7.1 KiB

Raw Permalink Blame History

فراخوانی آشکارساز اشیاء از دستگاه IoT - Wio Terminal

پس از انتشار آشکارساز اشیاء، می‌توانید آن را از دستگاه IoT خود استفاده کنید.

کپی کردن پروژه طبقه‌بندی تصویر

بخش عمده‌ای از آشکارساز موجودی شما مشابه طبقه‌بندی تصویری است که در درس قبلی ایجاد کردید.

وظیفه - کپی کردن پروژه طبقه‌بندی تصویر

دوربین ArduCam خود را به Wio Terminal متصل کنید، با دنبال کردن مراحل درس ۲ از پروژه تولید.

ممکن است بخواهید دوربین را در یک موقعیت ثابت قرار دهید، برای مثال، با آویزان کردن کابل روی یک جعبه یا قوطی، یا چسباندن دوربین به یک جعبه با نوار چسب دوطرفه.
یک پروژه جدید Wio Terminal با استفاده از PlatformIO ایجاد کنید. این پروژه را stock-counter نام‌گذاری کنید.
مراحل درس ۲ از پروژه تولید را برای گرفتن تصاویر از دوربین تکرار کنید.
مراحل درس ۲ از پروژه تولید را برای فراخوانی طبقه‌بندی تصویر تکرار کنید. بخش عمده‌ای از این کد برای آشکارسازی اشیاء مجدداً استفاده خواهد شد.

تغییر کد از طبقه‌بندی‌کننده به آشکارساز تصویر

کدی که برای طبقه‌بندی تصاویر استفاده کردید بسیار مشابه کدی است که برای آشکارسازی اشیاء استفاده می‌شود. تفاوت اصلی در URL است که از Custom Vision دریافت کردید و نتایج فراخوانی.

وظیفه - تغییر کد از طبقه‌بندی‌کننده به آشکارساز تصویر

دستور include زیر را به بالای فایل main.cpp اضافه کنید:
```
#include <vector>
```
تابع classifyImage را به detectStock تغییر نام دهید، هم نام تابع و هم فراخوانی آن در تابع buttonPressed.
بالای تابع detectStock، یک آستانه برای فیلتر کردن هرگونه آشکارسازی با احتمال پایین اعلام کنید:
```
const float threshold = 0.3f;
```
برخلاف طبقه‌بندی‌کننده تصویر که فقط یک نتیجه برای هر برچسب بازمی‌گرداند، آشکارساز اشیاء چندین نتیجه بازمی‌گرداند، بنابراین هر نتیجه با احتمال پایین باید فیلتر شود.

بالای تابع detectStock، یک تابع برای پردازش پیش‌بینی‌ها اعلام کنید:

void processPredictions(std::vector<JsonVariant> &predictions)
{
    for(JsonVariant prediction : predictions)
    {
        String tag = prediction["tagName"].as<String>();
        float probability = prediction["probability"].as<float>();

        char buff[32];
        sprintf(buff, "%s:\t%.2f%%", tag.c_str(), probability * 100.0);
        Serial.println(buff);
    }
}

این تابع لیستی از پیش‌بینی‌ها را دریافت کرده و آنها را در مانیتور سریال چاپ می‌کند.

در تابع detectStock، محتوای حلقه for که پیش‌بینی‌ها را مرور می‌کند با موارد زیر جایگزین کنید:
```
std::vector<JsonVariant> passed_predictions;

for(JsonVariant prediction : predictions) 
{
    float probability = prediction["probability"].as<float>();
    if (probability > threshold)
    {
        passed_predictions.push_back(prediction);
    }
}

processPredictions(passed_predictions);
```
این حلقه پیش‌بینی‌ها را مرور کرده و احتمال آنها را با آستانه مقایسه می‌کند. تمام پیش‌بینی‌هایی که احتمال بالاتر از آستانه دارند به یک list اضافه شده و به تابع processPredictions ارسال می‌شوند.
کد خود را آپلود و اجرا کنید. دوربین را به سمت اشیاء روی یک قفسه بگیرید و دکمه C را فشار دهید. خروجی را در مانیتور سریال مشاهده خواهید کرد:
```
Connecting to WiFi..
Connected!
Image captured
Image read to buffer with length 17416
tomato paste:   35.84%
tomato paste:   35.87%
tomato paste:   34.11%
tomato paste:   35.16%
```
💁 ممکن است نیاز باشد مقدار threshold را برای تصاویر خود تنظیم کنید.

شما قادر خواهید بود تصویری که گرفته شده و این مقادیر را در تب Predictions در Custom Vision مشاهده کنید.

💁 می‌توانید این کد را در پوشه code-detect/wio-terminal پیدا کنید.

😀 برنامه شمارنده موجودی شما موفقیت‌آمیز بود!

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.

7.1 KiB Raw Permalink Blame History