msb-public
/
IoT-For-Beginners
mirror of https://github.com/microsoft/IoT-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
IoT-For-Beginners/translations/fi/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

3.4 KiB
Raw Permalink Blame History

Luokittele kuva IoT Edge -pohjaisella kuvantunnistimella - Virtuaalinen IoT-laitteisto ja Raspberry Pi

Tässä osassa oppituntia käytät IoT Edge -laitteella toimivaa kuvantunnistinta.

Käytä IoT Edge -luokittelijaa

IoT-laite voidaan ohjata käyttämään IoT Edge -kuvantunnistinta. Kuvantunnistimen URL-osoite on http://<IP-osoite tai nimi>/image, jossa <IP-osoite tai nimi> korvataan IoT Edge -laitetta ajavan tietokoneen IP-osoitteella tai isäntänimellä.

Python-kirjasto Custom Visionille toimii vain pilvessä isännöityjen mallien kanssa, ei IoT Edge -laitteella isännöityjen mallien kanssa. Tämä tarkoittaa, että sinun täytyy käyttää REST API:a kutsuaksesi luokittelijaa.

Tehtävä - käytä IoT Edge -luokittelijaa

  1. Avaa fruit-quality-detector-projekti VS Codessa, jos se ei ole jo auki. Jos käytät virtuaalista IoT-laitetta, varmista, että virtuaalinen ympäristö on aktivoitu.

  2. Avaa app.py-tiedosto ja poista import-lauseet azure.cognitiveservices.vision.customvision.prediction ja msrest.authentication.

  3. Lisää seuraava import-toteutus tiedoston alkuun:

    import requests

  4. Poista kaikki koodi sen jälkeen, kun kuva on tallennettu tiedostoon, alkaen kohdasta image_file.write(image.read()) tiedoston loppuun asti.

  5. Lisää seuraava koodi tiedoston loppuun:

    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}%')

    Korvaa <URL> luokittelijasi URL-osoitteella.

    Tämä koodi tekee REST POST -pyynnön luokittelijalle, lähettäen kuvan pyynnön runkona. Tulokset palautetaan JSON-muodossa, ja ne dekoodataan tulostamaan todennäköisyydet.

  6. Suorita koodisi, osoittaen kamerasi hedelmiin, sopivaan kuvasarjaan tai hedelmiin, jotka näkyvät verkkokamerassasi, jos käytät virtuaalista IoT-laitteistoa. Näet tulosteen konsolissa:

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

💁 Löydät tämän koodin code-classify/pi tai code-classify/virtual-iot-device -kansiosta.

😀 Hedelmälaadun luokittelijaohjelmasi onnistui!

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.