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

使用 IoT Edge 基於影像分類器對圖片進行分類 - 虛擬 IoT 硬件及 Raspberry Pi

在這部分課程中，你將使用運行於 IoT Edge 設備上的影像分類器。

使用 IoT Edge 分類器

IoT 設備可以被重新定向以使用 IoT Edge 影像分類器。影像分類器的 URL 是 http://<IP address or name>/image，將 <IP address or name> 替換為運行 IoT Edge 的電腦的 IP 地址或主機名稱。

Custom Vision 的 Python 庫僅適用於雲端託管的模型，而不適用於 IoT Edge 託管的模型。這意味著你需要使用 REST API 來調用分類器。

任務 - 使用 IoT Edge 分類器

1. 如果尚未打開，請在 VS Code 中打開 fruit-quality-detector 專案。如果你正在使用虛擬 IoT 設備，請確保虛擬環境已啟動。

2. 打開 app.py 文件，刪除來自 azure.cognitiveservices.vision.customvision.prediction 和 msrest.authentication 的 import 語句。

3. 在文件頂部添加以下 import 語句：

   import requests
   

4. 刪除從 image_file.write(image.read()) 到文件末尾的所有代碼。

5. 在文件末尾添加以下代碼：

   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}%')
   

   將 <URL> 替換為你的分類器的 URL。

   這段代碼會向分類器發送一個 REST POST 請求，將圖片作為請求的主體發送。結果以 JSON 格式返回，並被解碼以打印出概率。

6. 運行你的代碼，將相機對準一些水果，或者使用適當的圖片集，或者如果使用虛擬 IoT 硬件，則讓水果在你的網絡攝像頭中可見。你會在控制台中看到輸出：

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

💁 你可以在 code-classify/pi 或 code-classify/virtual-iot-device 文件夾中找到這段代碼。

😀 你的水果品質分類器程序運行成功了！

---

免責聲明：
本文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。