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

3.5 KiB
Raw Permalink Blame History

Mengklasifikasikan Gambar Menggunakan Pengklasifikasi Gambar Berbasis IoT Edge - Perangkat Keras Virtual IoT dan Raspberry Pi

Dalam bagian pelajaran ini, Anda akan menggunakan Pengklasifikasi Gambar yang berjalan di perangkat IoT Edge.

Menggunakan pengklasifikasi IoT Edge

Perangkat IoT dapat diarahkan untuk menggunakan pengklasifikasi gambar IoT Edge. URL untuk Pengklasifikasi Gambar adalah http://<IP address or name>/image, mengganti <IP address or name> dengan alamat IP atau nama host dari komputer yang menjalankan IoT Edge.

Pustaka Python untuk Custom Vision hanya berfungsi dengan model yang di-host di cloud, bukan model yang di-host di IoT Edge. Ini berarti Anda perlu menggunakan REST API untuk memanggil pengklasifikasi.

Tugas - menggunakan pengklasifikasi IoT Edge

  1. Buka proyek fruit-quality-detector di VS Code jika belum terbuka. Jika Anda menggunakan perangkat IoT virtual, pastikan lingkungan virtual telah diaktifkan.

  2. Buka file app.py, dan hapus pernyataan impor dari azure.cognitiveservices.vision.customvision.prediction dan msrest.authentication.

  3. Tambahkan impor berikut di bagian atas file:

    import requests

  4. Hapus semua kode setelah gambar disimpan ke file, dari image_file.write(image.read()) hingga akhir file.

  5. Tambahkan kode berikut di akhir file:

    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}%')

    Ganti <URL> dengan URL untuk pengklasifikasi Anda.

    Kode ini membuat permintaan REST POST ke pengklasifikasi, mengirimkan gambar sebagai isi permintaan. Hasilnya akan kembali dalam format JSON, dan ini akan didekodekan untuk mencetak probabilitasnya.

  6. Jalankan kode Anda, dengan kamera Anda mengarah ke beberapa buah, atau set gambar yang sesuai, atau buah yang terlihat di webcam Anda jika menggunakan perangkat keras IoT virtual. Anda akan melihat output di konsol:

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

💁 Anda dapat menemukan kode ini di folder code-classify/pi atau code-classify/virtual-iot-device.

😀 Program pengklasifikasi kualitas buah Anda berhasil!

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berusaha untuk memberikan hasil yang akurat, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.