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/hu/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

3.6 KiB
Raw Permalink Blame History

Kép osztályozása IoT Edge alapú képosztályozóval - Virtuális IoT Hardver és Raspberry Pi

A lecke ezen részében az IoT Edge eszközön futó képosztályozót fogod használni.

Az IoT Edge osztályozó használata

Az IoT eszközt át lehet irányítani, hogy az IoT Edge képosztályozót használja. A Képosztályozó URL-je http://<IP cím vagy név>/image, ahol <IP cím vagy név> helyére az IoT Edge-et futtató számítógép IP címét vagy hosztnevét kell beírni.

A Custom Vision Python könyvtár csak felhőben hosztolt modellekkel működik, IoT Edge-en hosztolt modellekkel nem. Ez azt jelenti, hogy a REST API-t kell használnod az osztályozó meghívásához.

Feladat - az IoT Edge osztályozó használata

  1. Nyisd meg a fruit-quality-detector projektet a VS Code-ban, ha még nincs megnyitva. Ha virtuális IoT eszközt használsz, győződj meg róla, hogy a virtuális környezet aktiválva van.

  2. Nyisd meg az app.py fájlt, és távolítsd el az azure.cognitiveservices.vision.customvision.prediction és msrest.authentication importálásokat.

  3. Add hozzá a következő importálást a fájl tetejére:

    import requests

  4. Töröld ki az összes kódot, ami azután van, hogy a kép fájlba mentésre kerül, az image_file.write(image.read()) sortól a fájl végéig.

  5. Add hozzá a következő kódot a fájl végére:

    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}%')

    Cseréld ki a <URL> helyére az osztályozód URL-jét.

    Ez a kód egy REST POST kérést küld az osztályozónak, a képet a kérés törzseként küldve. Az eredmények JSON formátumban érkeznek vissza, amelyet dekódolva kiírja a valószínűségeket.

  6. Futtasd a kódodat, miközben a kamerád valamilyen gyümölcsre, egy megfelelő képkészletre, vagy virtuális IoT hardver esetén a webkamerád által látható gyümölcsre irányul. Az eredményeket a konzolban fogod látni:

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

💁 Ezt a kódot megtalálod a code-classify/pi vagy a code-classify/virtual-iot-device mappában.

😀 A gyümölcsminőség-osztályozó programod sikeres volt!

Felelősség kizárása:
Ez a dokumentum az AI fordítási szolgáltatás Co-op Translator segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.