získate novú iteráciu. Toto je spôsob, ako sledovať rôzne verzie vášho modelu trénované na rôznych dátových sadách. Keď vykonáte **Rýchly test**, je tam rozbaľovacia ponuka, ktorú môžete použiť na výber iterácie, aby ste mohli porovnať výsledky medzi viacerými iteráciami. Keď ste spokojní s iteráciou, môžete ju publikovať, aby bola dostupná na použitie z externých aplikácií. Týmto spôsobom môžete mať publikovanú verziu, ktorú používajú vaše zariadenia, a zároveň pracovať na novej verzii cez viacero iterácií, a potom ju publikovať, keď budete s ňou spokojní. ### Úloha – publikovanie iterácie Iterácie sa publikujú z portálu Custom Vision. 1. Otvorte portál Custom Vision na [CustomVision.ai](https://customvision.ai) a prihláste sa, ak ho ešte nemáte otvorený. Potom otvorte svoj projekt `fruit-quality-detector`. 1. Vyberte kartu **Výkon** z možností v hornej časti. 1. Vyberte najnovšiu iteráciu zo zoznamu *Iterácie* na strane. 1. Kliknite na tlačidlo **Publikovať** pre danú iteráciu.  1. V dialógovom okne *Publikovať model* nastavte *Predikčný zdroj* na zdroj `fruit-quality-detector-prediction`, ktorý ste vytvorili v predchádzajúcej lekcii. Nechajte názov ako `Iteration2` a kliknite na tlačidlo **Publikovať**. 1. Po publikovaní kliknite na tlačidlo **Predikčná URL adresa**. Toto zobrazí podrobnosti o predikčnom API, ktoré budete potrebovať na volanie modelu z vášho IoT zariadenia. Spodná časť je označená *Ak máte súbor s obrázkom*, a toto sú detaily, ktoré potrebujete. Skopírujte URL adresu, ktorá bude vyzerať nejako takto: ```output https://.api.cognitive.microsoft.com/customvision/v3.0/Prediction//classify/iterations/Iteration2/image ``` Kde `` bude lokalita, ktorú ste použili pri vytváraní vášho zdroja Custom Vision, a `` bude dlhé ID zložené z písmen a čísel. Tiež si skopírujte hodnotu *Prediction-Key*. Toto je bezpečnostný kľúč, ktorý musíte odoslať pri volaní modelu. Len aplikácie, ktoré odosielajú tento kľúč, môžu model používať, všetky ostatné aplikácie budú odmietnuté.  ✅ Keď sa publikuje nová iterácia, bude mať iný názov. Ako si myslíte, že by ste zmenili iteráciu, ktorú používa IoT zariadenie? ## Klasifikácia obrázkov z vášho IoT zariadenia Teraz môžete použiť tieto pripojovacie údaje na volanie klasifikátora obrázkov z vášho IoT zariadenia. ### Úloha – klasifikácia obrázkov z vášho IoT zariadenia Prejdite si príslušný návod na klasifikáciu obrázkov pomocou vášho IoT zariadenia: * [Arduino - Wio Terminal](wio-terminal-classify-image.md) * [Jednodoskový počítač - Raspberry Pi/Virtuálne IoT zariadenie](single-board-computer-classify-image.md) ## Zlepšenie modelu Môže sa stať, že výsledky, ktoré získate pri použití kamery pripojenej k vášmu IoT zariadeniu, nebudú zodpovedať tomu, čo by ste očakávali. Predikcie nie sú vždy také presné ako pri použití obrázkov nahraných z vášho počítača. Je to preto, že model bol trénovaný na iných dátach, než aké sa používajú na predikcie. Aby ste dosiahli čo najlepšie výsledky pre klasifikátor obrázkov, chcete model trénovať s obrázkami, ktoré sú čo najpodobnejšie obrázkom použitým na predikcie. Ak ste napríklad použili kameru telefónu na zachytenie obrázkov na tréning, kvalita obrázkov, ostrosť a farby budú odlišné od kamery pripojenej k IoT zariadeniu.  Na obrázku vyššie bol obrázok banánu naľavo zachytený pomocou kamery Raspberry Pi, zatiaľ čo obrázok napravo bol zachytený toho istého banánu na tom istom mieste pomocou iPhonu. Je viditeľný rozdiel v kvalite – obrázok z iPhonu je ostrejší, s jasnejšími farbami a väčším kontrastom. ✅ Čo iné by mohlo spôsobiť, že obrázky zachytené vaším IoT zariadením budú mať nesprávne predikcie? Zamyslite sa nad prostredím, v ktorom by mohlo byť IoT zariadenie použité, a aké faktory môžu ovplyvniť zachytený obrázok. Na zlepšenie modelu ho môžete pretrénovať pomocou obrázkov zachytených z IoT zariadenia. ### Úloha – zlepšenie modelu 1. Klasifikujte viacero obrázkov zrelého a nezrelého ovocia pomocou vášho IoT zariadenia. 1. Na portáli Custom Vision pretrénujte model pomocou obrázkov na karte *Predikcie*. > ⚠️ Ak potrebujete, môžete sa odvolať na [pokyny na pretrénovanie vášho klasifikátora v lekcii 1](../1-train-fruit-detector/README.md#retrain-your-image-classifier). 1. Ak vaše obrázky vyzerajú veľmi odlišne od pôvodných použitých na tréning, môžete všetky pôvodné obrázky vymazať tak, že ich vyberiete na karte *Tréningové obrázky* a kliknete na tlačidlo **Vymazať**. Na výber obrázku presuňte kurzor nad obrázok a objaví sa zaškrtávacie políčko, ktoré môžete vybrať alebo zrušiť. 1. Vytrénujte novú iteráciu modelu a publikujte ju podľa vyššie uvedených krokov. 1. Aktualizujte URL adresu koncového bodu vo vašom kóde a znova spustite aplikáciu. 1. Opakujte tieto kroky, kým nebudete spokojní s výsledkami predikcií. --- ## 🚀 Výzva Ako veľmi ovplyvňuje rozlíšenie obrázkov alebo osvetlenie predikciu? Skúste zmeniť rozlíšenie obrázkov vo vašom kóde zariadenia a zistite, či to ovplyvní kvalitu obrázkov. Tiež skúste zmeniť osvetlenie. Ak by ste mali vytvoriť produkčné zariadenie na predaj farmám alebo továrňam, ako by ste zabezpečili, že bude vždy poskytovať konzistentné výsledky? ## Kvíz po prednáške [Kvíz po prednáške](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/32) ## Prehľad a samoštúdium Svoj model Custom Vision ste trénovali pomocou portálu. To závisí od dostupnosti obrázkov – a v reálnom svete nemusíte byť schopní získať tréningové dáta, ktoré zodpovedajú tomu, čo zachytáva kamera na vašom zariadení. Tento problém môžete obísť tým, že budete trénovať priamo z vášho zariadenia pomocou tréningového API, aby ste model trénovali pomocou obrázkov zachytených z vášho IoT zariadenia. * Prečítajte si o tréningovom API v [rýchlom štarte používania Custom Vision SDK](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?WT.mc_id=academic-17441-jabenn&tabs=visual-studio&pivots=programming-language-python) ## Zadanie [Reagujte na výsledky klasifikácie](assignment.md) --- **Upozornenie**: Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.