IoT-For-Beginners/translations/cs/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

Klasifikace obrázku pomocí klasifikátoru obrázků na bázi IoT Edge - Virtuální IoT hardware a Raspberry Pi

V této části lekce použijete klasifikátor obrázků běžící na zařízení IoT Edge.

Použití klasifikátoru IoT Edge

Zařízení IoT může být přesměrováno k použití klasifikátoru obrázků IoT Edge. URL pro klasifikátor obrázků je http://<IP adresa nebo název>/image, kde <IP adresa nebo název> nahradíte IP adresou nebo názvem hostitele počítače, na kterém běží IoT Edge.

Knihovna Pythonu pro Custom Vision funguje pouze s modely hostovanými v cloudu, nikoli s modely hostovanými na IoT Edge. To znamená, že budete muset použít REST API k volání klasifikátoru.

Úkol - použití klasifikátoru IoT Edge

1. Otevřete projekt fruit-quality-detector v aplikaci VS Code, pokud již není otevřen. Pokud používáte virtuální IoT zařízení, ujistěte se, že je aktivováno virtuální prostředí.

2. Otevřete soubor app.py a odstraňte příkazy importu z azure.cognitiveservices.vision.customvision.prediction a msrest.authentication.

3. Přidejte následující import na začátek souboru:

   import requests
   

4. Odstraňte veškerý kód po uložení obrázku do souboru, od image_file.write(image.read()) až do konce souboru.

5. Přidejte následující kód na konec souboru:

   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}%')
   

   Nahraďte <URL> URL adresou vašeho klasifikátoru.

   Tento kód provádí REST POST požadavek na klasifikátor, přičemž obrázek je odeslán jako tělo požadavku. Výsledky se vrátí ve formátu JSON, který je dekódován a zobrazí pravděpodobnosti.

6. Spusťte svůj kód, přičemž kameru namiřte na nějaké ovoce, vhodnou sadu obrázků nebo ovoce viditelné na vaší webkameře, pokud používáte virtuální IoT hardware. Výstup uvidíte v konzoli:

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

💁 Tento kód najdete ve složce code-classify/pi nebo code-classify/virtual-iot-device.

😀 Váš program pro klasifikaci kvality ovoce byl úspěšný!

---

Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.