# ನಿಮ್ಮ پھಳಿಹಣ್ಣು ಪತ್ತೆಹಚ್ಚುವ ಮೊಬೈಲನ್ನು ಎಡ್ಜ್‌ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಿ ![ಈ ಪಾಠದ ಸ್ಕೆಚ್ ನೋಟ ವಿಸ್ತಾರ](../../../../../translated_images/kn/lesson-17.bc333c3c35ba8e42.webp) > ಸ್ಕೆಚ್ ನೋಟ: [ನಿತ್ಯ ನಾರಸಿಂಹನ್](https://github.com/nitya). ದೊಡ್ಡ ಆಕಾರಕ್ಕೆ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ. ಈ ವೀಡಿಯೋ ಹೊಂದಿರುವ ಪಾಠದ ವಿಷಯವಾದ ಐಒಟಿ ಸಾಧನಗಳಲ್ಲಿ ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರರನ್ನು ಚಾಲನೆ ಮಾಡುವ ಒಟು ಪರಿಚಯಿಸುತ್ತದೆ. [![ಆಜೂರ್ ಐಒಟಿ ಎಡ್ಜ್‌ನಲ್ಲಿ ಕಸ್ಟಂ ವಿಕ್ಷನ್ AI](https://img.youtube.com/vi/_K5fqGLO8us/0.jpg)](https://www.youtube.com/watch?v=_K5fqGLO8us) ## ಪೂರ್ವ-ಪಾಠದ ಕ್ವಿಜ್ [ಪೂರ್ವ-ಪಾಠದ ಕ್ವಿಜ್](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/33) ## ಪರಿಚಯ ಕಳೆದ ಪಾಠದಲ್ಲಿ ನೀವು ಪಕ್ವ ಮತ್ತು ಅಪಕ್ವ ಹಣ್ಣುಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರವನ್ನು ಬಳಸಿದ್ದೀರಿ, ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದ ಕ್ಯಾಮೆರಾ ಹಿಡಿದ ಚಿತ್ರವನ್ನು ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಕ್ಲೌಡ್ ಸೇವೆಗೆ ಕಳುಹಿಸುವ ಮೂಲಕ. ಈ ಕರೆಗಳು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ, ಬೆಲೆ ಬರುತ್ತದೆ ಮತ್ತು ನೀವು ಬಳಸುವ ಚಿತ್ರ ಡೇಟಾದ ಪ್ರಕಾರ, ಗೌಪ್ಯತಾ ಪ್ರಸಕ್ತಿಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು. ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಎಡ್ಜ್‌ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ (ML) ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಚಾಲನೆ ಮಾಡುವುದು ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತೀರಿ - ಕ್ಲೌಡ್‌ನ ಬದಲು ನಿಮ್ಮ ಸ್ವಂತ ಜಾಲದಲ್ಲಿ ಚಾಲನೆಮಾಡುತ್ತಿರುವ ಐಒಟಿ ಸಾಧನಗಳ ಮೇಲೆ. ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ಕ್ಲೌಡ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ನ ಲಾಭ-ನೆಗಡಿಗಳ ಬಗ್ಗೆ, ನಿಮ್ಮ AI ಮಾದರಿಯನ್ನು ಎಡ್ಜ್‌ಗೆ ಹೇಗೆ ಮಾರಾಟ ಮಾಡುವುದು ಮತ್ತು ಅದನ್ನು ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಹೇಗೆ ಪ್ರವೇಶಿಸುವೆವು ಎಂಬುದನ್ನು ತಿಳಿಯುತ್ತೀರಿ. ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಈ ವಿಷಯಗಳನ್ನು ಆವರ್ತಿಸುವೆವು: * [ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ಆಜೂರ್ ಐಒಟಿ ಎಡ್ಜ್](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ನೋಂದಾಯಿಸಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ಸೆಟ್‌ಅಪ್ ಮಾಡಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ರಫ್ತು ಮಾಡಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ನಿಮ್ಮ ಡಿಪ್ಲಾಯ್‌ಮೆಂಟ್‌ಗೆ ಕಂಟೈನರ್ ತಯಾರಿಸಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ನಿಮ್ಮ ಕಂಟೈನರ್ ಅನ್ನು ಡಿಪ್ಲಾಯ್ ಮಾಡಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) * [ನಿಮ್ಮ ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ಬಳಸಿ](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge) ## ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ನರ್ಥ ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ ಡೇಟಾವನ್ನು ಉತ್ಪಾದನಾದ ಸ್ಥಳದ ಅತಿ ಸಮೀಪದಲ್ಲಿರುವ ಕಂಪ್ಯೂಟರ್‌ಗಳಲ್ಲಿ ಪ್ರಕ್ರಿಯೆ ಮಾಡಿಸುವುದು. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಇರಿಸುವ ಬದಲು, ಕ್ಲೌಡ್ ಎಡ್ಜ್ — ನಿಮ್ಮ ಆಂತರಿಕ ಜಾಲಕ್ಕೆ ತಳ್ಳಲಾಗುತ್ತದೆ. ![ಇಂಟರ್ನೆಟ್ ಸೇವೆಗಳು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಮತ್ತು ಐಒಟಿ ಸಾಧನಗಳು ಸ್ಥಳೀಯ ಜಾಲದಲ್ಲಿ ಇರುವ ಧಾರ್ಮಿಕ ರಚನಾ ಚಿತ್ತಾರ](../../../../../translated_images/kn/cloud-without-edge.b4da641f6022c95e.webp) ಈವರೆಗೆ ಪಾಠಗಳಲ್ಲಿ, ನಿಮ್ಮ ಸಾಧನಗಳು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ ವಿಶ್ಲೇಷಣೆಗೆ ಕ್ಲೌಡ್‌ಗೆ ಕಳುಹಿಸುತ್ತಿದ್ದವು, ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಸರ್ವರ್‌ಲೆಸ್ ಕಮಾಂಡ್‌ಗಳು ಅಥವಾ AI ಮಾದರಿಗಳನ್ನು ಓಡಿಸುತ್ತಿದ್ದವು. ![ಸ್ಥಳೀಯ ಜಾಲದ ಐಒಟಿ ಸಾಧನಗಳು ಎಡ್ಜ್ ಸಾಧನಗಳೊಂದಿಗೆ ಸಂಪರ್ಕ ಹೊಂದಿರುವ ಮತ್ತು ಆ ಎಡ್ಜ್ ಸಾಧನಗಳು ಕ್ಲೌಡ್‌ಗೆ ಸಂಪರ್ಕ ಹೊಂದಿರುವ ಧಾರ್ಮಿಕ ರಚನಾ ಚಿತ್ತಾರ](../../../../../translated_images/kn/cloud-with-edge.1e26462c62c126fe.webp) ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಅರ್ಥವೆಂದರೆ, ಕೆಲವು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಕ್ಲೌಡ್‌ನಿಂದ ತೆಗೆಯಲಿ ಮತ್ತು ಐಒಟಿ ಸಾಧನಗಳೊಂದಿಗೆ ಇರುವ ಅದೇ ಜಾಲದಲ್ಲಿರುವ ಕಂಪ್ಯೂಟರ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯಾಚರಿಸಲು ತಳ್ಳಲಾಗುತ್ತದೆ, ಅಗತ್ಯವಿದ್ದರೆ ಮಾತ್ರ ಕ್ಲೌಡ್‌ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಎಡ್ಜ್ ಸಾಧನಗಳಲ್ಲಿ AI ಮಾದರಿಗಳನ್ನು ಓಡಿಸಿ ಹಣ್ಣುಗಳ ಪಕ್ವತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು ಮತ್ತು ಪಕ್ವ ಹಣ್ಣಿನ ಸಂಖ್ಯೆಯನ್ನು ಒಳಗೊಂಡಂತೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಕ್ಲೌಡ್‌ಗೆ ಮಾತ್ರ ಕಳುಹಿಸಬಹುದು. ✅ ನೀವು ಈಗ ತನಕ ನಿರ್ಮಿಸಿದ ಐಒಟಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಎಡ್ಜ್‌ನಲ್ಲಿ ಸಾಗಬಹುದಾದ ಭಾಗಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ### ಲಾಭಗಳು ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ನ ಲಾಭಗಳು: 1. **ವೇಗ** - ಸಮಯ ಸಂವೇದನಶೀಲ ಡೇಟಾಗಾಗಿ ಇದು ಆದರ್ಶವಾಗಿದೆ ಏಕೆಂದರೆ ಕ್ರಿಯೆಗಳು ಸಾಧನ ಇರುವ ಅದೇ ಜಾಲದಲ್ಲಿ ನಡೆಯುತ್ತವೆ, ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಕರೆಗಳನ್ನು ಮಾಡುವುದನ್ನಿಗಿಂತ ಬೇಗ. ಆಂತರಿಕ ಜಾಲಗಳು ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕಗಳಿಗಿಂತ ಬಹುಮಟ್ಟಿಗೆ ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು, ಡೇಟಾ ಪ್ರಯಾಣಿಸುವ ದೂರವೂ ಕಡಿಮೆ. > 💁 ದೃಶ್ಯವೀಚಿತ್ರ ಕೇಬಲ್ಗಳ ಬಳಕೆಯಿಂದ ನಡೀತಾ ಡೇಟಾ ಬೆಳಕಿನ ವೇಗದಲ್ಲಿ ಪ್ರಯಾಣಿಸಬಹುದು ಎಂದುಕೊಳ್ಳಬಹುದಾದರೂ, ಡೇಟಾ ಸುಮಾರು ವಿಶ್ವದ ಹತ್ತು ಮುತ್ತು ಹಲವು ಕಾಲ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಉದಾಹರಣೆಗೆ, ನೀವು ಯುರೋಪಿನಿಂದ ಅಮೆರಿಕದ ಕ್ಲೌಡ್ ಸೇವೆಗಳಿಗೆ ಡೇಟಾ ಕಳುಹಿಸಿದರೆ, ವರ್ಹ್ಮಧ್ವಜ ಕೇಬಲಿನಲ್ಲಿ ಡೇಟಾ ದಾಟಲು ಕನಿಷ್ಠ 28ms ಬೇಕಾಗುತ್ತದೆ, ಮತ್ತು ಟ್ರಾನ್ಸಾಟ್ಲಾಂಟಿಕ್ ಕೇಬಲ್‌ಗೆ ಡೇಟಾ ತಲುಪಿಸಲು, ವಿದ್ಯುತ್ ಸಿಗ್ನಲ್‌ಗಳಿಂದ ಬೆಳಕಿನ ಸಿಗ್ನಲ್‌ಗೆ ಮತ್ತು ಹಿಂದಿನ ಕಡೆ ದಾಟುವ ಪ್ರವೇಶ ಕಾಲ ಮುಂದುವರೆದು, ನಂತರ ಆಜೂರ್ ಕ್ಲೌಡ್ ಸೇವಾರಿಗೆ ಡೇಟಾ ತಲುಪಿಸಲು ತೆಗೆದುಕೊಳ್ಳುವ ಕಾಲವನ್ನು ಇದರಲ್ಲಿ ಸೇರಿಸಲಾಗಿಲ್ಲ. ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಕಡಿಮೆ ಜಾಲ ಸಂಚಾರ ಬೇಕಾಗುತ್ತದೆ, ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕಕ್ಕೆ ಲಭ್ಯವಿರುವ ಕಡಿಮೆ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಡೇಟಾ ಮಡುವು ಹೊಳೆಯುವ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. 1. **ದೂರಸ್ಥ ಉಪಲಭ್ಯತೆ** - ಸಂಪರ್ಕ ಕಡಿತವಾಗಿದೆ ಅಥವಾ ಇಲ್ಲವಿದ್ದಾಗ, ಅಥವಾ ಸಂಪರ್ಕ ನಿರಂತರ ಬಳಸಲು ಹೆಚ್ಚು ವೆಚ್ಚವಾಗುವಾಗ ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ ಮಾನವೀಯ ವಿಪತ್ತು ಪ್ರದೇಶಗಳಲ್ಲಿ ಮೂಲಸೌಕರ್ಯಗಳು ಕಡಿಮೆಯಾಗಿರುವುದು ಅಥವಾ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿರುವ ದೇಶಗಳಲ್ಲಿ. 1. **ಕಡಿಮೆ ವೆಚ್ಚ** - ಡೇಟಾ ಸಂಗ್ರಹಣೆ, ಸಂಗ್ರಹಣೆ, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಕ್ರಿಯೆಯನ್ನು ಎಡ್ಜ್ ಸಾಧನದಲ್ಲಿ ಮಾಡೋದರಿಂದ ಕ್ಲೌಡ್ ಸೇವೆಗಳ ಬಳಕೆಯನ್ನು ಇಳಿಸುವ ಮೂಲಕ ನಿಮ್ಮ ಐಒಟಿ ಅಪ್ಲಿಕೇಶನ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಇತ್ತೀಚೆಗೆ ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಸಾಧನಗಳ ಸಂಖ್ಯೆ ಏರಿಕೆಯಾಗಿದೆ, ಉದಾಹರಣೆಗೆ [NVIDIA ಯಿಂದ ಜೆಟ್ಸನ್ ನಾನೋ](https://developer.nvidia.com/embedded/jetson-nano-developer-kit) ಎಂಬ AI ವೇಗವರ್ಧಕ ಬೋರ್ಡ್, 100 ಅಮೆರಿಕದ ಡಾಲರ್‌ಕ್ಕಿಂತ ಕಡಿಮೆ ವೆಚ್ಚದ ಸಾಧನಗಳಲ್ಲಿ GPU ಆಧಾರಿತ AI ಕಾರ್ಯಭಾರಗಳನ್ನು ನಡೆಸಬಹುದು. 1. **ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ** - ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗಲ್ಲಿ, ಡೇಟಾ ನಿಮ್ಮ ಜಾಲದಲ್ಲಿಯೇ ಇರುತ್ತದೆ ಮತ್ತು ಕ್ಲೌಡ್‌ಗೆ ಅಪ್ಲೋಡ್ ಆಗುವುದಿಲ್ಲ. ಇದು ಸಂವೇದನಶೀಲ ಮತ್ತು ವೈಯುಕ್ತಿಕ ಗುರುತಿಸುವ ಮಾಹಿತಿಗೆ ಹೆಚ್ಚಾಗಿ ಇಷ್ಟದಾಯಕವಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ವಿಶ್ಲೇಷಣೆ ಮಾಡಿದ ನಂತರ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಅಗತ್ಯವಿಲ್ಲ, ಇದು ಡೇಟಾ ಲೀಕ್ ಅಪಾಯವನ್ನು ಬಹುಮಟ್ಟಿಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ ವೈದ್ಯಕೀಯ ಡೇಟಾ ಮತ್ತು ಭದ್ರತಾ ಕ್ಯಾಮೆರಾ ವೀಡಿಯೋ. 1. **ಅಸುರಕ್ಷಿತ ಸಾಧನಗಳನ್ನು ನಿಯಂತ್ರಿಸುವಿಕೆ** - ನೀವು ನಿಮ್ಮ ಜಾಲಕ್ಕೆ ಅಥವಾ ಇಂಟರ್ನೆಟ್‌ಗೆ ನೇರ ಸಂಪರ್ಕ ನೀಡಲು ಬಯಸದ ಜ્ઞಾತ ಭದ್ರತಾ ದೋಷಗಳಿರುವ ಸಾಧನಗಳಿದ್ದರೆ, ಅವನ್ನು ಪ್ರತ್ಯೇಕ ಜಾಲಕ್ಕೆ ಮತ್ತು ಗೇಟ್ವೇ ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಸಂಪರ್ಕಿಸಬಹುದು. ಆ ಎಡ್ಜ್ ಸಾಧನವು ನಿಮ್ಮ ವಿಶಾಲ ಜಾಲ ಅಥವಾ ಇಂಟರ್ನೆಟ್‌ಗೆ ಸಂಪರ್ಕ ಹೊಂದಿ ಡೇಟಾ ಹರಿವುಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. 1. **ಅನನುಕೂಲ ಸಾಧನಗಳಿಗೆ ಬೆಂಬಲ** - ನಿಮಗೆ ಐಒಟಿ ಹಬ್ ಗೆ ಸಂಪರ್ಕಿಸದಿರಬಹುದಾದ ಸಾಧನಗಳಿದ್ದರೆ, ಉದಾಹರಣೆಗೆ HTTP ಸಂಪರ್ಕವನ್ನು ಮಾತ್ರ ಬಳಸಬಹುದಾದ ಸಾಧನಗಳು ಅಥವಾ ಬ್ಲೂಟೂತ್ ಮಾತ್ರ ಬಳಸುವ ಸಾಧನಗಳು, ನೀವು ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ಗೇಟ್ವೇ ಸಾಧನವಾಗಿ ಬಳಸಿ ಸಂದೇಶಗಳನ್ನು ಐಒಟಿ ಹಬ್ ಗೆ ಮುಂದಿನಮಾಡಬಹುದು. ✅ ಪುನರಾಲೋಚನೆ ಮಾಡಿ: ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ನ ಮತ್ತಾದ ಲಾಭಗಳು ಯಾವುದಾಗಿರಬಹುದು? ### ನಷ್ಟಗಳು ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ಕ್ಕೆ ಕೆಲವೊಂದು ನಷ್ಟಗಳಿವೆ, ಈ ಸಂದರ್ಭದಲ್ಲಿ ಕ್ಲೌಡ್‌ ಆಯ್ಕೆಯೇ ಉತ್ತಮವಾಗಬಹುದು: 1. **ವಿಷಯಮಾನ ಮತ್ತು ಲವಚಿಕತೆ** - ಕ್ಲೌಡ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಜಾಲ ಮತ್ತು ಡೇಟಾ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಷಣ ಹೊಂದಾಣಿಕೆಯಾಗಲು ಸರ್ವರ್‌ಗಳನ್ನು ಮತ್ತು ಇತರ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ಅಥವಾ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯ. ಹೆಚ್ಚಿನ ಎಡ್ಜ್ ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಸೇರಿಸಲು ಹತ್ತ manually ಸೂಕ್ತ ಸಾಧನಗಳನ್ನು ಸೇರಿಸಬೇಕಾಗುತ್ತದೆ. 1. **ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಸ್ಥಿತಿಸ್ಥಾಪಕತೆ** - ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಬಹುತೆರ ಸರ್ವರ್‌ಗಳನ್ನು, ಅಲ್ಲಿ ಇರುತ್ತವೆ ವಿವಿಧ ಸ್ಥಳಗಳಲ್ಲಿ ಪುನರಾವರ್ತನೆ ಹಾಗೂ ವಿಪತ್ತು ರಕ್ಷಣೆಗಾಗಿ. ಅದೇ ಮಟ್ಟದ ಪುನರಾವರ್ತನೆಗಾಗಿ ಎಡ್ಜ್‌ನಲ್ಲಿ ದೊಡ್ಡ ಹೂಡಿಕೆ ಮತ್ತು ಬಹಳ ಸಂರಚನಾ ಕಾರ್ಯ ಬೇಕಾಗುತ್ತದೆ. 1. **ರಕ್ಷಣೆ ಕಾರ್ಯಾಚರಣೆ** - ಕ್ಲೌಡ್ ಸೇವಾ ಪೂರೈಕೆದಾರರು ವ್ಯವಸ್ಥೆಯ ನಿರ್ವಹಣೆ ಮತ್ತು تازه­ಹಾಕುವಿಕೆಗಳನ್ನು ಒದಗಿಸುತ್ತಾರೆ. ✅ ಪುನರಾಲೋಚನೆ ಮಾಡಿ: ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್‌ನ ಮತ್ತಾದ ನಷ್ಟಗಳು ಯಾವುವು? ನಷ್ಟಗಳು ಬಹುಮಾನವಾಗಿ ಕ್ಲೌಡ್ ಬಳಸುವ ಲಾಭಗಳ ವಿರುದ್ಧವಾಗಿವೆ - ನೀವು ಈ ಸಾಧನಗಳನ್ನು ಸ್ವತಃ ನಿರ್ಮಿಸಿ ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ, ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರ ಪರಿಣತಿ ಮತ್ತು ವಿಸ್ತಾರವನ್ನು ಅವಲಂಬಿಸಬೇಕಾಗಿಲ್ಲ. ಕೆಲವು ಅಪಾಯಗಳನ್ನು ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಸ್ವಭಾವವೇ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಎಡ್ಜ್ ಸಾಧನ ಫ್ಯಾಕ್ಟರಿಯಲ್ಲಿ ಯಂತ್ರದಿಂದ ಡೇಟಾ ಸಂಗ್ರಹಿಸುತ್ತಿದ್ದರೆ, ಸಂಸ್ಥೆಯ ವಿದ್ಯುತ್ ಕಡಿತವಾದರೆ ಬ್ಯಾಕಪ್ ಎಡ್ಜ್ ಸಾಧನ ಅವಶ್ಯಕವಿಲ್ಲ, ಏಕೆಂದರೆ ಡೇಟಾ ಉತ್ಪಾದಿಸುವ ಯಂತ್ರಗಳು ವಿದ್ಯುತ್ ಇಲ್ಲದಿದ್ದಾಗ. ಐಒಟಿ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ನೀವು ಹೆಚ್ಚಾಗಿ ಕ್ಲೌಡ್ ಮತ್ತು ಎಡ್ಜ್ ಕಾಂಪ್ಯೂಟಿಂಗ್ ಎರಡರ ಸಮನ್ವಯವನ್ನು ಬಯಸುತ್ತೀರಿ, ಪ್ರತಿ ಸೇವೆಯನ್ನೂ ವ್ಯವಸ್ಥೆಯ, ಗ್ರಾಹಕರ ಹಾಗೂ ನಿರ್ವಹಣೆಗಾರರ ಅಗತ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಉಪಯೋಗಿಸಿ. ## ಆಜೂರ್ ಐಒಟಿ ಎಡ್ಜ್ ![ಆಜೂರ್ ಐಒಟಿ ಎಡ್ಜ್ ಲೋಗೋ](../../../../../translated_images/kn/azure-iot-edge-logo.c1c076749b5cba2e.webp) ಆಜೂರ್ ಐಒಟಿ ಎಡ್ಜ್ ಒಂದು ಸೇವೆಯಾಗಿದ್ದು, ಇದರಿಂದ ನೀವು ಕೆಲಸದ ಭಾರಗಳನ್ನು ಕ್ಲೌಡ್‌ನಿಂದ ಎಡ್ಜ್ ಕಡೆಗೆ ಸಾಗಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ನೀವು ಸಾಧನವನ್ನು ಎಡ್ಜ್ ಸಾಧನವೆಂದು ಸೆಟ್‌ಅಪ್ ಮಾಡುತ್ತೀರಿ, ಮತ್ತು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಆ ಸಾಧನಕ್ಕೆ ಕೋಡ್ ಡಿಪ್ಲಾಯ್ ಮಾಡಬಹುದು. ಇದರಿಂದ ಕ್ಲೌಡ್ ಮತ್ತು ಎಡ್ಜ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡಬಹುದು. > 🎓 *ಕೆಲಸ ಭಾರಗಳು* ಎಂದರೆ ಯಾವುದೇ ಕೆಲಸ ಮಾಡುವ ಸೇವೆಗಳು, ಉದಾ: AI ಮಾದರಿಗಳು, ಅಪ್ಲಿಕೇಶನ್ಗಳು ಅಥವಾ ಸರ್ವರ್‌ಲೆಸ್ ಫಂಕ್ಷನ್‌ಗಳು. ಉದಾಹರಣೆಗೆ, ನೀವು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಚಿತ್ರ ವರ್ಗೀಕರಣಕರನ್ನು ತರಬೇತಿ ಮಾಡಿ, ನಂತರ ಅದನ್ನು ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಡಿಪ್ಲಾಯ್ ಮಾಡಬಹುದು. ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನ ಆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಕಳುಹಿಸುತ್ತದೆ, ಬದಿಗೆ ಇಂಟರ್ನೆಟ್ ಮುಖೇನ ಕಳುಹಿಸುವುದಿಲ್ಲ. ನೀವು ಮಾದರಿಯ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಬೇಕಾದರೆ, ಅದನ್ನು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ತರಬೇತಿ ಮಾಡಿ, ಐಒಟಿ ಎಡ್ಜ್ ಮೂಲಕ ಮಾದರಿಯನ್ನು ಅಪ್ಡೇಟ್ ಮಾಡಬಹುದು. > 🎓 ಐಒಟಿ ಎಡ್ಜ್‌ಗೆ ಡಿಪ್ಲಾಯ್ ಆಗುವ ಸಾಫ್ಟ್‌ವೇರ್‌ಗಳನ್ನು *ಮಾಡ್ಯೂಲ್ಸ್* ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಡಿಫಾಲ್ಟ್‌ನಂತೆ, ಐಒಟಿ ಎಡ್ಜ್ `edgeAgent` ಮತ್ತು `edgeHub` ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಆಡಿ, ಇವು ಐಒಟಿ ಹಬ್ಬಿನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತವೆ. ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರವನ್ನು ಡಿಪ್ಲಾಯ್ ಮಾಡಿದಾಗ, ಇದು ಹೆಚ್ಚುವರಿ ಮಾಡ್ಯೂಲ್ ಆಗಿ ನಡೀತು. ಐಒಟಿ ಎಡ್ಜ್ ಐಒಟಿ ಹಬ್ಬಿನೊಳಗೆ ನಿರ್ಮಿಸಲ್ಪಟ್ಟಿದ್ದು, ನೀವು ಐಒಟಿ ಸಾಧನಗಳನ್ನು ನಿರ್ವಹಿಸುವಂತೆಯೇ ಎಡ್ಜ್ ಸಾಧನಗಳನ್ನು ಸಹ ನಿಯಂತ್ರಿಸಬಹುದು, ಅದೆಷ್ಟೇ ಭದ್ರತೆ ಮಟ್ಟದಲ್ಲಿ. ಐಒಟಿ ಎಡ್ಜ್ *ಕಂಟೈನರ್*ಗಳಿಂದ ಕೋಡ್ ನಡಿಸುತ್ತದೆ - ಇದು ಸ್ವತಂತ್ರ ಅಪ್ಲಿಕೇಶನ್ಗಳು, ನಿಮ್ಮ ಕಂಪ್ಯೂಟರಿನಲ್ಲಿ ಇತರ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಂದ ಬೇರ್ಪಟ್ಟಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ನೀವು ಕಂಟೈನರ್ ಪ್ರಾರಂಭಿಸಿದಾಗ, ಇದು ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಒಳಗಿನ ಒಂದು ಪ್ರತ್ಯೇಕ ಕಂಪ್ಯೂಟರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅದಕ್ಕೆ ತನ್ನದೇ ಸಾಫ್ಟ್‌ವೇರ್, ಸೇವೆಗಳು ಹಾಗೂ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಇರುತ್ತವೆ. ಸಾಮಾನ್ಯವಾಗಿ ಕಂಟೈನರ್ ನಿಮ್ಮ ಡೇಟಾಗೆ ಪ್ರವೇಶವಿಲ್ಲದಿರುತ್ತದೆ ನೀವು ಫೋಲ್ಡರ್ ಹಂಚಿಕೊಂಡಿದ್ದಿಲ್ಲದಿದ್ದರೆ. ನಂತರ ಕಂಟೈನರ್ ತನ್ನ ಸೇವೆಗಳನ್ನು ತೆರೆದ ಲಿಂಗದ ಮೂಲಕ ಜಾಲ ಅಥವಾ ನಿಮ್ಮ ಜಾಲಕ್ಕೆ ಅಭಿವ್ಯಕ್ತ ಮಾಡುತ್ತದೆ. ![ಒಂದು ವೆಬ್ ವಿನಂತಿಯನ್ನು ಕಂಟೈನರ್ ಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲಾಗಿದೆ](../../../../../translated_images/kn/container-web-browser.4ee81dd4f0d8838c.webp) ಉದಾಹರಣೆಗೆ, ಕಂಟೈನರ್ ನಲ್ಲಿ ಒಂದು ವೆಬ್ಸೈಟ್ ಡೀಫಾಲ್ಟ್ HTTP ಪೋರ್ಟ್ 80 ನಲ್ಲಿ ಓಡುತ್ತಿದೆ ಎಂದು ಬರೆದಿರಬಹುದು, ಹಾಗಿದ್ದರೆ ಅದನ್ನೂ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‍ನ ಮೇಲೆ ಪೋರ್ಟ್ 80 ನಲ್ಲಿಯೇ ಅಭಿವ್ಯಕ್ತ ಮಾಡಬಹುದು. ✅ ಸಂಶೋಧನೆ ಮಾಡಿ: ಡೋಕರ್ ಅಥವಾ ಮೊಬಿ వంటి ಕಂಟೈನರ್ ಮತ್ತು ಸೇವೆಗಳ ಬಗ್ಗೆ ಓದಿ. ನೀವು ಕಸ್ಟಂ ವಿಕ್ಷನ್ ಬಳಸಿ ಚಿತ್ರ ವಾಗ್ಧಾರಕರನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಿ ಕಂಟೈನರ್ ಆಗಿ ಡಿಪ್ಲಾಯ್ ಮಾಡಬಹುದಾಗಿದೆ, ನೇರವಾಗಿ ಸಾಧನಕ್ಕೆ ಅಥವಾ ಐಒಟಿ ಎಡ್ಜ್ ಮೂಲಕ. ಅವು ಕಂಟೈನರ್‌ನಲ್ಲಿ ಓಡುತ್ತಿದ್ದಾಗ, ಕ್ಲೌಡ್ ಆವೃತ್ತಿಯಂತೆಯೇ REST API ಮೂಲಕ ಪ್ರಾಪ್ಯವಾಗುತ್ತವೆ, ಆದರೆ ಎಂಡ್ಪಾಯಿಂಟ್ ಎಡ್ಜ್ ಸಾಧನದ ಕಡೆ ಸೂಚಿಸುತ್ತದೆ. ## ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನ ನೋಂದಣಿ ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ಬಳಸಲು, ಅದನ್ನು ಐಒಟಿ ಹಬ್ಬಿನಲ್ಲಿ ನೋಂದಾಯಿಸಬೇಕು. ### ಕಾರ್ಯ - ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ನೋಂದಾಯಿಸಿ 1. `fruit-quality-detector` ಸಂಪನ್ಮೂಲ ಗುಂಪಿನಲ್ಲಿ ಐಒಟಿ ಹಬ್ ಸೃಷ್ಟಿಸಿ. ಅದಕ್ಕೆ `fruit-quality-detector` ಆಧಾರಿತ ವಿಶಿಷ್ಟ ಹೆಸರು ನೀಡಿ. 1. ನಿಮ್ಮ ಐಒಟಿ ಹಬ್ಬಿನಲ್ಲಿ `fruit-quality-detector-edge` ಎಂಬ ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವನ್ನು ನೋಂದಾಯಿಸಿ. ಇದು ನೋಂದಾಯಿಸುವ ಕಮಾಂಡ್ ಸಾಮಾನ್ಯ ಐಒಟಿ ಸಾಧನ ನೋಂದಣಿಗಿಂತ ಸಹಜವಾಗಿ ಹೊಂದಿದಂತೆ ಆದರೆ ನೀವು `--edge-enabled` ಫ್ಲ್ಯಾಗ್ ನೀಡಬೇಕು. ```sh az iot hub device-identity create --edge-enabled \ --device-id fruit-quality-detector-edge \ --hub-name ``` `` ಅನ್ನು ನಿಮ್ಮ ಐಒಟಿ ಹಬ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. 1. ನಿಮ್ಮ ಸಾಧನದ ಸಂಪರ್ಕ ಸರಣಿಯನ್ನು ಕೆಳಗಿನ ಕಮಾಂಡ್ ಮೂಲಕ ಪಡೆಯಿರಿ: ```sh az iot hub device-identity connection-string show --device-id fruit-quality-detector-edge \ --output table \ --hub-name ``` `` ಅನ್ನು ನಿಮ್ಮ ಐಒಟಿ ಹಬ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. ಔಟ್ಪುಟ್‌ನಲ್ಲಿ ತೋರಲಾದ ಸಂಪರ್ಕ ಸರಣಿಯನ್ನು ಸಂಗ್ರಹಿಸಿ. ## ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನ ಸೆಟ್‌ಅಪ್ ನೀವು ಐಒಟಿ ಹಬ್ಬಿನಲ್ಲಿ ಎಡ್ಜ್ ಸಾಧನ ನೋಂದಣಿ ಮಾಡಿದ ನಂತರ, ಎಡ್ಜ್ ಸಾಧನವನ್ನು ಸೆಟ್‌ಅಪ್ ಮಾಡಬಹುದು. ### ಕಾರ್ಯ - ಐಒಟಿ ಎಡ್ಜ್ ರನ್‌ಟೈಮ್ ಸ್ಥಾಪಿಸಿ ಮತ್ತು ಪ್ರಾರಂಭಿಸಿ **ಐಒಟಿ ಎಡ್ಜ್ ರನ್‌ಟೈಮ್ ಕೇವಲ ಲಿನಕ್ಸ್ನಲ್ಲಿ ಕಂಟೈನರ್ ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ.** ಇದು ಲಿನಕ್ಸ್‌ನಲ್ಲಿ ಅಥವಾ ಲಿನಕ್ಸ್ ವರ್ಚುವಲ್ ಮಾಷಿನ್ ಗಳಲ್ಲಿ ವಿಂಡೋಸ್‌ನಲ್ಲಿ ಓಡಬಹುದು. * ನೀವು ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಅನ್ನು ಐಒಟಿ ಸಾಧನವಾಗಿ ಬಳಸುತ್ತಿದ್ದರೆ, ಇದು ಲಿನಕ್ಸ್ನ ಬೆಂಬಲಿತ ಆವೃತ್ತಿಯನ್ನು ಓಡಿಸುತ್ತದೆ ಮತ್ತು ಐಒಟಿ ಎಡ್ಜ್ ರನ್‌ಟೈಮ್ ಅನ್ನು ಆಯೋಜಿಸಬಹುದು. ಐಒಟಿ ಎಡ್ಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲು ಮತ್ತು ಸಂಪರ್ಕ ಸರಣಿಯನ್ನು ವ್ಯವಸ್ಥಾಪಿಸಲು [Microsoft ಡಾಕ್ಯುಮೆಂಟೇಷನ್‌ನಲ್ಲಿ ‘install Azure IoT Edge for Linux’ ಗೈಡ್](https://docs.microsoft.com/azure/iot-edge/how-to-install-iot-edge?WT.mc_id=academic-17441-jabenn) ಅನುಸರಿಸಿ. > 💁 ನೆನಪಿನಲ್ಲಿಡಿ, ರಾಸ್ಪ್ಬೆರಿ ಪೈ OS ಡೆಬಿಯನ್ ಲಿನಕ್ಸಿನ ಒಂದು ರೂಪವಾಗಿದೆ. * ನೀವು ರಾಸ್ಪ್ಬೆರಿ ಪಾಯ್ ಬಳಸದಿದ್ದರೆ ಆದರೆ ಲಿನಕ್ಸ್ ಕಂಪ್ಯೂಟರ್ ಹೊಂದಿದ್ದರೆ, ಐಒಟಿ ಎಡ್ಜ್ ರನ್‌ಟೈಮ್ ಓಡಬಹುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ [install Azure IoT Edge for Linux ಗೈಡ್](https://docs.microsoft.com/azure/iot-edge/how-to-install-iot-edge?WT.mc_id=academic-17441-jabenn) ಅನುಸರಿಸಿ. * ನೀವು ವಿಂಡೋಸ್ ಬಳಸುತ್ತಿದ್ದರೆ, ಲಿನಕ್ಸ್ ವರ್ಚುವಲ್ ಯಂತ್ರ (VM)ನಲ್ಲಿ ಐಒಟಿ ಎಡ್ಜ್ ರನ್‌ಟೈಮ್ ಅನ್ನು ಸ್ಥಾಪಿಸುತ್ತೀರಿ. [Microsoft ಡಾಕ್ಯುಮೆಂಟೇಷನಿನ ‘deploy your first IoT Edge module to a Windows device’ ಶೀಘ್ರ ಪ್ರಾರಂಭದ ‘install and start the IoT Edge runtime’ ಭಾಗವನ್ನು](https://docs.microsoft.com/azure/iot-edge/quickstart?WT.mc_id=academic-17441-jabenn#install-and-start-the-iot-edge-runtime) ಅನುಸರಿಸಿ. *Deploy a module* ಭಾಗದ ಮೊದಲು ನಿಲ್ಲಿ. * ನೀವು ಮ್ಯಾಕ್‌ಒಎಸ್ ಬಳಕೆದಾರರೆಂದುCloud-ನಲ್ಲಿ VM ಸೃಷ್ಟಿಸಿ ಅದನ್ನು ಐಒಟಿ ಎಡ್ಜ್ ಸಾಧನವಾಗಿ ಬಳಸಬಹುದು. ಈ VM ಗಳು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಆನ್ಲೈನ್ ಆಗಿರುವ ಕಂಪ್ಯೂಟರ್‌ಗಳು, ನೀವು ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಪ್ರವೇಶಿಸಬಹುದು. ನೀವು ಐಒಟಿ ಎಡ್ಜ್ ಹೋಸ್ಟಿಂಗ್ ಮಾಡಲಾದ ಲಿನಕ್ಸ್ VM ರಚಿಸಬಹುದು. ಇದಕ್ಕೆ [create a virtual machine running IoT Edge ಗೈಡ್](vm-iotedge.md) ನೋಡಿ. ## ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ರಫ್ತು ಮಾಡಿ ವರ್ಗೀಕರಣಕಾರರನ್ನು ಎಡ್ಜ್‌ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಲು, ಅದನ್ನು ಕಸ್ಟಂ ವೀಕ್ಷಣೆಯಿಂದ ರಫ್ತು ಮಾಡಬೇಕು. ಕಸ್ಟಂ ವೀಕ್ಷನ್ ಎರಡು ರೀತಿಯ ಮಾದರಿಗಳನ್ನು ರಚಿಸುತ್ತದೆ - ಸ್ಟಾಂಡರ್ಡ್ ಮಾದರಿಗಳು ಮತ್ತು ಕಾಂಪ್ಯಾಕ್ಟ್ ಮಾದರಿಗಳು. ಕಾಂಪ್ಯಾಕ್ಟ್ ಮಾದರಿಗಳು ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಿ, ಐಒಟಿ ಸಾಧನಗಳ ಮೇಲೆ ಡೌನ್ಲೋಡ್ ಮಾಡುವ ಮಟ್ಟಿಗೆ ಸಣ್ಣಗೊಳಿಸುತ್ತವೆ. ನೀವು ಚಿತ್ರ ವರ್ಗೀಕರಿಸಿದಾಗ, ನೀವು *ಆಹಾರ* ಡೊಮೇನನ್ನು ಬಳಸಿದಿರಿ, ಇದು ಆಹಾರದ ಚಿತ್ರಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆಯಲು ಆಶ៊ីಲಗೊಳಿಸಿದ ಮಾದರಿ ಆವೃತ್ತಿಯಾಗಿದೆ. ಕಸ್ಟಮ್ ವೀಕ್ಷಣದಲ್ಲಿ, ನೀವು ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್‌ನ ಡೊಮೇನನ್ನು ಬದಲಾಯಿಸಿ, ಹೊಸ ಡೊಮೇನಿಗಾಗಿ ನಿಮ್ಮ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಬಳಸಿ ಹೊಸ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತೀರ. ಕಸ್ಟಮ್ ವೀಕ್ಷನ್ ನೀಡುವ ಎಲ್ಲಾ ಡೊಮೇನುಗಳು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮತ್ತು ಕಾಂಪ್ಯಾಕ್ಟ್ ಎರಡನ್ನೂ ನೀಡುತ್ತವೆ. ### ಕಾರ್ಯ - ಆಹಾರ (ಕಾಂಪ್ಯಾಕ್ಟ್) ಡೊಮೇನನ್ನು ಬಳಸಿ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿ 1. [CustomVision.ai](https://customvision.ai) ನಲ್ಲಿ ಕಸ್ಟಮ್ ವೀಕ್ಷಣಾ ಪೋರ್ಟಲ್‌ಗೆ ಸೇರಿಸಿ ಮತ್ತು ನೀವು ಈಗಾಗಲೇ ತೆರೆಯದಿದ್ದರೆ ಸೈನ್ ಇನ್ ಆಗಿ. ನಂತರ ನಿಮ್ಮ `fruit-quality-detector` ಪ್ರಾಜೆಕ್ಟ್ ತೆರೆಯಿರಿ. 1. **Settings** ಬಟನ್ (⚙ ಐಕಾನ್) ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ 1. *Domains* ಪಟ್ಟಿ ಇಂದ *Food (compact)* ಆಯ್ಕೆಮಾಡಿ 1. *Export Capabilities* ಅಡಿಯಲ್ಲಿ *Basic platforms (Tensorflow, CoreML, ONNX, ...)* ಆಯ್ಕೆಮಾಡಿದೆಯೆಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. 1. ಸೆಟ್ಟಿಂಗ್ಸ್ ಪುಟದ ಕೆಳಭಾಗದಲ್ಲಿ **Save Changes** ಆಯ್ಕೆಮಾಡಿ. 1. **Train** ಬಟನ್ ಬಳಸಿ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿ ಮಾಡಿ, *Quick training* ಆಯ್ಕೆಮಾಡಿ. ### ಕಾರ್ಯ - ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ರಫ್ತು ಮಾಡಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿದ ನಂತರ, ಅದನ್ನು ಕಾಂಟೇನರ್ ಆಗಿ ರಫ್ತು ಮಾಡಬೇಕಾಗುತ್ತದೆ. 1. **Performance** ಟ್ಯಾಬ್ ಆಯ್ಕೆಮಾಡಿ, ಕಾಂಪ್ಯಾಕ್ಟ್ ಡೊಮೇನನ್ನು ಬಳಸಿ ತರಬೇತಿ ಮಾಡಲಾದ ನಿಮ್ಮ ಇತ್ತೀಚಿನ ಆವೃತ್ತಿಯನ್ನು ಹುಡುಕಿ. 1. ಮೇಲ್ಭಾಗದಲ್ಲಿ **Export** ಆಯ್ಕೆಮಾಡಿ. 1. **DockerFile** ಆಯ್ಕೆಮಾಡಿ, ನಂತರ ನಿಮ್ಮ ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಹೊಂದುವ ಆವೃತ್ತಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ: * ನೀವು IoT ಎಡ್ಜ್ ಅನ್ನು ಲಿನಕ್ಸ್ನ ಕಂಪ್ಯೂಟರ್, ವಿಂಡೋಸ್ ಕಂಪ್ಯೂಟರ್ ಅಥವಾ ವರ್ಚುವಲ್ ಮೆಷೀನ್‌ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಿದರೆ, *Linux* ಆವೃತ್ತಿ ಆಯ್ಕೆಮಾಡಿ. * ನೀವು Raspberry Pi ನಲ್ಲಿ IoT ಎಡ್ಜ್ ಚಾಲನೆ ಮಾಡಿದರೆ, *ARM (Raspberry Pi 3)* ಆವೃತ್ತಿ ಆಯ್ಕೆಮಾಡಿ. > 🎓 ಡಾಕರ್ ಕಂಟೇನರ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಉಪಕರಣಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಮತ್ತು ಡಾಕರ್ ಫೈಲ್ ಎನ್ನುವುದು ಕಂಟೇನರ್ ಅನ್ನು ಹೀಗೆ ಹೇಗೆ ಸೆಟ್ ಅಪ್ ಮಾಡಬೇಕು ಎಂಬ ಸೂಚನೆಗಳ ಸರಣಿಯಾಗಿದೆ. 1. **Export** ಒತ್ತಿ ಕಸ್ಟಮ್ ವೀಕ್ಷಣೆಗೆ ಸಂಬಂಧಿತ ಫೈಲ್ಗಳನ್ನು ರಚಿಸಲು ಸೂಚಿಸಿ ನಂತರ **Download** ಒತ್ತಿ ಜಿಪ್ ಫೈಲ್ ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಿ. 1. ಫೈಲ್ಗಳನ್ನು ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಉಳಿಸಿ ಮತ್ತು ಫೋಲುಡರ್ ಅನ್ನು ಅನ್ಜಿಪ್ ಮಾಡಿ. ## మీರ కంటైనర్‌ను ನಿಯೋಜಿಸಲು ಸಿದ್ಧಪಡಿಸಿ ![Containers are built then pushed to a container registry, then deployed from the container registry to an edge device using IoT Edge](../../../../../translated_images/kn/container-edge-flow.c246050dd60ceefd.webp) ನೀವು ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಿದ ನಂತರ, ಅದನ್ನು ಒಂದು ಕಾಂಟೇನರ್ ಆಗಿ ನಿರ್ಮಿಸಿ, ನಂತರ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಗೆ (ಆನ್ಲೈನ್ ಸ್ಥಳ, ಇಲ್ಲಿ ನೀವು ಕಂಟೇನರ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿಕೊಳ್ಳಬಹುದಾದ) ಪುಷ್ ಮಾಡಬೇಕು. ನಂತರ IoT ಎಡ್ಜ್ ಆ ಕಂಟೇನರ್ ಅನ್ನು ರಿಜಿಸ್ಟ್ರಿಯಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ ನಿಮ್ಮ ಸಾಧನಕ್ಕೆ ಪುಷ್ ಮಾಡುತ್ತದೆ. ![THe Azure Container Registry logo](../../../../../translated_images/kn/azure-container-registry-logo.09494206991d4b29.webp) ಈ ಪಾಠಕ್ಕೆ ನೀವು ಬಳಸುವ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ ಆಜೂರ್ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ (Azure Container Registry). ಇದು ಉಚಿತ ಸೇವೆ ಅಲ್ಲ, ಆದ್ದರಿಂದ ಹಣ ಉಳಿಸಲು ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಮುಗಿದ ನಂತರ [ನೀವು ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಕ್ಲೀನ್ ಅಪ್](../../../clean-up.md) ಮಾಡಿಕೊಳ್ಳಿ. > 💁 ಆಜೂರ್ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಯ ಬಳಕೆಯ ವೆಚ್ಚಗಳನ್ನು ನೀವು [Azure Container Registry pricing page](https://azure.microsoft.com/pricing/details/container-registry/?WT.mc_id=academic-17441-jabenn) ಯಲ್ಲಿ ನೋಡಬಹುದು ### ಕಾರ್ಯ - ಡಾಕರ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ ವರ್ಗೀಕರಿಸುವಂತೆ ನಿರ್ಮಿಸಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ನೀವು [Docker](https://www.docker.com/) ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕಾಗಬಹುದು. ನೀವು IoT ಎಡ್ಜ್ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡದ ಇತರ ಸಾಧನದಿಂದ ನಿಮ್ಮ ಕಂಟೇನರ್ ಕಟ್ಟಲು ಯೋಜಿಸಿದರೆ ಮಾತ್ರ ಇದನ್ನು ಮಾಡಬೇಕಾಗುವುದು — IoT ಎಡ್ಜ್ ಸ್ಥಾಪನೆ ಭಾಗವಾಗಿ ಡಾಕರ್ ಸ್ಥಾಪನೆಯಾಗಿರುತ್ತದೆ. 1. ನಿಮ್ಮ IoT ಎಡ್ಜ್ ಸಾಧನದಿಂದ ಬೇರೆ ಸಾಧನದಲ್ಲಿ ಡಾಕರ್ ಕಂಟೇನರ್ ನಿರ್ಮಿಸಲು ಯೋಜಿಸಿದರೆ, [ಡಾಕರ್ ಇನ್‌ಸ್ಟಾಲ್ ಪುಟ](https://www.docker.com/products/docker-desktop) ನಲ್ಲಿ ಡಾಕರ್ ಡೆಸ್ಕ್‌ಟಾಪ್ ಅಥವಾ ಡಾಕರ್ ಎಂಜಿನ್ ಸ್ಥಾಪನೆ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ಸ್ಥಾಪನೆಯ ನಂತರ ಅದನ್ನು ಚಾಲನೆ ಮಾಡಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ### ಕಾರ್ಯ - ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸಿ 1. ಟರ್ಮಿನಲ್ ಅಥವಾ ಕಮಾಂಡ್ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ರನ್ ಮಾಡಿ ಒಂದು ಆಜೂರ್ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸಲು: ```sh az acr create --resource-group fruit-quality-detector \ --sku Basic \ --name ``` `` ಅನ್ನು ಮೀಡಿಯಾದಲ್ಲಿ ಅಂತರ್ಜಾಲದಲ್ಲಿ ಅನನ್ಯವಾಗಿರುವ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. ಇದನ್ನು `fruitqualitydetector` ಇತ್ಯಾದಿ ಸುತ್ತಿಕೊಳ್ಲಿ. ಈ ಹೆಸರು URL ಭಾಗವಾಗುತ್ತೆ, ಹಾಗಾಗಿ ಅದನ್ನು ಜಾಗತಿಕವಾಗಿ ಅನನ್ಯವಾಗಿರಬೇಕು. 1. ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ಬಳಸಿ ಆಜೂರ್ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಗೆ ಲಾಗಿನ್ ಆಗಿ: ```sh az acr login --name ``` `` ಅನ್ನು ನೀವು ಬಳಸಿದ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. 1. ಕೆಳಗಿನ ಆಜ್ಞೆಯಿಂದ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಯನ್ನು ಆಡ್ಮಿನ್ ಮೋಡ್‌ಗೆ ಸೆಟ್ ಮಾಡಿ,>Password ತಯಾರಿಸಲು: ```sh az acr update --admin-enabled true \ --name ``` `` ಅನ್ನು ನಿಮಗೆ ಬೇಕಾದ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. 1. ಕೆಳಗಿನ ಆಜ್ಞೆಯಿಂದ ಪಾಸ್‌ವರ್ಡ್‌ಗಳನ್ನು ತಯಾರಿಸಿ: ```sh az acr credential renew --password-name password \ --output table \ --name ``` `` ನಿಮಗೆ ಬೇಕಾದ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. `PASSWORD` ಮೌಲ್ಯದ ಕಾಪಿ ತೆಗೆದುಕೊಳ್ಳಿ; ಇದನ್ನು ನಂತರ ಬಳಸಬೇಕಿದೆ. ### ಕಾರ್ಯ - ನಿಮ್ಮ ಕಂಟೇನರ್ ಕಟ್ಟಿರಿ ನೀವು ಕಸ್ಟಮ್ ವೀಕ್ಷಣೆಯಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿದವು ಡಾಕರ್ ಫೈಲ್ ಆಗಿದ್ದು, ಅದು ಹೇಗೆ ಕಂಟೇನರ್ ಕಟ್ಟಬೇಕೆಂಬ ಸೂಚನೆಗಳನ್ನು ಹೊಂದಿದ್ದು, ಆಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಕೂಡ ಇರುತ್ತದೆ, ಇದು ಕಸ್ಟಮ್ ವೀಕ್ಷಣಾ ಮಾದರಿಯನ್ನು ಹೋಸ್ಟ್ ಮಾಡಲು ಮತ್ತು REST API ಮೂಲಕ ಕರೆ ಮಾಡಲು ಕಂಟೇನರ್ ಒಳಗೆ ಓಡುತ್ತದೆ. ನೀವು ಡಾಕರ್ ಬಳಸಿ ಈ ಡಾಕರ್ ಫೈಲ್ ಆಧಾರದಲ್ಲಿ ಟ್ಯಾಗ್ ಮಾಡಿದ ಕಂಟೇನರ್ ನಿರ್ಮಿಸಿ, ನಂತರ ಅದನ್ನು ನಿಮ್ಮ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಗೆ ಪುಷ್ ಮಾಡಬಹುದು. > 🎓 ಕಂಟೇನರ್‌ಗಳಿಗೆ ಟ್ಯಾಗ್ ಲಭ್ಯವಿದ್ದು, ಅದು ಅವುಗಳ ಹೆಸರು ಮತ್ತು ಆವೃತ್ತಿಯನ್ನು ನಿರ್ಣಯಿಸುತ್ತದೆ. ನವೀಕರಣಕ್ಕೆ ಅದೇ ಟ್ಯಾಗ್ ಆದರೆ ಹೊಸ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಕಂಟೇನರ್ ಕಟ್ಟಬಹುದು. 1. ಎಳೆದ ಕಸ್ಟಮ್ ವೀಕ್ಷಣೆಯಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿದ ಅನ್ಜಿಪ್ಡ್ ಮಾದರಿ ಫೋಲ್ಡರ್‌ಗೆ ಟರ್ಮಿನಲ್ ಅಥವಾ ಕಮಾಂಡ್ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಹೊರಹೊಮ್ಮಿ. 1. ಚಿತ್ರವನ್ನು ಕಟ್ಟಲು ಮತ್ತು ಟ್ಯಾಗ್ ಮಾಡಲು ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ರನ್ ಮಾಡಿ: ```sh docker build --platform -t .azurecr.io/classifier:v1 . ``` `` ಅನ್ನು ಉತ್ತರ-ದಲ್ಲಿ ಬರುವ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಬದಲಾಯಿಸಿ. ನೀವು Raspberry Pi ಮೇಲೆ IoT ಎಡ್ಜ್ ಓಡಿಸುತ್ತಿದ್ದರೆ, ಇದನ್ನು `linux/armhf` ಆಗ置ಿ, ಇಲ್ಲದಿದ್ದರೆ `linux/amd64` ಆಗ置ಿ. > 💁 ನೀವು ಈ ಆಜ್ಞೆಯನ್ನು IoT ಎಡ್ಜ್ ಚಾಲನೆ ಮಾಡುವ ಸಾಧನದಿಂದ ನಡಿಸುತ್ತಿದ್ದರೆ, ಉದಾಹರಣೆಗೆ Raspberry Piದಲ್ಲಿ, `--platform ` ಭಾಗವನ್ನು ಬಿಟ್ಟು ಹೋಗಬಹುದು ಏಕೆಂದರೆ ಡಿಫಾಲ್ಟ್ ಆಗಿ ಪ್ರಸ್ತುತ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಆಯ್ಕೆ ಆಗಿರುತ್ತದೆ. `` ಅನ್ನು ನಿಮಗೆ ಬೇಕಾದ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. > 💁 ನೀವು ಲಿನಕ್ಸ್ನ ಅಥವಾ ರಾಸ್ಪ್ಬೆರಿ ಪೈ ನಲ್ಲಿ ಇದನ್ನು ನಡಿಸಿದರೆ, ಈ ಆಜ್ಞೆ `sudo` ಸಹಿತ ನಡಿಸಬೇಕಾಗಬಹುದು. ಡಾಕರ್ ಇಮೇಜ್ ಅನ್ನು ಕಟ್ಟಲು ಮತ್ತು ಟ್ಯಾಗ್ ಆಗಿ `classifier:v1` ಹೆಸರಿನಿಂದ ಟ್ಯಾಗ್ ಮಾಡುತ್ತದೆ. ```output ➜ d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux docker build --platform linux/amd64 -t fruitqualitydetectorjimb.azurecr.io/classifier:v1 . [+] Building 102.4s (11/11) FINISHED => [internal] load build definition from Dockerfile => => transferring dockerfile: 131B => [internal] load .dockerignore => => transferring context: 2B => [internal] load metadata for docker.io/library/python:3.7-slim => [internal] load build context => => transferring context: 905B => [1/6] FROM docker.io/library/python:3.7-slim@sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6 => => resolve docker.io/library/python:3.7-slim@sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6 => => sha256:b4d181a07f8025e00e0cb28f1cc14613da2ce26450b80c54aea537fa93cf3bda 27.15MB / 27.15MB => => sha256:de8ecf497b753094723ccf9cea8a46076e7cb845f333df99a6f4f397c93c6ea9 2.77MB / 2.77MB => => sha256:707b80804672b7c5d8f21e37c8396f319151e1298d976186b4f3b76ead9f10c8 10.06MB / 10.06MB => => sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6 1.86kB / 1.86kB => => sha256:44073386687709c437586676b572ff45128ff1f1570153c2f727140d4a9accad 1.37kB / 1.37kB => => sha256:3d94f0f2ca798607808b771a7766f47ae62a26f820e871dd488baeccc69838d1 8.31kB / 8.31kB => => sha256:283715715396fd56d0e90355125fd4ec57b4f0773f306fcd5fa353b998beeb41 233B / 233B => => sha256:8353afd48f6b84c3603ea49d204bdcf2a1daada15f5d6cad9cc916e186610a9f 2.64MB / 2.64MB => => extracting sha256:b4d181a07f8025e00e0cb28f1cc14613da2ce26450b80c54aea537fa93cf3bda => => extracting sha256:de8ecf497b753094723ccf9cea8a46076e7cb845f333df99a6f4f397c93c6ea9 => => extracting sha256:707b80804672b7c5d8f21e37c8396f319151e1298d976186b4f3b76ead9f10c8 => => extracting sha256:283715715396fd56d0e90355125fd4ec57b4f0773f306fcd5fa353b998beeb41 => => extracting sha256:8353afd48f6b84c3603ea49d204bdcf2a1daada15f5d6cad9cc916e186610a9f => [2/6] RUN pip install -U pip => [3/6] RUN pip install --no-cache-dir numpy~=1.17.5 tensorflow~=2.0.2 flask~=1.1.2 pillow~=7.2.0 => [4/6] RUN pip install --no-cache-dir mscviplib==2.200731.16 => [5/6] COPY app /app => [6/6] WORKDIR /app => exporting to image => => exporting layers => => writing image sha256:1846b6f134431f78507ba7c079358ed66d944c0e185ab53428276bd822400386 => => naming to fruitqualitydetectorjimb.azurecr.io/classifier:v1 ``` ### ಕಾರ್ಯ - ನಿಮ್ಮ ಕಂಟೇನರ್ ಅನ್ನು ರಿಜಿಸ್ಟ್ರಿಗೆ ಪುಷ್ ಮಾಡಿ 1. ಕೆಳಗಿನ ಆಜ್ಞೆಯಿಂದ ನಿಮ್ಮ ಕಂಟೇನರ್ ಅನ್ನು ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಗೆ ಪುಷ್ ಮಾಡಿ: ```sh docker push .azurecr.io/classifier:v1 ``` `` ಅನ್ನು ನಿಮ್ಮ ರಿಜಿಸ್ಟ್ರಿ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. > 💁 ಲಿನಕ್ಸ್ನಲ್ಲಿ ಈ ಆಜ್ಞೆ `sudo` ಸಹಿತ ನಡಿಸಬೇಕಾಗಬಹುದು. ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿಗೆ ಪುಷ್ ಆಗಲಿದೆ. ```output ➜ d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux docker push fruitqualitydetectorjimb.azurecr.io/classifier:v1 The push refers to repository [fruitqualitydetectorjimb.azurecr.io/classifier] 5f70bf18a086: Pushed 8a1ba9294a22: Pushed 56cf27184a76: Pushed b32154f3f5dd: Pushed 36103e9a3104: Pushed e2abb3cacca0: Pushed 4213fd357bbe: Pushed 7ea163ba4dce: Pushed 537313a13d90: Pushed 764055ebc9a7: Pushed v1: digest: sha256:ea7894652e610de83a5a9e429618e763b8904284253f4fa0c9f65f0df3a5ded8 size: 2423 ``` 1. ಪುಷ್ ಪರಿಶೀಲಿಸಲು, ಕೆಳಗಿನ ಆಜ್ಞೆಯ ಮೂಲಕ ನಿಮ್ಮ ರಿಜಿಸ್ಟ್ರಿಯಲ್ಲಿರುವ ಕಂಟೇನರ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಬಹುದು: ```sh az acr repository list --output table \ --name ``` `` ಅನ್ನು ನಿಮ್ಮ ರಿಜಿಸ್ಟ್ರಿ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. ```output ➜ d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux az acr repository list --name fruitqualitydetectorjimb --output table Result ---------- classifier ``` ಹೊರತಾಗಿ ನಿಮ್ಮ classifier ಪಟ್ಟಿ ಆಗಿರುವುದು ಕಾಣಿಸುತ್ತದೆ. ## ನಿಮ್ಮ ಕಂಟೇನರ್ ನಿಯೋಜಿಸಿ ನಿಮ್ಮ ಕಂಟೇನರ್ ಈಗ ನಿಮ್ಮ IoT ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ನಿಯೋಜಿಸಬಹುದು. ನಿಯೋಜಿಸಲು, ನೀವು ನಿಯೋಜನೆ ಮ್ಯಾನಿಫೆಸ್ಟ್ (deployment manifest) - edge ಸಾಧನಕ್ಕೆ ನಿಯೋಜವಾಗುವ ಮೋಡ್ಯೂಲ್‌ಗಳ ಪಟ್ಟಿ ಮಾಡಿರುವ JSON ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು সংজ্ঞಾ್ಮಾಡಬೇಕು. ### ಕಾರ್ಯ - ನಿಯೋಜನೆ ಮ್ಯಾನಿಫೆಸ್ಟ್ ರಚಿಸಿ 1. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಎಲ್ಲಾದರೂ `deployment.json` ಎಂಬ ಹೊಸ ಫೈಲ್ ಸೃಷ್ಟಿಸಿ. 1. ಈ ಕೆಳಗಿನ ವಿಷಯವನ್ನು ಅದಕ್ಕೆ ಸೇರಿಸಿ: ```json { "content": { "modulesContent": { "$edgeAgent": { "properties.desired": { "schemaVersion": "1.1", "runtime": { "type": "docker", "settings": { "minDockerVersion": "v1.25", "loggingOptions": "", "registryCredentials": { "ClassifierRegistry": { "username": "", "password": "", "address": ".azurecr.io" } } } }, "systemModules": { "edgeAgent": { "type": "docker", "settings": { "image": "mcr.microsoft.com/azureiotedge-agent:1.1", "createOptions": "{}" } }, "edgeHub": { "type": "docker", "status": "running", "restartPolicy": "always", "settings": { "image": "mcr.microsoft.com/azureiotedge-hub:1.1", "createOptions": "{\"HostConfig\":{\"PortBindings\":{\"5671/tcp\":[{\"HostPort\":\"5671\"}],\"8883/tcp\":[{\"HostPort\":\"8883\"}],\"443/tcp\":[{\"HostPort\":\"443\"}]}}}" } } }, "modules": { "ImageClassifier": { "version": "1.0", "type": "docker", "status": "running", "restartPolicy": "always", "settings": { "image": ".azurecr.io/classifier:v1", "createOptions": "{\"ExposedPorts\": {\"80/tcp\": {}},\"HostConfig\": {\"PortBindings\": {\"80/tcp\": [{\"HostPort\": \"80\"}]}}}" } } } } }, "$edgeHub": { "properties.desired": { "schemaVersion": "1.1", "routes": { "upstream": "FROM /messages/* INTO $upstream" }, "storeAndForwardConfiguration": { "timeToLiveSecs": 7200 } } } } } } ``` > 💁 ಈ ಫೈಲ್ ಅನ್ನು [code-deployment/deployment](../../../../../4-manufacturing/lessons/3-run-fruit-detector-edge/code-deployment/deployment) ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಕಂಡುಹಿಡಿಯಬಹುದು. `` ಎಂಬ ಪದಗಳನ್ನು ನೀವು ಬಳಸಿದ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ ಹೆಸರಿನಿಂದ ಮೂರು ಜಾಗಗಳಲ್ಲಿ ಬದಲಾಯಿಸಿ. ಒಂದು `ImageClassifier` ಮೋಡ್ಯೂಲ್ ಸೆಕ್ಷನ್‌ನಲ್ಲಿ, ಉಳಿದ ಎರಡು `registryCredentials` ಸೆಕ್ಷನ್‌ನಲ್ಲಿ ಇವೆ. `` ಅನ್ನು `registryCredentials` ಸೆಕ್ಷನ್‌ನಲ್ಲಿ ನಿಮ್ಮ ಕಂಟೇನರ್ ರಿಜಿಸ್ಟ್ರಿ ಪಾಸ್‌ವರ್ಡ್‌ನಿಂದ ಬದಲಾಯಿಸಿ. 1. ನಿಮ್ಮ ನಿಯೋಜನೆ ಮ್ಯಾನಿಫೆಸ್ಟ್ ಫೋಲ್ಡರ್‌ನಿಂದ ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ರನ್ ಮಾಡಿ: ```sh az iot edge set-modules --device-id fruit-quality-detector-edge \ --content deployment.json \ --hub-name ``` `` ಅನ್ನು ನಿಮ್ಮ IoT ಹಬ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವ ಮೋಡ್ಯೂಲ್ ನಿಮ್ಮ ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ನಿಯೋಜನೆ ಆಗುತ್ತದೆ. ### ಕಾರ್ಯ - ವರ್ಗೀಕರಿಸುವುದು ಚಾಲನೆಯಲ್ಲಿರುವುದನ್ನು ಪರಿಶೀಲಿಸಿ 1. IoT ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಸಂಪರ್ಕ ಬೆಳೆಸಿರಿ: * ನೀವು Raspberry Pi ನಲ್ಲಿ IoT ಎಡ್ಜ್ ನಡಿಸುತ್ತಿದ್ದರೆ, ssh ಬಳಸಿ ಕನೆಕ್ಟ್ ಆಗಿರಿ, ಟರ್ಮಿನಲ್‌ನಿಂದ ಅಥವಾ VS ಕೋಡ್‌ನ ರಿಮೋಟ್ SSH ಸೆಷನ್ ಮೂಲಕ * ನೀವು ಲಿನಕ್ಸ್ನ ಕಂಟೇನರ್‌ನಲ್ಲಿ ವಿಂಡೋಸ್‌ನಲ್ಲಿ IoT ಎಡ್ಜ್ ಚಾಲನೆ ಮಾಡುತ್ತಿದ್ದರೆ, [verify successful configuration guide](https://docs.microsoft.com/azure/iot-edge/how-to-install-iot-edge-on-windows?WT.mc_id=academic-17441-jabenn&view=iotedge-2018-06&tabs=powershell#verify-successful-configuration) ಧಾರಣೆ ಅನುಸರಿಸಿ. * ನೀವು ವರ್ಚುಯಲ್ ಮೆಷೀನ್‌ನಲ್ಲಿ IoT ಎಡ್ಜ್ ಚಾಲನೆ ಮಾಡುತ್ತಿದ್ದರೆ, VM ರಚಿಸುವಾಗ ನೀವು ನೀಡಿದ `adminUsername` ಮತ್ತು `password` ಬಳಸಿ VM IP ಲ್ ಅಥವಾ DNS ಹೆಸರಿನಿಂದ SSH ಮಾಡಿ: ```sh ssh @ ``` ಅಥವಾ: ```sh ssh @ ``` ಕೇಳಿದರೆ ಪಾಸ್‌ವರ್ಡ್ ನಮೂದಿಸಿ 1. ಸಂಪರ್ಕವಾದ ನಂತರ, ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ನಿಯೋಜಿತ IoT ಎಡ್ಜ್ ಮೋಡ್ಯೂಲ್‌ಗಳ ಪಟ್ಟಿಯನ್ನು ಪಡೆಯಲು ರನ್ ಮಾಡಿ: ```sh iotedge list ``` > 💁 ಈ ಆಜ್ಞೆಯನ್ನು `sudo` ಜೊತೆ ರನ್ ಮಾಡಬೇಕಾಗಬಹುದು. ನೀವು ಚಾಲನೆಯಲ್ಲಿರುವ ಮೋಡ್ಯೂಲ್‌ಗಳನ್ನು ನೋಡುವಿರಿ: ```output jim@fruit-quality-detector-jimb:~$ iotedge list NAME STATUS DESCRIPTION CONFIG ImageClassifier running Up 42 minutes fruitqualitydetectorjimb.azurecr.io/classifier:v1 edgeAgent running Up 42 minutes mcr.microsoft.com/azureiotedge-agent:1.1 edgeHub running Up 42 minutes mcr.microsoft.com/azureiotedge-hub:1.1 ``` 1. ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವ ಮೋಡ್ಯೂಲ್ ಲಾಗ್‌ಗಳನ್ನು ಈ ಕೆಳಗಿನ ಆಜ್ಞೆಯಿಂದ ಪರಿಶೀಲಿಸಿ: ```sh iotedge logs ImageClassifier ``` > 💁 ಈ ಆಜ್ಞೆಯನ್ನು `sudo` ಜೊತೆಗೆ ರನ್ ಮಾಡಬೇಕಾಗಬಹುದು. ```output jim@fruit-quality-detector-jimb:~$ iotedge logs ImageClassifier 2021-07-05 20:30:15.387144: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 2021-07-05 20:30:15.392185: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 2394450000 Hz 2021-07-05 20:30:15.392712: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x55ed9ac83470 executing computations on platform Host. Devices: 2021-07-05 20:30:15.392806: I tensorflow/compiler/xla/service/service.cc:175] StreamExecutor device (0): Host, Default Version Loading model...Success! Loading labels...2 found. Success! * Serving Flask app "app" (lazy loading) * Environment: production WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Debug mode: off * Running on http://0.0.0.0:80/ (Press CTRL+C to quit) ``` ### ಕಾರ್ಯ - ಚಿತ್ರದ ವರ್ಗೀಕರಿಯನ್ನ ಪರೀಕ್ಷಿಸಿ 1. ನೀವು ಚಿತ್ರ ವರ್ಗೀಕರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲು CURL ಬಳಸಿ ಅದನ್ನು IoT ಎಡ್ಜ್ ಏಜೆಂಟ್ ಚಾಲನೆಯಲ್ಲಿರುವ ಕಂಪ್ಯೂಟರ್‌ನ IP ವಿಳಾಸ ಅಥವಾ ಹೋಸ್ಟ್ ಹೆಸರಿನಿಂದ ಬಳಸಿ. IP ವಿಳಾಸ ತಿಳಿಯಿರಿ: * ನೀವು ಆ ಅದೇ ಯಂತ್ರದಲ್ಲಿದ್ದರೆ, ಅಂದರೆ IoT ಎಡ್ಜ್ ಕೂಡ ಅಲ್ಲಿಯೇ ಇದ್ದರೆ `localhost` ಹೋಸ್ಟ್ ಹೆಸರು ಬಳಸಬಹುದು. * ನೀವು VM ಬಳಸಿ ಇದ್ದರೆ, VM IP ವಿಳಾಸ ಅಥವಾ DNS ಹೆಸರು ಬಳಸಬಹುದು. * ಇಲ್ಲವಾದರೆ ನಿಮ್ಮ IoT ಎಡ್ಜ್ ನಡಿಸುತ್ತಿರುವ ಯಂತ್ರದ IP ವಿಳಾಸವನ್ನು ಪಡೆಯಬಹುದು: * ವಿಂಡೋಸ್ 10 ನಲ್ಲಿ, [find your IP address guide](https://support.microsoft.com/windows/find-your-ip-address-f21a9bbc-c582-55cd-35e0-73431160a1b9?WT.mc_id=academic-17441-jabenn) ನೋಡಿ * macOS ನಲ್ಲಿ, [how to find you IP address on a Mac guide](https://www.hellotech.com/guide/for/how-to-find-ip-address-on-mac) ನೋಡಿ * ಲಿನಕ್ಸ್ನಲ್ಲಿ, [how to find your IP address in Linux guide](https://opensource.com/article/18/5/how-find-ip-address-linux) ನೋಡಿ 1. ಕೆಳಗಿನ curl ಆಜ್ಞೆಯನ್ನು ಬಳಸಿ ಸ್ಥಳೀಯ ಫೈಲ್ ಪ್ರಯತ್ನಿಸಿ: ```sh curl --location \ --request POST 'http:///image' \ --header 'Content-Type: image/png' \ --data-binary '@' ``` `` ಅನ್ನು IoT ಎಡ್ಜ್ ಆಕಾರ್ಷಣೆ ಮಾಡುತ್ತಿರುವ ಕಂಪ್ಯೂಟರ್ IP ವಿಳಾಸ ಅಥವಾ ಹೋಸ್ಟ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. `` ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ಫೈಲ್ ಹೆಸರಿನಿಂದ ಬದಲಾಯಿಸಿ. ನೀವು ಔಟ್ಪುಟ್‌ನಲ್ಲಿ ಭವಿಷ್ಯವಾಣಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ನೋಡುತ್ತೀರಿ: ```output { "created": "2021-07-05T21:44:39.573181", "id": "", "iteration": "", "predictions": [ { "boundingBox": null, "probability": 0.9995615482330322, "tagId": "", "tagName": "ripe" }, { "boundingBox": null, "probability": 0.0004384400090202689, "tagId": "", "tagName": "unripe" } ], "project": "" } ``` > 💁 ಇಲ್ಲಿ prediction key ನೀಡಬೇಕಾಗಿಲ್ಲ, ಏಕೆಂದರೆ ಇದು Azure ವನರವನ್ನು ಬಳಸುವುದಿಲ್ಲ. ಬದಲಿಗೆ ಭದ್ರತೆಗೆ ಒಳಗಿನ ನೆಟ್‌ವರ್ಕ್‌ನ ಆಧಾರದಲ್ಲಿಡ ಇತರ ಭದ್ರತೆ ವ್ಯವಸ್ಥೆ ಇರುತ್ತದೆ, ಸಾರ್ವಜನಿಕ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಅಥವಾ API ಕೀ ಮೇಲೆ ಅವಲಂಬನೆ ಇಲ್ಲ. ## ನಿಮ್ಮ IoT ಎಡ್ಜ್ ಸಾಧನ ಬಳಸಿ ಈಗ ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣೆ IoT ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ನಿಯೋಜಿಸಲಾಗಿದೆ, ನೀವು ಇದರೊಂದಿಗೆ ಇಮೇಜು ವರ್ಗೀಕರಿಸಲು ನಿಮ್ಮ IoT ಸಾಧನದಿಂದ ಬಳಸಬಹುದು. ### ಕಾರ್ಯ - ನಿಮ್ಮ IoT ಎಡ್ಜ್ ಸಾಧನ ಬಳಸಿ IoT ಎಡ್ಜ್ ವರ್ಗೀಕರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಸಂಬಂಧಿಸಿದ ಮಾರ್ಗದರ್ಶಿಗಳನ್ನು ಅನುಸರಿಸಿ: * [Arduino - Wio Terminal](wio-terminal.md) * [Single-board computer - Raspberry Pi/Virtual IoT device](single-board-computer.md) ### ಮಾದರಿ ಮರುತರಬೇತಿ IoT ಎಡ್ಜ್‌ನಲ್ಲಿ ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವಂತೆನೋಡಲು ತೊಂದರೆಗಳು ಒಂದಾಗಿದೆ, ಅವು ನಿಮ್ಮ ಕಸ್ಟಮ್ ವೀಕ್ಷಣಾ ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ ಸಂಪರ್ಕ ಹೊಂದುವುದಿಲ್ಲ. ನೀವು ಕಸ್ಟಮ್ ವೀಕ್ಷಣದಲ್ಲಿ **Predictions** ಟ್ಯಾಬ್ ನೋಡಿದರೆ, ಎಡ್ಜ್ ಆಧಾರಿತ ವರ್ಗೀಕರಣದ ಚಿತ್ರಗಳನ್ನು ಕಾಣುವುದಿಲ್ಲ. ಇದು ನಿರೀಕ್ಷಿತ ವರ್ತನೆ - ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಕ್ಲೌಡ್‌ಗೆ ಕಳುಹಿಸಲಾಗುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಅವು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲ. IoT ಎಡ್ಜ್ ಬಳಕೆಯ ಒಬ್ಬ ಅಪ್‌ಸೈಡ್ ಎರಡು: ಗೌಪ್ಯತೆ, ದೃಢಪಡಿಸುವುದು ಚಿತ್ರಗಳು ನಿಮ್ಮ ನೆಟ್‌ವರ್ಕ್ ಹೊರಗೆ ಹೊರಡುವುದಿಲ್ಲ ಮತ್ತು ಇನ್ನೊಂದು ಆಫ್‌ಲೈನ್ ಆಗಿ ಕೆಲಸಮಾಡುವುದು, ಸಾಧನ ಇಂಟರ್‌ನೆಟ್ ಸಂಯೋಜನೆಯಿಲ್ಲದೆ ಚಿತ್ರ ಅಪ್ಲೋಡ್ ಮಾಡುವುದು ಅವಲಂಬಿಸುವುದಿಲ್ಲ. ಕೊರತೆ>Your model improvement involves storing images to be manually re-classified and retrained. ✅ ವರ್ಗೀಕರಿಯನ್ನು ಮರುತರಬೇತಿ ಮಾಡಲು ಚಿತ್ರಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ವಿಧಾನಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ. --- ## 🚀 ಸವಾಲು ಎಡ್ಜ್ ಸಾಧನಗಳಲ್ಲಿ AI ಮಾದರಿಗಳನ್ನು ಓಡಿಸುವುದು ಕ್ಲೌಡ್‌ನಿಗಿಂತ ವೇಗವಾಗಿರಬಹುದು - ನೆಟ್‌ವರ್ಕ್ ಹೋಪ್ ಕಡಿಮೆ. ಆದರೆ ಕೆಲವೊಮ್ಮೆ ಹಾರ್ಡ್ವೇರ್ ಆರಂಬಿಕೆ ಕಡಿಮೆ ಇದ್ದಾಗ ನಿಧಾನವಾಗಬಹುದು. ನೀವು ನಿಮ್ಮ ಎಡ್ಜ್ ಸಾಧನಕ್ಕೆ ಕರೆ ಮಾಡುವ ಸಮಯ ಕ್ಲೌಡ್‌ಗೆ ಹೋಲಿಸಿದಾಗ ವೇಗವಾಗಿದೆಯಾ ಅಥವಾ ನಿಧಾನವಾಗಿದೆಯಾ ಎಂದು ಸಮಯ ತೆಗೆದು ಹೋಲಿಸಿ. ವ್ಯತ್ಯಾಸಕ್ಕೆ ಕಾರಣಗಳು ಅಥವಾ ವ್ಯತ್ಯಾಸವಿಲ್ಲದಿರುವುದಕ್ಕೆ ಕಾರಣಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ವಿಶೇಷ ಹಾರ್ಡ್‌ವೇರ್ ಬಳಸಿ ಎಡ್ಜ್‌ನಲ್ಲಿ AI ಮಾದರಿಗಳನ್ನು ವೇಗವಾಗಿ ಓಡಿಸುವ ಮಾರ್ಗಗಳನ್ನು ಸಂಶೋಧಿಸಿ. ## ಉಪನ್ಯಾಸೋತ್ತರ ಕ್ವಿಜ್ [ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/34) ## ಪರಿಶೀಲನೆ & ಸ್ವಯಂ ಅಧ್ಯಯನ * [ವಿಕಿಪೀಡಿಯಾದ OS-ಹಂತದ ವರ್ಚುವಲೈಜೆಷನ್ ಪುಟದಲ್ಲಿ](https://wikipedia.org/wiki/OS-level_virtualization) ಕಂಟೈನರ್‌ಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಓದಿ * ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಓದಿ, 5G ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಹೇಗೆ ವಿಸ್ತರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬುದರ ಮೇಲೆ ಪ್ರವೃತ್ತಿಯನ್ನು ಒತ್ತಿ ತಿಳಿಸುವ [NetworkWorldನಲ್ಲಿರುವ ಏನು ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ಇದು ಯಾಕೆ ಪ್ರಮುಖ? ಲೇಖನದಲ್ಲಿ](https://www.networkworld.com/article/3224893/what-is-edge-computing-and-how-it-s-changing-the-network.html) * [Microsoft Channel9ನ Learn Live ಕಾರ್ಯಕ್ರಮದ "ಎಡ್ಜ್ ಮೇಲೆ ಪೂರ್ವ-ನಿರ್ಮಿತ AI ಸೇವೆಯಿಂದ ಭಾಷಾ ಪತ್ತೆಗಾಗಿ Azure IoT Edge ಬಳಸುವುದು ಹೇಗೆ" ಎಪಿಸೋಡ್ ನೋಡಿ IoT ಎಡ್ಜ್ನಲ್ಲಿ AI ಸೇವೆಗಳನ್ನು ಚಲಾಯಿಸುವ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಕಲಿಯಿರಿ](https://channel9.msdn.com/Shows/Learn-Live/Sharpen-Your-AI-Edge-Skills-Episode-4-Learn-How-to-Use-Azure-IoT-Edge-on-a-Pre-Built-AI-Service-on-t?WT.mc_id=academic-17441-jabenn) ## ಹೋರಾಟ [ಎಡ್ಜ್ ಮೇಲೆ ಇತರೆ ಸೇವೆಗಳನ್ನು ಓಡಿಸಿ](assignment.md) --- **ವೇಳಿಕೆ ಸೂಚನೆ**: ಈ ದಾಖಲೆಯನ್ನು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ ಆದಾಗ್ಯೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸಮಂಜಸತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ದೊಕ್ಯುಮೆಂಟ್ ಅದರ ಸ್ವದೇಶಿ ಭಾಷೆಯಲ್ಲಿ ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗೆ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ವಾದಗಳು ಅಥವಾ ದೋಷ ಭಾಗದ ಹೊಣೆತರುತ್ತಿಲ್ಲ.