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

ចាត់ថ្នាក់រូបភាពដោយប្រើកម្មវិធីចាត់ថ្នាក់រូបភាព IoT Edge - សម្ភារៈ IoT មេគុណ និង Raspberry Pi

នៅផ្នែកនេះនៃមេរៀន អ្នកនឹងប្រើកម្មវិធីចាត់ថ្នាក់រូបភាពដែលរត់លើឧបករណ៍ IoT Edge។

ប្រើកម្មវិធីចាត់ថ្នាក់ IoT Edge

ឧបករណ៍ IoT អាចត្រូវបានប្តូរទិសដៅទៅប្រើកម្មវិធីចាត់ថ្នាក់រូបភាព IoT Edge។ URL សម្រាប់កម្មវិធីចាត់ថ្នាក់រូបភាពគឺ http://<IP address or name>/image ដោយជំនួស <IP address or name> ជា អាសយដ្ឋាន IP ឬឈ្មោះម៉ាស៊ីនកំពុងបើក IoT Edge។

បណ្ណាល័យ Python សម្រាប់ Custom Vision ធ្វើការលើម៉ូដែលដែលបានផ្ទុកនៅលើពពក ប៉ុន្តិនៅមិនទាន់លើម៉ូដែលដែលបានផ្ទុកនៅលើ IoT Edge។ នេះមានន័យថាអ្នកត្រូវការប្រើ REST API ដើម្បីហៅកម្មវិធីចាត់ថ្នាក់នេះ។

អង្គការ - ប្រើកម្មវិធីចាត់ថ្នាក់ IoT Edge

1. បើកគម្រោង fruit-quality-detector នៅក្នុង VS Code ប្រសិនបើមិនទាន់បើក។ ប្រសិនបើអ្នកកំពុងប្រើឧបករណ៍ IoT មេគុណ សូមប្រាកដថាបរិស្ថានមេគុណត្រូវបានបើកប្រើ។

2. បើកឯកសារ app.py ហើយលុបបញ្ចូលពី azure.cognitiveservices.vision.customvision.prediction និង msrest.authentication។

3. បន្ថែមការនាំចូលដូចខាងក្រោមនៅលើក្បាលឯកសារ៖

   import requests
   

4. លុបកូដទាំងអស់បន្ទាប់ពីរូបភាពត្រូវបានរក្សាទុកទៅឯកសារ ចាប់ពី image_file.write(image.read()) ជានូវចុងឯកសារ។

5. បន្ថែមកូដដូចខាងក្រោមនៅចុងឯកសារ៖

   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}%')
   

   ជំនួស <URL> ជា URL សម្រាប់កម្មវិធីចាត់ថ្នាក់រូបភាពរបស់អ្នក។

   កូដនេះធ្វើការស្នើសុំ REST POST ទៅកម្មវិធីចាត់ថ្នាក់ បញ្ជូនរូបភាពជាផ្នែករាងកាយនៅក្នុងសំណើ។ លទ្ធផលត្រូវបានត្រឡប់មកជាឯកសារ JSON ហើយវាត្រូវបានបកប្រែដើម្បីបង្ហាញអត្រាបានសមាហរណភាព។

6. ប្រតិបត្តិកម្មធ្វើន័យរបស់អ្នក ដោយកាម៉េរ៉ាអ្នកច្របញ្ជាក់ទៅលើផ្លែឈើមួយចំនួន ឬកញ្ចប់រូបភាពសមរម្យ ឬផ្លែឈើដែលត្រូវបានមើលឃើញលើកាឡូម៉េកវែបបើអ្នកប្រើឧបករណ៍ IoT មេគុណ។ អ្នកនឹងឃើញលទ្ធផលនៅកុងសូល៖

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

💁 អ្នកអាចស្វែងរកកូដនេះនៅថត code-classify/pi ឬ code-classify/virtual-iot-device។

😀 កម្មវិធីចាត់ថ្នាក់គុណភាពផ្លែឈើរបស់អ្នកបានជោគជ័យ!

---

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំប្រឹងប្រែងដើម្បីមានភាពត្រឹមត្រូវ សូមយោលព្រមថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមក្នុងភាសាមាតុភូមិគួរត្រូវបានគិតថាជា ប្រភពផ្លូវការជាចម្បង។ សម្រាប់ព័ត៌មានសំខាន់ៗ ត្រូវបានផ្តល់អនុសាសន៍ឲ្យប្រើការបកប្រែដោយមនុស្សដែលជាអ្នកវិជ្ជាជីវៈ។ យើងមិនទទួលខុសត្រូវចំពោះកការយល់ច្រឡំ ឬការបកស្រាយខុសពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។