# IoT Edge அடிப்படையிலான படத்தை வகைப்படுத்துதல் - மெய்நிகர் IoT சாதனம் மற்றும் ராஸ்பெர்ரி பை

இந்த பாடத்தின் இந்த பகுதியில், நீங்கள் IoT Edge சாதனத்தில் இயங்கும் பட வகைப்படுத்தியைப் பயன்படுத்துவீர்கள்.

## IoT Edge வகைப்படுத்தியைப் பயன்படுத்தவும்

IoT சாதனம் IoT Edge பட வகைப்படுத்தியைப் பயன்படுத்த மறுவழிமாற்றம் செய்யலாம். பட வகைப்படுத்தியின் URL `http://<IP address or name>/image` ஆகும், இதில் `<IP address or name>` என்பதை IoT Edge இயங்கும் கணினியின் IP முகவரி அல்லது ஹோஸ்ட் பெயரால் மாற்றவும்.

Custom Vision க்கான Python நூலகம் மேகத்தில் ஹோஸ்ட் செய்யப்பட்ட மாதிரிகளுடன் மட்டுமே வேலை செய்கிறது, IoT Edge இல் ஹோஸ்ட் செய்யப்பட்ட மாதிரிகளுடன் வேலை செய்யாது. இதன் பொருள், வகைப்படுத்தியை அழைக்க REST API ஐ நீங்கள் பயன்படுத்த வேண்டும்.

### பணிகள் - IoT Edge வகைப்படுத்தியைப் பயன்படுத்தவும்

1. `fruit-quality-detector` திட்டத்தை VS Code இல் திறக்கவும், அது ஏற்கனவே திறக்கப்படவில்லை என்றால். நீங்கள் மெய்நிகர் IoT சாதனத்தைப் பயன்படுத்தினால், மெய்நிகர் சூழல் செயல்படுத்தப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தவும்.

1. `app.py` கோப்பைத் திறக்கவும், மற்றும் `azure.cognitiveservices.vision.customvision.prediction` மற்றும் `msrest.authentication` இல் இருந்து இறக்குமதி அறிக்கைகளை நீக்கவும்.

1. கோப்பின் மேல் பக்கத்தில் பின்வரும் இறக்குமதியைச் சேர்க்கவும்:

    ```python
    import requests
    ```

1. படம் கோப்பில் சேமிக்கப்பட்ட பிறகு, `image_file.write(image.read())` முதல் கோப்பின் முடிவுவரை உள்ள அனைத்து குறியீடுகளையும் நீக்கவும்.

1. கோப்பின் முடிவில் பின்வரும் குறியீடுகளைச் சேர்க்கவும்:

    ```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}%')
    ```

    உங்கள் வகைப்படுத்தியின் URL ஐ `<URL>` இடத்தில் மாற்றவும்.

    இந்த குறியீடு வகைப்படுத்திக்கு REST POST கோரிக்கையைச் செய்கிறது, கோரிக்கையின் உடலாக படத்தை அனுப்புகிறது. முடிவுகள் JSON ஆக திரும்புகின்றன, மற்றும் இது சாத்தியமான சதவீதங்களை அச்சிடுவதற்காக டிகோட் செய்யப்படுகிறது.

1. உங்கள் கேமரா சில பழங்களில் அல்லது பொருத்தமான படத் தொகுப்பில் அல்லது மெய்நிகர் IoT சாதனத்தைப் பயன்படுத்தினால் உங்கள் வலைக்காட்சியில் பழங்கள் தெரியும் வகையில் சுட்டி வைத்து உங்கள் குறியீட்டை இயக்கவும். நீங்கள் கான்சோலில் வெளியீட்டை காண்பீர்கள்:

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

> 💁 இந்த குறியீட்டை [code-classify/pi](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/pi) அல்லது [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-classify/virtual-iot-device) கோப்புறையில் காணலாம்.

😀 உங்கள் பழ தரம் வகைப்படுத்தும் திட்டம் வெற்றிகரமாக முடிந்தது!

---

**குறிப்பு**:  
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. எங்கள் நோக்கம் துல்லியமாக இருக்க வேண்டும் என்பதுதான், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது துல்லியமின்மைகள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.