IoT-For-Beginners/translations/km/4-manufacturing/lessons/3-run-fruit-detector-edge

ដំណើរការឧបករណ៍ស្កេនផ្លែឈើរបស់អ្នកនៅលើចុង

រូបសេចក្ដីសង្ខេបដោយ Nitya Narasimhan។ ចុចលើរូបភាពសម្រាប់ទំហំធំជាងនេះ។

វីដេអូនេះផ្តល់ការពិពណ៌នាចំនុចទូទៅអំពីការប្រតិបត្តិរូបមន្តចាត់ថ្នាក់រូបភាពនៅលើឧបករណ៍ IoT ដែលជាប្រធានបទដែលត្រូវបានគ្របដណ្តប់ក្នុងមេរៀននេះ។

វិញ្ញាសាមុនមេរៀន

វិញ្ញាសាមុនមេរៀន

ការណែនាំ

នៅក្នុងមេរៀនចុងក្រោយ អ្នកបានប្រើប្រាស់កម្មវិធីចាត់ថ្នាក់រូបភាពរបស់អ្នកដើម្បីចាត់ថ្នាក់ផលឈើពេញរាងនិងមិនពេញរាង ដោយផ្ញើរូបភាពដែលបានថតពីកាមេរ៉ានៅលើឧបករណ៍ IoT របស់អ្នកតាមអ៊ីនធឺណិតទៅសេវាកម្មមេឃ។ ការហៅទំនាក់ទំនងទាំងនេះចំណាយពេលថ្លៃប្រាក់ ហើយអាស្រ័យលើប្រភេទទិន្នន័យរូបភាពដែលអ្នកកំពុងប្រើ អាចមានបញ្ហាផ្នែកឯកជនភាពផងដែរ។

ក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីរបៀបដំណើរការម៉ូដែលសិក្សាម៉ាស៊ីន (ML) លើចុង - លើឧបករណ៍ IoT ដែលដំណើរការនៅលើបណ្តាញផ្ទៃក្នុងរបស់អ្នកជំនួសការប្រើប្រាស់ក្នុងមេឃ។ អ្នកនឹងរៀនអំពីអត្ថប្រយោជន៍និងគុណខុសត្រូវនៃការគណនា Edge ប្រៀបធៀបតាមការគណនាមេឃ របៀបប្រើប្រាស់ម៉ូដែល AI របស់អ្នកទៅចុង និងរបៀបចូលប្រើពីឧបករណ៍ IoT របស់អ្នក។

ក្នុងមេរៀននេះ យើងនឹងគ្របដណ្តប់៖

• ការគណនាប្រព័ន្ធ Edge
• Azure IoT Edge
• ចុះបញ្ជីឧបករណ៍ IoT Edge
• ដំឡើងឧបករណ៍ IoT Edge
• នាំចេញម៉ូដែលរបស់អ្នក
• រៀបចំប្រុងសម្រាប់ការផ្ទេរ
• ផ្ទេរប្រុងរបស់អ្នក
• ប្រើប្រាស់ឧបករណ៍ IoT Edge របស់អ្នក

ការគណនាប្រព័ន្ធ Edge

ការគណនាប្រព័ន្ធ Edge មានន័យថាមានកុំព្យូទ័រ ដែលកំពុងដំណើរការទិន្នន័យ IoT នៅជិតទីកន្លែងដែលទិន្នន័យត្រូវបានបង្កើត។ ជំនួសពីការដំណើរការនេះនៅក្នុងមេឃ វាត្រូវបានផ្លាស់ទីទៅចុងនៃមេឃ - បណ្តាញផ្ទៃក្នុងរបស់អ្នក។

ក្នុងមេរៀនមុន អ្នកមានឧបករណ៍ប្រមូលទិន្នន័យ និងផ្ញើទិន្នន័យទៅមេឃសម្រាប់វិភាគ ដំណើរការឧច្ចរណ៍មិនមានម៉ាស៊ីនមេ ឬម៉ូដែល AI ក្នុងមេឃ។

ការគណនាប្រព័ន្ធ Edge មានន័យថាបម្លែងសេវាកម្មមេឃខ្លះចេញពីមេឃទៅកុំព្យូទ័រដំណើរការនៅលើបណ្តាញដដែលជាមួយឧបករណ៍ IoT ហើយសម្របសម្រួលជាមួយមេឃតាមការត្រូវការ។ ឧទាហរណ៍ អ្នកអាចដំណើរការម៉ូដែល AI លើឧបករណ៍ Edge ដើម្បីវិភាគផ្លែឈើសម្រាប់សភាពពេញរាង ហើយផ្ញើតែវិភាគត្រឡប់ទៅមេឃ ដូចជាចំនួនផ្លែឈើពេញរាង ប្រៀបធៀបនឹងមិនពេញរាង។

✅ សូមគិតអំពីកម្មវិធី IoT ដែលអ្នកបានបង្កើតរហូតមកហើយ។ តើផ្នែកណានៃកម្មវិធីទាំងនោះអាចផ្លាស់ទៅកាន់ការគណនាចុង?

អត្ថប្រយោជន៍

អត្ថប្រយោជន៍នៃការគណនាប្រព័ន្ធ Edge គឺ៖

1. ល្បឿន - ការគណនាប្រព័ន្ធ Edge មានតំរូវសម្រាប់ទិន្នន័យដែលត្រូវការពេលវេលាច្បាស់លាស់ ព្រោះសកម្មភាពត្រូវបានធ្វើនៅលើបណ្តាញដដែលជាមួយឧបករណ៍ ជំនួសការហៅទៅឆ្ងាយតាមអ៊ីនធឺណិត។ នេះអនុញ្ញាតឱ្យមានល្បឿនខ្ពស់ជាងសម្រាប់បណ្តាញក្នុងស្រុកដែលអាចដំណើរការល្បឿនបន្តិចល្អជាងការតភ្ជាប់អ៊ីនធឺណិត ដោយទិន្នន័យធ្វើដំណើរដោយចម្ងាយខ្លីជាង។

   💁 ទោះបីខ្សែអុបធីកលបានប្រើសម្រាប់ការតភ្ជាប់អ៊ីនធឺណិតដែលអនុញ្ញាតឱ្យដំណើរការទិន្នន័យបានល្បឿនភ្លឺក៏ដោយ ទិន្នន័យអាចចំណាយពេលធ្វើដំណើរតាមពិភពលោកទៅកាន់អ្នកផ្តល់សេវាមេឃ។ ឧទាហរណ៍ បើអ្នកផ្ញើទិន្នន័យពីអឺរ៉ុបទៅសេវាកម្មមេឃនៅសហរដ្ឋអាមេរិច នឹងចំណាយយ៉ាងហោចណាស់ ២៨ មិល្លីវិនាទី សម្រាប់ទិន្នន័យឆ្លងកាត់អាត្លង់ទីចតាមខ្សែអុបធីក បើមិនរាប់បញ្ចូលពេលដែលទិន្នន័យចេញពីខ្សែភ្លើងទៅសញ្ញា​ភ្លឺ និងបញ្ចប់មកវិញទៅកាន់អ្នកផ្តល់សេវាមេឃនោះទេ។

   ការគណនាប្រព័ន្ធ Edge តាមទ្រព្យសម្បត្តិបន្ថែមរបស់វា អាចកាត់បន្ថយចរាចរណ៍បណ្ដាញ ចុះសម្រាប់ការបន្ថយហានិភ័យនៃការធ្វើឱ្យទិន្នន័យរបស់អ្នកយឺតចូលដោយសារការរុំជាប់នៅលើបណ្តាញមានចំនួនកំណត់។

2. ការចូលដល់ពីចម្ងាយ - ការគណនាប្រព័ន្ធ Edge ធ្វើការបាននៅពេលដែលអ្នកមានការតភ្ជាប់ទាប ឬគ្មានការតភ្ជាប់ ឬការតភ្ជាប់មានតំលៃខ្ពស់ដែលមិនអាចប្រើបានជាប់ជាងរបស់ជាប់គ្នា។ ឧទាហរណ៍ កាលពីនៅតំបន់គ្រោះមហន្តរាយមនុស្សជាតិ ដែលហ្វ្រាស្ត្រូកាបន្តិច ឬនៅក្នុងប្រទេសកំពុងអភិវឌ្ឍ។

3. ថ្លៃទាប - ការប្រមូលទិន្នន័យ ការផ្ទុក ទិន្នន័យវិភាគ និងការបញ្ជាលើឧបករណ៍ Edge កាត់បន្ថយការប្រើប្រាស់សេវាកម្មមេឃដែលអាចកាត់បន្ថយថ្លៃសរុបនៃកម្មវិធី IoT របស់អ្នក។ ក៏មានជំរុញថ្មីៗចំពោះឧបករណ៍ដែលគេបង្កើតសម្រាប់ការគណនាប្រព័ន្ធ Edge ដូចជាបូរដ៏ជំនួយ AI ដូចជា Jetson Nano ពី NVIDIA ដែលអាចដំណើរការការងារធ្ងន់ AI ដោយប្រើជំនួយ GPU លើឧបករណ៍ដែលថ្លៃតិចជាង ១០០ ដុល្លារអាមេរិក។

4. ឯកជនភាព និងសុវត្ថិភាព - ជាមួយការគណនាប្រព័ន្ធ Edge ទិន្នន័យនៅក្នុងបណ្តាញរបស់អ្នកហើយមិនត្រូវបានផ្ទុកឡើងមេឃ។ នេះជាជម្រើសដែលបានចូលចិត្តសម្រាប់ទិន្នន័យមានអារម្មណ៍ ដែលអាចសម្គាល់ផ្ទាល់ខ្លួនជាពិសេស ព្រោះទិន្នន័យមិនចាំបាច់ត្រូវផ្ទុកបន្ទាប់ពីបានវិភាគរួច ដែលកាត់បន្ថយហានិភ័យក្នុងការរអិលទិន្នន័យយ៉ាងច្រើន។ ឧទាហរណ៍ រួមមានទិន្នន័យផ្នែកវេជ្ជសាស្រ្ត និងវីដេអូពីកាមេរ៉ាសុវត្ថិភាព។

5. ការ​ដោះ​ស្រាយ​ឧបករណ៍​មិន​មាន​សន្តិសុខ - ប្រសិនបើអ្នកមានឧបករណ៍ដែលមានកំហុសសន្តិសុខដែលគ្មានការចង់ផ្ទាល់ទៅបណ្ដាញឬអ៊ីនធឺណិត អ្នកអាចភ្ជាប់វាទៅបណ្តាញផ្សេងមួយទៅកាន់ឧបករណ៍ IoT Edge មួយជាច្រកចេញចូល។ ឧបករណ៍ Edge នោះអាចភ្ជាប់ទៅបណ្ដាញធំទូលាយរបស់អ្នក ឬអ៊ីនធឺណិត ហើយគ្រប់គ្រងចរន្តទិន្នន័យចេញចូល។

6. គាំទ្រឧបករណ៍មិនប្រក្រតី - ប្រសិនបើអ្នកមានឧបករណ៍មិនអាចភ្ជាប់ទៅ IoT Hub វិញ ដូចជា ឧបករណ៍ដែលអាចភ្ជាប់បានតែ HTTP ឬដែលមានតែ Bluetooth សម្រាប់ភ្ជាប់ អ្នកអាចប្រើឧបករណ៍ IoT Edge ជាជអ្នកច្រកចេញចូល បញ្ជូនសារ ទៅ IoT Hub។

✅ សូមស្រាវជ្រាវ៖ តើមានអត្ថប្រយោជន៍ផ្សេងទៀតអ្វីខ្លះសម្រាប់ការគណនាប្រព័ន្ធ Edge?

គុណវិបត្តិ

មានគុណវិបត្តិសម្រាប់ការគណនាប្រព័ន្ធ Edge ដែលមេឃអាចជាជម្រើសល្អមួយ៖

1. ទំហំ និងភាពបត់បែន - ការគណនាមេឃអាចកែប្រែតាមបណ្តាញ និងតម្រូវការទិន្នន័យក្នុងពេលពិតដោយបន្ថែម ឬកាត់បន្ថយម៉ាស៊ីនមេ និងធនធានផ្សេងៗ។ ការបន្ថែមកុំព្យូទ័រ Edge ត្រូវការបន្ថែមឧបករណ៍ដោយដៃ។

2. ភាពជឿជាក់ និងភាពធន់នឹងបញ្ហា - ការគណនាមេឃផ្តល់ម៉ាស៊ីនមេជាច្រើន នៅកន្លែងជាច្រើន សម្រាប់ការបញ្ចេញខុសត្រូវ និងការប្រយុទ្ធនឹងគ្រោះមហន្តរាយ។ មានកំលាំង និងការតំឡើងច្រើនមែនទែននៅលើ Edge ដើម្បីមានលំដាប់ខ្ពស់ដូចគ្នា។

3. ការថែទាំ - អ្នកផ្តល់សេវាកម្មមេឃចូលរួមថែទាំប្រព័ន្ធ និងធ្វើការធ្វើបច្ចុប្បន្នភាព។

✅ សូមស្រាវជ្រាវ៖ តើមានគុណវិបត្តិផ្សេងទៀតអ្វីខ្លះសម្រាប់ការគណនាប្រព័ន្ធ Edge?

គុណវិបត្តិគឺជាវិលឆ្ពោះទៅសាកលវិបត្តិរបស់ការប្រើប្រាស់មេឃ - អ្នកត្រូវតែបង្កើត និងគ្រប់គ្រងឧបករណ៍ទាំងនេះដោយខ្លួនឯង ជំនួសការទុកចិត្តលើជំនាញ និងផ្នែកទំហំនៃអ្នកផ្តល់សេវាមេឃ។

ហានិភ័យខ្លះៗត្រូវបានកាត់បន្ថយដោយធម្មជាតិរបស់ការគណនាប្រព័ន្ធ Edge។ ឧទាហរណ៍ ប្រសិនបើអ្នកមានឧបករណ៍ Edge រត់នៅក្នុងរោងចក្រ ប្រមូលទិន្នន័យពីម៉ាស៊ីន ដូច្នេះ អ្នកមិនចាំបាច់គិតពីសង្គ្រាមគ្រោះមហន្តរាយណាមួយទេ។ ប្រសិនបើថាមពលនៅរោងចក្របាត់ បន្ទាប់មកអ្នកមិនចាំបាច់មានឧបករណ៍ Edge ជំនួសទេ ពីព្រោះម៉ាស៊ីនដែលបង្កើតទិន្នន័យដែលទិន្នន័យ Edge ដំណើរការនោះក៏អត់ថាមពលដែរ។

សម្រាប់ប្រព័ន្ធ IoT អ្នកគឺចង់មានការលាយឡំរវាងការគណនាមេឃ និង Edge ដោយប្រើប្រាស់សេវាកម្មនិមួយៗទៅតាមតម្រូវការរបស់ប្រព័ន្ធ អតិថិជន និងអ្នកថែរក្សារបស់វា។

Azure IoT Edge

Azure IoT Edge គឺជាសេវាកម្មមួយដែលអាចជួយអ្នកផ្លាស់ប្ដូរតំណ સમયમાંពីមេឃទៅការគណនាចុង។ អ្នកដំឡើងឧបករណ៍មួយជាឧបករណ៍ Edge ហើយពីមេឃ អ្នកអាចផ្ទេរកូដទៅឧបករណ៍ Edge នោះបាន។ នេះអនុញ្ញាតឱ្យអ្នកបញ្ចូលសមត្ថភាពរបស់មេឃ និង Edge រួមគ្នា។

🎓 Workloads គឺជាពាក្យសម្រាប់សេវាកម្មណាមួយដែលធ្វើការងារជាក់លាក់ ដូចជា ម៉ូដែល AI កម្មវិធី ឬមុខងារដំណើរការមិនមានម៉ាស៊ីនមេ។

ឧទាហរណ៍ អ្នកអាចបណ្តុះបណ្តាលកម្មវិធីចាត់ថ្នាក់រូបភាពក្នុងមេឃ ហើយពីមេឃ ផ្ទេរវាទៅឧបករណ៍ Edge។ ឧបករណ៍ IoT របស់អ្នកបន្ទាប់មកផ្ញើរូបភាពទៅឧបករណ៍ Edge សម្រាប់ចាត់ថ្នាក់ ជំនួសការផ្ញើរូបភាពចេញអ៊ីនធឺណិត។ ប្រសិនបើអ្នកត្រូវការផ្ទេរម៉ូដែលកំណែថ្មី អ្នកអាច​បណ្តុះបណ្តាលវានៅក្នុងមេឃ ហើយប្រើ IoT Edge ដើម្បីបំលែងម៉ូដែលនៅលើឧបករណ៍ Edge ទៅកំណែថ្មី។

🎓 កម្មវិធីដែលបានផ្ទេរទៅ IoT Edge ត្រូវគេចាត់ទុកថាជា modules។ នៅលំនាំដើម IoT Edge រត់ modules ដែលទំនាក់ទំនងជាមួយ IoT Hub ដូចជា module edgeAgent និង edgeHub។ នៅពេលដែលអ្នកផ្ទេរជាមួយកម្មវិធីចាត់ថ្នាក់រូបភាព វាត្រូវបានផ្ទេរជា module បន្ថែមមួយ។

IoT Edge ត្រូវបានបញ្ចូលនៅក្នុង IoT Hub ដូច្នេះ អ្នកអាចគ្រប់គ្រងឧបករណ៍ Edge ដោយប្រើសេវាកម្មដដែលដែលអ្នកប្រើប្រព័ន្ធគ្រប់គ្រងឧបករណ៍ IoT មាន ក្រោមសុវត្ថិភាពដូចគ្នា។

IoT Edge រត់កូដពី containers - កម្មវិធីដែលដំណើរការផ្ទាល់ខ្លួននៅឡើយក្រៅពីកម្មវិធីផ្សេងទៀតនៅលើកុំព្យូទ័ររបស់អ្នក។ នៅពេលអ្នកដំណើរការប្រុង វាដំណើរការផ្សេងពីកុំព្យូទ័ររបស់អ្នក ដោយមានកម្មវិធី សេវាកម្ម និងកម្មវិធីផ្សេងៗរបស់ខ្លួន។ ភាគច្រើន container មិនអាចចូលដំណើរការពីកុំព្យូទ័ររបស់អ្នកទេ លក់តែអ្នកជ្រើសរើសចែករំលែក ដូចជាហ្វូលឌ័រមួយជាមួយ container។ ប្រុងបង្ហាញសេវាកម្មតាមរយៈច្រកបើកមួយ ដែលអ្នកអាចភ្ជាប់ ឬបង្ហាញទៅបណ្ដាញរបស់អ្នក។

ឧទាហរណ៍ អ្នកអាចមានប្រអប់មួយដែលមានគេហទំព័ររត់លើច្រក ៨០ លំនាំដើម HTTP ហើយ អ្នកអាចបង្ហាញវាចេញពីកុំព្យូទ័រពីលើច្រក ៨០ ផងដែរ។

✅ ស្រាវជ្រាវ៖ សូមអានអំពីប្រអប់ និងសេវាកម្មដូចជា Docker ឬ Moby។

អ្នកអាចប្រើ Custom Vision ដើម្បីទាញយកកម្មវិធីចាត់ថ្នាក់រូបភាព ហើយផ្ទេរជាប្រុង ដូចជាការដំណើរការតាមផ្ទាល់ទៅឧបករណ៍ ឬផ្ទេរតាម IoT Edge។ ពេលដំណើរការនៅក្នុងប្រអប់ អ្នកអាចចូលប្រើជាមួយ REST API ដដែលនឹងកំណែ Cloud ប៉ុន្តែបញ្ជូនទៅចុងឧបករណ៍ Edge រត់ប្រអប់។

ចុះបញ្ជីឧបករណ៍ IoT Edge

ដើម្បីប្រើឧបករណ៍ IoT Edge វាត្រូវបានចុះបញ្ជីនៅក្នុង IoT Hub។

ភារកិច្ច - ចុះបញ្ជីឧបករណ៍ IoT Edge

1. បង្កើត IoT Hub នៅក្នុងក្រុមធនធាន fruit-quality-detector។ ផ្ដល់ឈ្មោះដែលមានតែមួយប្ដូរតាម fruit-quality-detector។

2. ចុះបញ្ជីឧបករណ៍ IoT Edge មានឈ្មោះ fruit-quality-detector-edge នៅក្នុង IoT Hub របស់អ្នក។ ពាក្យបញ្ជាដើម្បីធ្វើនេះស្រដៀងគ្នានឹងការចុះបញ្ជីឧបករណ៍ដែលមិនមែន edge គ្រាន់តែបញ្ចូលប៊្លាក --edge-enabled។

   az iot hub device-identity create --edge-enabled \
                                     --device-id fruit-quality-detector-edge \
                                     --hub-name <hub_name>
   

   ជំនួស <hub_name> ជាមួយឈ្មោះ IoT Hub របស់អ្នក។

3. ទទួលយកខ្សែតភ្ជាប់សម្រាប់ឧបករណ៍របស់អ្នក ដោយប្រើពាក្យបញ្ជាខាងក្រោម៖

   az iot hub device-identity connection-string show --device-id fruit-quality-detector-edge \
                                                     --output table \
                                                     --hub-name <hub_name>
   

   ជំនួស <hub_name> ជាមួយឈ្មោះ IoT Hub របស់អ្នក។

   យកចម្លងខ្សែតភ្ជាប់ដែលបង្ហាញក្នុងលទ្ធផល។

ដំឡើងឧបករណ៍ IoT Edge

បន្ទាប់ពីអ្នកបានបង្កើតការចុះបញ្ជីឧបករណ៍ Edge នៅក្នុង IoT Hub របស់អ្នក អ្នកអាចដំឡើងឧបករណ៍ Edge។

ភារកិច្ច - ដំឡើង និងចាប់ផ្តើម IoT Edge Runtime

IoT Edge runtime រត់តែក្នុងប្រអប់ Linux ប៉ុណ្ណោះ។ វាអាចដំណើរការនៅលើ Linux ឬលើ Windows ដោយប្រើ Linux Virtual Machines។

• ប្រសិនបើអ្នកប្រើ Raspberry Pi ជាឧបករណ៍ IoT របស់អ្នក វាជាការរត់ Linux ដែលគាំទ្រហើយអាចផ្ទុក IoT Edge runtime។ តាមដាន មេរៀនដំឡើង Azure IoT Edge សម្រាប់ Linux នៅលើ Microsoft docs ដើម្បីដំឡើង IoT Edge និងកំណត់ខ្សែតភ្ជាប់។

  💁 ចងចាំថា Raspberry Pi OS គឺជាប្រភេទ Debian Linux។

• ប្រសិនបើអ្នកមិនប្រើ Raspberry Pi ប៉ុន្តែមានកុំព្យូទ័រលើ Linux អ្នកអាចដំណើរការ IoT Edge runtime។ តាមដាន មេរៀនដំឡើង Azure IoT Edge សម្រាប់ Linux នៅលើ Microsoft docs ដើម្បីដំឡើង IoT Edge និងកំណត់ខ្សែតភ្ជាប់។

• ប្រសិនបើអ្នកប្រើ Windows អ្នកអាចដំឡើង IoT Edge runtime នៅក្នុង Linux Virtual Machine ដោយអនុវត្តតាម ផ្នែកដំឡើង និងចាប់ផ្តើម IoT Edge runtime នៃការផ្ទេរម៉ូឌុល IoT Edge មួយទៅឧបករណ៍ Windows នៅលើ Microsoft docs។ អ្នកអាចបញ្ឈប់នៅពេលដែលចូលទៅផ្នែក Deploy a module។

• ប្រសិនបើអ្នកប្រើ macOS អ្នកអាចបង្កើតម៉ាស៊ីនមេរចនាស័ក្ដាមួយ (VM) នៅក្នុងមេឃសម្រាប់ប្រើជាឧបករណ៍ IoT Edge របស់អ្នក។ ទាំងនេះគឺជាកុំព្យូទ័រ ដែលអ្នកបង្កើតក្នុងមេឃ ហើយចូលដំណើរការតាមអ៊ីនធឺណិត។ អ្នកអាចបង្កើត Linux VM ដែលបានដំឡើង IoT Edge រួច។ តាមដាន មេរៀនបង្កើតម៉ាស៊ីនមេរចនាស័ក្ដាដំណើរការ IoT Edge សម្រាប់បញ្ជាក់ពីរបៀបធ្វើ។

នាំចេញម៉ូដែលរបស់អ្នក

ដើម្បីដំណើរការចាត់ថ្នាក់នៅលើចុង វាត្រូវបាននាំចេញពី Custom Vision។ Custom Vision អាចបង្កើតម៉ូដែលពីរប្រភេទ - ម៉ូដែលស្ដង់ដារ និងម៉ូដែលតូច។ ម៉ូដែលតូចប្រើបច្ចេកទេសជាច្រើន ដើម្បីកាត់បន្ថយទំហំម៉ូដែល ឲ្យតូចគ្រប់គ្រាន់សម្រាប់ទាញយក និងផ្ទេរនៅលើឧបករណ៍ IoT។ ជា​ពេល​លោកអ្នក​បង្កើត​​កម្មវិធីចាត់ថ្នាក់​រូបភាព អ្នក​បាន​ប្រើ​ដែន អាហារ ដែល​ជា​កំណែ​ម៉ូដែល​ដែល​ត្រូវបាន​បង្កើត​ឡើង​ជា​ពិសេស​សម្រាប់​ហ្វឹកហាត់​លើ​រូបភាព​អាហារ។ នៅ​ក្នុង Custom Vision អ្នក​អាច​ផ្លាស់ប្តូរ​ដែន​របស់​គម្រោង​របស់​អ្នក ដោយ​ប្រើ​ទិន្នន័យហ្វឹកហាត់​របស់​អ្នក​ដើម្បីហ្វឹកហាត់​ម៉ូដែល​ថ្មី​មួយ​ជាមួយ​ដែន​ថ្មី។ ដែន​ទាំងអស់​ដែល Custom Vision គាំទ្រ​មាន​ទាំង​កំណែ​ស្តង់ដារ និង​កំណែ​កាត់បន្ថយ។

ភារកិច្ច - ហ្វឹកហាត់​ម៉ូដែល​របស់​អ្នកដោយ​ប្រើ​ដែន Food (compact)

1. បើក​ប្រព័ន្ធ​ច្រក Custom Vision នៅ CustomVision.ai ហើយ​ចូលប្រើ​ប្រាស់ ប្រសិន​បើ​អ្នក​មិនទាន់​បាន​បើក។ បន្ទាប់មក​បើក​គម្រោង fruit-quality-detector របស់​អ្នក។

2. ជ្រើសរើស​ប៊ូតុង Settings (រូបតំណាង ⚙)

3. នៅ​ក្នុង​បញ្ជី Domains ជ្រើសរើស Food (compact)

4. ក្រោម Export Capabilities​ សូម​ធៀបមើលថា Basic platforms (Tensorflow, CoreML, ONNX, ...) ត្រូវបាន​ជ្រើសរើស។

5. នៅ​ខាង​ក្រោម​ទំព័រ Settings រើស Save Changes។

6. ហ្វឹកហាត់​ឡើងវិញ​ម៉ូដែល​ជាមួយ​ប៊ូតុង Train ហើយ​ជ្រើសយក Quick training។

ភារកិច្ច - នាំចេញ​ម៉ូដែលរបស់​អ្នក

បន្ទាប់ពី​ម៉ូដែល​ត្រូវបានហ្វឹកហាត់រួច វាត្រូវនាំចេញជាគ្រឿងកុងខ៊ិន័រ។

1. ជ្រើសរើស​ទំព័រ Performance ហើយស្វែងរក​កំណែ​ក្រោយបំផុត​ដែល​បានហ្វឹកហាត់​ជាមួយ​ដែន​កាត់បន្ថយ។

2. ជ្រើសរើស​ប៊ូតុង Export នៅ​ខាងលើ។

3. ជ្រើស DockerFile បន្ទាប់មក​ជ្រើស​កំណែ​ដែល​ផ្គូផ្គង​នឹងឧបករណ៍ប្រើប្រាស់របស់អ្នក៖

   • ប្រសិនបើ​អ្នក​រត់ IoT Edge លើ​កុំព្យូទ័រ Linux, Windows ឬ Virtual Machine ជ្រើស​កំណែ Linux។
   • ប្រសិនបើ​អ្នក​រត់ IoT Edge លើ Raspberry Pi ជ្រើស​កំណែ ARM (Raspberry Pi 3)។

   🎓 Docker គឺជាឧបករណ៍ពេញនិយម​មួយសម្រាប់គ្រប់គ្រង​ containers ហើយ DockerFile គឺជាសំណុំ​ព្រឹត្តិប័ត្រ​សម្រាប់រៀបចំ container។

4. ជ្រើស Export ដើម្បីឲ្យ Custom Vision បង្កើត​ឯកសារ​ដែល​ទាក់ទង​ បន្ទាប់មក​ជ្រើស Download ដើម្បីនាំយកឯកសារទៅរកក្នុងទម្រង់ zip។

5. រក្សាទុកឯកសារទៅកាន់កុំព្យូទ័ររបស់អ្នក បន្ទាប់មក​ដោះសោរ​ថត​ឯកសារ។

រៀបចំ​កុងខ៊ិន័ររបស់​អ្នក​សម្រាប់​ការ​ដាក់ចេញ

បន្ទាប់​ពេលលោកអ្នក​បានទាញ​យក​ម៉ូដែលរបស់អ្នក វាត្រូវបាន​សាងសង់​ទៅជាកុងខ៊ិន័រ បន្ទាប់មក​បង្ហោះ​ទៅ​លើ​កន្លែងរក្សា container registry គឺជាទីតាំងអនឡាញដែល​អ្នកអាច​រក្សាទុក containers បាន។ IoT Edge អាចទាញយក container ពីក្នុង registry ហើយ​បង្ហោះទៅឧបករណ៍របស់អ្នក។

container registry ដែលអ្នកនឹងប្រើ​សម្រាប់មេរៀននេះគឺ Azure Container Registry។ សេវាកម្មនេះ​មិនមែន​ឥតគិតថ្លៃទេ ដូច្នេះដើម្បីសន្សំប្រាក់ សូមប្រាកដថាអ្នកបាន សម្អាតគម្រោងរបស់អ្នក បន្ទាប់ពីបញ្ចប់។

💁 អ្នកអាចមើលថ្លៃលក់ Azure Container Registry នៅ ទំព័រថ្លៃ Azure Container Registry

ភារកិច្ច - ដំឡើង Docker

ដើម្បីសាងសង់ និងដាក់ចេញ​កម្មវិធីចាត់ថ្នាក់ អ្នក​ប្រហែលជាត្រូវតែ​ដំឡើង Docker។

អ្នកត្រូវតែធ្វើវា​តែប៉ុណ្ណោះ ប្រសិនបើអ្នកមានគម្រោងសាងសង់ container ពីឧបករណ៍ផ្សេងពីឧបករណ៍ដែលបានដំឡើង IoT Edge — ខណៈការដំឡើង IoT Edge នឹងដំឡើង Docker ដោយស្វ័យប្រវត្តិ។

1. ប្រសិនបើអ្នកកំពុងសាងសង់ container docker នៅលើឧបករណ៍ផ្សេងពីឧបករណ៍ IoT Edge របស់អ្នក សូមអនុវត្ត​តាម​ការណែនាំ​ដំឡើង Docker នៅ ទំព័រដំឡើង Docker ដើម្បីដំឡើង Docker Desktop ឬ Docker engine។ ប្រាកដថាវាបើកដំណើរការបន្ទាប់ពីដំឡើងរួច។

ភារកិច្ឆ - បង្កើត​ធនធាន container registry

1. ប្រតិបត្តិពាក្យបញ្ជានៅ​តាម Terminal ឬ command prompt ដូចតទៅដើម្បី​បង្កើត​ធនធាន Azure Container Registry:

   az acr create --resource-group fruit-quality-detector \
                 --sku Basic \
                 --name <Container registry name>
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះ​មួយដែលតែមួយសម្រាប់ container registry របស់អ្នក ដោយប្រើតែអក្សរ និងលេខ។ ប្ដូរឈ្មោះនេះជុំវិញ fruitqualitydetector។ ឈ្មោះ​នេះ​នឹង​ជា​ភាគមួយ​នៃ URL ដើម្បីចូលប្រើ container registry ដូចនេះត្រូវតែមានភាពមិនស្ទាក់ស្ទើរពិភពលោក។

2. ចូលទៅ Azure Container Registry ជាមួយពាក្យបញ្ជាខាងក្រោម៖

   az acr login --name <Container registry name>
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

3. ផ្លាស់ប្តូរ​នៅក្នុង admin mode សម្រាប់ container registry ដើម្បីមានសិទ្ធិបង្កើតពាក្យសម្ងាត់ជាមួយពាក្យបញ្ជាខាងក្រោម៖

   az acr update --admin-enabled true \
                --name <Container registry name>
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

4. បង្កើតពាក្យសម្ងាត់សម្រាប់ container registry ជាមួយពាក្យបញ្ជាខាងក្រោម៖

    az acr credential renew --password-name password \
                            --output table \
                            --name <Container registry name>
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

   ចូរកាន់ចម្លង​តម្លៃ PASSWORD ព្រោះអ្នកនឹងត្រូវការនៅពេលក្រោយ។

ភារកិច្ច - សាងសង់ container របស់អ្នក

អ្វីដែលអ្នកទាញយក​ពី Custom Vision គឺជា DockerFile ដែលមាន​បញ្ជា​របៀប​សង់ container ព្រមទាំង​កូដកម្មវិធី​ដែល​នឹងដំណើរការ​លើ​អ្នកក្នុង container ដើម្បីផ្ដល់ម៉ូដែលការច្នៃ(Custom Vision) របស់អ្នក ជាមួយ REST API សម្រាប់ហៅម៉ូដែល។ អ្នកអាចប្រើ Docker ដើម្បីសាងសង់ container ដែលមាន tag មួយពី DockerFile ហើយ​បង្ហោះ​វាទៅ container registry។

🎓 Containers មាន tag ដែលកំណត់ឈ្មោះ និងកំណាត់កំណែសម្រាប់ container។ នៅពេលអ្នកត្រូវធ្វើបច្ចុប្បន្នភាព container អ្នកអាចសាងសង់វា​ដោយ​ពាក្យបញ្ជាតែមួយជាមួយកំណែថ្មី។

1. បើក terminal ឬ command prompt ហើយ ទៅកាន់ថតដែលបានដោះសោរ​ម៉ូដែល​ដែលអ្នកទាញយកពី Custom Vision។

2. ប្រតិបត្តិពាក្យបញ្ជាខាងក្រោមដើម្បីសាងសង់ និងផ្ដល់ tag ឲ្យរូបភាព៖

   docker build --platform <platform> -t <Container registry name>.azurecr.io/classifier:v1 .
   

   ជំនួស <platform> ជាមួយ​ប្លាតហ្វ័รม​ដែល container នេះនឹងដំណើរការ។ ប្រសិនបើអ្នករត់ IoT Edge លើ Raspberry Pi ប្រែជា linux/armhf បើមិនដូច្នោះចែជា linux/amd64។

   💁 ប្រសិនបើអ្នកប្រតិបត្តិពាក្យនេះពីឧបករណ៍ដែលហៅ IoT Edge ដូចជា Raspberry Pi អ្នកអាចលែងតែ​ផ្នែក --platform <platform> ព្រោះវាជា​រូបភាពលំនាំដើម​របស់​ប្លាតហ្វ័ម​បច្ចុប្បន្ន។

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

   💁 ប្រើប្រាស់ Linux ឬ Raspberry Pi OS អ្នកប្រហែលជាត្រូវប្រើ sudo ដើម្បីបញ្ជា​ពាក្យនេះ។

   Docker នឹង​សាងសង់​រូបភាព ដើម្បី​កំណត់កូដកម្មវិធីទាំងអស់ដែលត្រូវការ។ រូបភាព​នេះ​នឹង​ត្រូវបាន tag ជា classifier:v1។

   ➜  d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux docker build --platform linux/amd64 -t  fruitqualitydetectorjimb.azurecr.io/classifier:v1 .
   [+] Building 102.4s (11/11) FINISHED
    => [internal] load build definition from Dockerfile
    => => transferring dockerfile: 131B
    => [internal] load .dockerignore
    => => transferring context: 2B
    => [internal] load metadata for docker.io/library/python:3.7-slim
    => [internal] load build context
    => => transferring context: 905B
    => [1/6] FROM docker.io/library/python:3.7-slim@sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6
    => => resolve docker.io/library/python:3.7-slim@sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6
    => => sha256:b4d181a07f8025e00e0cb28f1cc14613da2ce26450b80c54aea537fa93cf3bda 27.15MB / 27.15MB
    => => sha256:de8ecf497b753094723ccf9cea8a46076e7cb845f333df99a6f4f397c93c6ea9 2.77MB / 2.77MB
    => => sha256:707b80804672b7c5d8f21e37c8396f319151e1298d976186b4f3b76ead9f10c8 10.06MB / 10.06MB
    => => sha256:b21b91c9618e951a8cbca5b696424fa5e820800a88b7e7afd66bba0441a764d6 1.86kB / 1.86kB
    => => sha256:44073386687709c437586676b572ff45128ff1f1570153c2f727140d4a9accad 1.37kB / 1.37kB
    => => sha256:3d94f0f2ca798607808b771a7766f47ae62a26f820e871dd488baeccc69838d1 8.31kB / 8.31kB
    => => sha256:283715715396fd56d0e90355125fd4ec57b4f0773f306fcd5fa353b998beeb41 233B / 233B
    => => sha256:8353afd48f6b84c3603ea49d204bdcf2a1daada15f5d6cad9cc916e186610a9f 2.64MB / 2.64MB
    => => extracting sha256:b4d181a07f8025e00e0cb28f1cc14613da2ce26450b80c54aea537fa93cf3bda
    => => extracting sha256:de8ecf497b753094723ccf9cea8a46076e7cb845f333df99a6f4f397c93c6ea9
    => => extracting sha256:707b80804672b7c5d8f21e37c8396f319151e1298d976186b4f3b76ead9f10c8
    => => extracting sha256:283715715396fd56d0e90355125fd4ec57b4f0773f306fcd5fa353b998beeb41
    => => extracting sha256:8353afd48f6b84c3603ea49d204bdcf2a1daada15f5d6cad9cc916e186610a9f
    => [2/6] RUN pip install -U pip
    => [3/6] RUN pip install --no-cache-dir numpy~=1.17.5 tensorflow~=2.0.2 flask~=1.1.2 pillow~=7.2.0
    => [4/6] RUN pip install --no-cache-dir mscviplib==2.200731.16
    => [5/6] COPY app /app
    => [6/6] WORKDIR /app
    => exporting to image
    => => exporting layers
    => => writing image sha256:1846b6f134431f78507ba7c079358ed66d944c0e185ab53428276bd822400386
    => => naming to fruitqualitydetectorjimb.azurecr.io/classifier:v1
   

ភារកិច្ច - បង្ហោះ container របស់​អ្នក​ទៅ container registry

1. ប្រើពាក្យបញ្ជាខាងក្រោមដើម្បីបង្ហោះ container របស់​អ្នក​ទៅ container registry:

   docker push <Container registry name>.azurecr.io/classifier:v1
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

   💁 ប្រសិនបើអ្នកប្រើ Linux អ្នកប្រហែលជាត្រូវប្រើ sudo ដើម្បីបញ្ជា។

   container នឹងត្រូវបានបង្ហោះទៅ container registry។

   ➜  d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux docker push fruitqualitydetectorjimb.azurecr.io/classifier:v1
   The push refers to repository [fruitqualitydetectorjimb.azurecr.io/classifier]
   5f70bf18a086: Pushed 
   8a1ba9294a22: Pushed 
   56cf27184a76: Pushed 
   b32154f3f5dd: Pushed 
   36103e9a3104: Pushed 
   e2abb3cacca0: Pushed 
   4213fd357bbe: Pushed 
   7ea163ba4dce: Pushed 
   537313a13d90: Pushed 
   764055ebc9a7: Pushed 
   v1: digest: sha256:ea7894652e610de83a5a9e429618e763b8904284253f4fa0c9f65f0df3a5ded8 size: 2423
   

2. ដើម្បី​ផ្ទៀងផ្ទាត់​ការ​បង្ហោះ អ្នកអាចបញ្ជាលីស container ក្នុង registry របស់អ្នកជាមួយពាក្យបញ្ជាខាងក្រោម៖

   az acr repository list --output table \
                          --name <Container registry name> 
   

   ជំនួស <Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។

   ➜  d4ccc45da0bb478bad287128e1274c3c.DockerFile.Linux az acr repository list --name fruitqualitydetectorjimb --output table
   Result
   ----------
   classifier
   

   អ្នកនឹងឃើញ classifier របស់អ្នក​បង្ហាញ​ក្នុង​លទ្ធផល។

ដាក់ចេញ container របស់​អ្នក

container របស់​អ្នក​ឥឡូវនេះ​អាច​ត្រូវ​បាន​ដាក់ចេញ​ទៅឧបករណ៍ IoT Edge របស់​អ្នក។ ដើម្បី​ដាក់ចេញ អ្នក​ត្រូវ​កំណត់​​ deployment manifest — ឯកសារ JSON ដែលរាយបញ្ជីផ្នែក module ដែលនឹងត្រូវដាក់ចេញទៅឧបករណ៍ edge។

ភារកិច្ច - បង្កើត deployment manifest

1. បង្កើតឯកសារថ្មីមួយឈ្មោះ deployment.json នៅកន្លែងណាមួយលើកុំព្យូទ័ររបស់អ្នក។

2. បញ្ចូល​អត្ថបទ​ខាងក្រោម​ទៅក្នុង​ឯកសារ​នេះ៖

   {
       "content": {
           "modulesContent": {
               "$edgeAgent": {
                   "properties.desired": {
                       "schemaVersion": "1.1",
                       "runtime": {
                           "type": "docker",
                           "settings": {
                               "minDockerVersion": "v1.25",
                               "loggingOptions": "",
                               "registryCredentials": {
                                   "ClassifierRegistry": {
                                       "username": "<Container registry name>",
                                       "password": "<Container registry password>",
                                       "address": "<Container registry name>.azurecr.io"
                                     }
                               }
                           }
                       },
                       "systemModules": {
                           "edgeAgent": {
                               "type": "docker",
                               "settings": {
                                   "image": "mcr.microsoft.com/azureiotedge-agent:1.1",
                                   "createOptions": "{}"
                               }
                           },
                           "edgeHub": {
                               "type": "docker",
                               "status": "running",
                               "restartPolicy": "always",
                               "settings": {
                                   "image": "mcr.microsoft.com/azureiotedge-hub:1.1",
                                   "createOptions": "{\"HostConfig\":{\"PortBindings\":{\"5671/tcp\":[{\"HostPort\":\"5671\"}],\"8883/tcp\":[{\"HostPort\":\"8883\"}],\"443/tcp\":[{\"HostPort\":\"443\"}]}}}"
                               }
                           }
                       },
                       "modules": {
                           "ImageClassifier": {
                               "version": "1.0",
                               "type": "docker",
                               "status": "running",
                               "restartPolicy": "always",
                               "settings": {
                                   "image": "<Container registry name>.azurecr.io/classifier:v1",
                                   "createOptions": "{\"ExposedPorts\": {\"80/tcp\": {}},\"HostConfig\": {\"PortBindings\": {\"80/tcp\": [{\"HostPort\": \"80\"}]}}}"
                               }
                           }
                       }
                   }
               },
               "$edgeHub": {
                   "properties.desired": {
                       "schemaVersion": "1.1",
                       "routes": {
                           "upstream": "FROM /messages/* INTO $upstream"
                       },
                       "storeAndForwardConfiguration": {
                           "timeToLiveSecs": 7200
                       }
                   }
               }
           }
       }
   }
   

   💁 អ្នកអាចរកឯកសារនេះនៅក្នុងថត code-deployment/deployment។

   ជំនួស ៣ ដងនៃ<Container registry name> ជាមួយឈ្មោះដែលអ្នកប្រើសម្រាប់ container registry។ មួយក្នុងផ្នែក module ImageClassifier និងពីរដងនៅក្នុងផ្នែក registryCredentials។

   ជំនួស <Container registry password> នៅក្នុងផ្នែក registryCredentials ជាមួយពាក្យសម្ងាត់ container registry របស់អ្នក។

3. ពីក្នុងថតដែលមាន deployment manifest របស់អ្នក ប្រតិបត្តិពាក្យបញ្ជាខាងក្រោម៖

   az iot edge set-modules --device-id fruit-quality-detector-edge \
                           --content deployment.json \
                           --hub-name <hub_name>
   

   ជំនួស <hub_name> ជាមួយឈ្មោះ IoT Hub របស់អ្នក។

   module Image classifier នឹងត្រូវដាក់ចេញទៅឧបករណ៍ edge របស់អ្នក។

ភារកិច្ច - ផ្ទៀងផ្ទាត់ថា classifier កំពុងដំណើរការ

1. ភ្ជាប់ទៅឧបករណ៍ IoT edge៖

   • ប្រសិនបើ​អ្នកប្រើ Raspberry Pi ដើម្បីរត់ IoT Edge អ្នក​អាចភ្ជាប់ដោយ ssh ពី terminal របស់អ្នក ឬ​តាមកម្មវិធី remote SSH ក្នុង VS Code

   • ប្រសិនបើ​អ្នក​រត់ IoT Edge ក្នុង Linux container នៅលើ Windows អ្នកអាចអនុវត្តន៍​ជំហាន​ក្នុង​មគ្គុទ្ទេសក៍ verify successful configuration guide ដើម្បីភ្ជាប់ទៅឧបករណ៍ IoT Edge។

   • ប្រសិនបើ​អ្នក​រត់ IoT Edge លើ virtual machine អ្នកអាច ssh ចូលម៉ាស៊ីនដោយប្រើ adminUsername និង password ដែលបានកំណត់ពេលបង្កើត VM ហើយប្រើ IP address ឬ DNS name៖

     ssh <adminUsername>@<IP address>
     

     ឬ៖

     ssh <adminUsername>@<DNS Name>
     

     បញ្ចូលពាក្យសម្ងាត់របស់អ្នកពេល​មានការស្នើសុំ

2. បន្ទាប់ពីភ្ជាប់រួច ប្រតិបត្តិពាក្យបញ្ជាខាងក្រោមដើម្បីបានបញ្ជី module IoT Edge៖

   iotedge list
   

   💁 អ្នកប្រហែលជាត្រូវប្រើពាក្យបញ្ជា​នេះ​ជាមួយ sudo។

   អ្នកនឹងឃើញ module កំពុងដំណើរការ៖

   jim@fruit-quality-detector-jimb:~$ iotedge list
   NAME             STATUS           DESCRIPTION      CONFIG
   ImageClassifier  running          Up 42 minutes    fruitqualitydetectorjimb.azurecr.io/classifier:v1
   edgeAgent        running          Up 42 minutes    mcr.microsoft.com/azureiotedge-agent:1.1
   edgeHub          running          Up 42 minutes    mcr.microsoft.com/azureiotedge-hub:1.1
   

3. ពិនិត្យកំណត់ហេតុនៃ module Image classifier ជាមួយពាក្យបញ្ជាខាងក្រោម៖

   iotedge logs ImageClassifier
   

   💁 អ្នកប្រហែលជាត្រូវប្រើពាក្យបញ្ជា​នេះ​ជាមួយ sudo។

   jim@fruit-quality-detector-jimb:~$ iotedge logs ImageClassifier
   2021-07-05 20:30:15.387144: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
   2021-07-05 20:30:15.392185: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 2394450000 Hz
   2021-07-05 20:30:15.392712: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x55ed9ac83470 executing computations on platform Host. Devices:
   2021-07-05 20:30:15.392806: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): Host, Default Version
   Loading model...Success!
   Loading labels...2 found. Success!
    * Serving Flask app "app" (lazy loading)
    * Environment: production
      WARNING: This is a development server. Do not use it in a production deployment.
      Use a production WSGI server instead.
    * Debug mode: off
    * Running on http://0.0.0.0:80/ (Press CTRL+C to quit)
   

ភារកិច្ឆ - សាកល្បង image classifier

1. អ្នកអាចប្រើ CURL ដើម្បីសាកល្បង image classifier ដោយប្រើ IP address ឬ hostname នៃកុំព្យូទ័រដែល​រត់ Agent IoT Edge។ ស្វែងរក IP address៖

   • ប្រសិនបើអ្នកកំពុងនៅលើម៉ាស៊ីនដដែលដែល IoT Edge រត់ អ្នកអាចប្រើ localhost ជា hostname។
   • ប្រសិនបើអ្នកប្រើ VM អ្នកអាចប្រើ IP address ឬ DNS name របស់ VM
   • បើមិនដូច្នោះ អ្នកអាចស្វែងរក IP address របស់ម៉ាស៊ីន​ដែល​រត់ IoT Edge៖
     • នៅលើ Windows 10 អ្នកអាច​ទៅមើល find your IP address guide
     • នៅលើ macOS អ្នកអាច​ស្វែងរកតាម how to find you IP address on a Mac guide
     • នៅលើ linux អ្នកអាចមើលផ្នែកស្វែងរក IP ប្រទេសក្នុងអត្ថបទ how to find your IP address in Linux guide

2. អ្នកអាចសាកល្បង container ជាមួយឯកសារក្នុងម៉ាស៊ីន​ដោយ​ប្រតិបត្តិពាក្យ curl ខាងក្រោម៖

   curl --location \
        --request POST 'http://<IP address or name>/image' \
        --header 'Content-Type: image/png' \
        --data-binary '@<file_Name>' 
   

   ជំនួស <IP address or name> ជាមួយ IP ឬ hostname នៃកុំព្យូទ័រដែលរត់ IoT Edge។ ជំនួស <file_Name> ជាមួយឈ្មោះឯកសារដើម្បីសាកល្បង។

   អ្នកនឹងឃើញលទ្ធផលការទាយទានក្នុងលទ្ធផល៖

   {
       "created": "2021-07-05T21:44:39.573181",
       "id": "",
       "iteration": "",
       "predictions": [
           {
               "boundingBox": null,
               "probability": 0.9995615482330322,
               "tagId": "",
               "tagName": "ripe"
           },
           {
               "boundingBox": null,
               "probability": 0.0004384400090202689,
               "tagId": "",
               "tagName": "unripe"
           }
       ],
       "project": ""
   }
   

   💁 មិនចាំបាច់ផ្តល់ពាក្យគន្លឹះទាយទាននៅទីនេះទេ ពីព្រោះវាមិនប្រើធនធាន Azure ទេ។ ជំនួសដោយសន្តិសុខនឹងត្រូវបានកំណត់នៅលើបណ្តាញក្នុងផ្នែក​សុវត្ថិភាពផ្ទៃក្នុង មិនមែនប្រើលើច្រកសាធារណៈ និងគន្លឹះ API ទេ។

ប្រើ​ប្រាស់​ឧបករណ៍ IoT Edge របស់​អ្នក

ឥឡូវនេះ Image Classifier បាន​ត្រូវ​បាន​ដាក់ចេញ​ទៅឧបករណ៍ IoT Edge អ្នកអាច​ប្រើប្រាស់វាពីឧបករណ៍ IoT របស់អ្នក។

ភារកិច្ច - ប្រើឧបករណ៍ IoT Edge របស់​អ្នក

ដំណើរការតាមមគ្គុទ្ទេសក៍​ដូចខាងក្រោម​ដើម្បីចាត់ថ្នាក់​រូបភាពដោយប្រើ classifier IoT Edge៖

• Arduino - Wio Terminal
• កុំព្យូទ័រតែមួយថាស - Raspberry Pi/ឧបករណ៏ IoT ស្រដៀងគ្នា

ការហ្វឹកហាត់ម៉ូដែលឡើងវិញ

មួយក្នុងចន្លោះកង្វះខាតនៃការរត់កម្មវិធីចាត់ថ្នាក់រូបភាពលើ IoT Edge គឺវាមិនភ្ជាប់ជាមួយគម្រោង Custom Vision របស់អ្នកទេ។ ប្រសិនបើអ្នកមើល​ទៅកាន់​ទំព័រ Predictions នៅក្នុង Custom Vision អ្នកនឹងមិនឃើញរូបភាពដែលបានចាត់ថ្នាក់ដោយ classifier របស់ Edge ទេ។

នេះបង្ហាញករណីពិតប្រាកដដែលគេសង្ឃឹមទុក — រូបភាពមិនត្រូវបានផ្ញើទៅ cloud សម្រាប់ចាត់ថ្នាក់ ដូច្នេះវាមិនមាននៅក្នុង cloud ទេ។ មួយក្នុងចំណុចល្អនៃការប្រើប្រាស់ IoT Edge គឺភាពឯកជន ដើម្បីធានាថារូបភាពមិនចេញពីបណ្តាញរបស់អ្នក នៅខាងក្រៅមួយគឺ អាចធ្វើការងារជាការផ្ទាល់តាម offline ដោយមិនពឹងផ្អែកលើការផ្ទុករូបភាពឡើង នៅពេលឧបករណ៍មិនមានការតភ្ជាប់អ៊ីនធឺណិត។ ចំណុចខ្សោយគឺ ការកែលម្អម៉ូដែលរបស់អ្នក — អ្នកត្រូវតែអនុវត្តវិធីផ្សេងមួយសម្រាប់រក្សារូបភាពដែលអាចចាត់ថ្នាក់ឡើងវិញដោយមនុស្សដើម្បីជួយកែលម្អ និងហ្វឹកហាត់ឡើងវិញកម្មវិធីចាត់ថ្នាក់រូបភាព។

✅ គិត​ពី​វិធី​ផ្សេងៗសម្រាប់ផ្ញើរូបភាពឡើងទៅដើម្បីហ្វឹកហាត់ម្ដងទៀត។

---

🚀 ការប្រកួតប្រជែង

ការរត់ម៉ូដែល AI លើឧបករណ៍ edge អាចលឿនជាងនៅ cloud ព្រោះចម្ងាយបណ្ដាញកាន់តែលឿន។ ប៉ុន្តែវាក៏អាចយឺតនៅពេល hardware ដែលរត់ម៉ូដែលមិនមានប្រសិទ្ធភាពដូច cloud។

សូមធ្វើការរង់ចាំពេលវេលាដោះស្រាយ ហើយប្រៀបធៀបថាការហៅទៅឧបករណ៍ edge លឿនជាង ឬយឺតជាងការហៅទៅ cloud ដែរ? សូមគិតពីហេតុផល​ដែលអាចពន្យល់ពីភាពខុសគ្នា ឬពុំមានភាពខុសគ្នា និងស្រាវជ្រាវវិធីដើម្បីរត់ម៉ូដែល AI ឱ្យលឿនលើ edge ដោយប្រើ hardware ពិសេស។

សំនួរបន្ទាប់ពីមេរៀន

សំនួរបន្ទាប់ពីមេរៀន

ការត្រួតពិនិត្យ និងសិក្សាផ្ទាល់ខ្លួន

• អានបន្ថែមអំពីcontainers នៅលើ ទំព័រvirtualizationជាន់ OSលើវីគីភីឌា
• អានបន្ថែមអំពី edge computing ដែលផ្តោតសំខាន់លើរបៀបដែល5G អាចជួយពង្រីក edge computing នៅក្នុង អត្ថបទអ្វីទៅជា edge computing ហើយហេតុអ្វីវាសំខាន់? នៅលើ NetworkWorld
• រៀនបន្ថែមអំពីការប្រតិបត្តិសេវា AI នៅ IoT Edge ដោយមើល រៀនរបៀបប្រើ Azure IoT Edge លើសេវា AI រួចជាក់លើ Edge ដើម្បីធ្វើការរកឃើញភាសា ក្នុងកម្មវិធី Learn Live នៅ Microsoft Channel9

កិច្ចការផ្តល់ជូន

បើកដំណើរការសេវាផ្សេងទៀតនៅលើ edge

---

ការព្រមាន៖ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ទោះបីយើងខិតខំប្រឹងប្រែងដើម្បីភាពត្រឹមត្រូវ ក៏ប៉ុន្តែសូមយល់ថាការបកប្រែដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវខ្លះ។ ឯកសារដើមក្នុងភាសាទីលំនៅរបស់វាគួរត្រូវបានចាត់ទុកថាជាធនធានដែលមានសុពលភាព។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សជំនាញត្រូវបានផ្ដល់អាទិភាព។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះទេទេ។