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.
98 lines
9.0 KiB
98 lines
9.0 KiB
# ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸಿ - ವರ್ಚುವಲ್ ಐಒಟಿ ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ರಾಸ್ಬೆರಿ ಪಿ
|
|
|
|
ಪಾಠದ ಈ ಭಾಗದಲ್ಲಿ, ನೀವು ಕ್ಯಾಮೆರಾ ಮೂಲಕ ಹಿಡಿದ ಚಿತ್ರವನ್ನು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಸೇವೆಗೆ ಕಳುಹಿಸಿ ಅದನ್ನು ವರ್ಗೀಕರಿಸುವಿರಿ.
|
|
|
|
## ಚಿತ್ರಗಳನ್ನು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಗೆ ಕಳುಹಿಸಿ
|
|
|
|
ಕಸ್ಟಮ್ ವಿಜೆನ್ ಸೇವೆಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಪೈಥಾನ್ SDK ದೊರಕಿದೆ.
|
|
|
|
### ಕಾರ್ಯ - ಚಿತ್ರಗಳನ್ನು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಗೆ ಕಳುಹಿಸಿ
|
|
|
|
1. VS ಕೋಡ್ ನಲ್ಲಿ `fruit-quality-detector` ಫೋಲ್ಡರ್ ಅನ್ನು ತೆರೆಯಿರಿ. ನೀವು ವರ್ಚುವಲ್ ಐಒಟಿ ಸಾಧನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ, ಟರ್ಮಿನಲ್ನಲ್ಲಿ ವರ್ಚುವಲ್ ಪರಿಸರ ಚಾಲನೆಯಲ್ಲಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
|
|
|
|
1. ಕಸ್ಟಮ್ ವಿಜೆನ್ ಗೆ ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಲು ಪೈಥಾನ್ SDK ಪಿಪ್ ಪ್ಯಾಕೇಜ್ ಆಗಿದೆ. ಕೆಳಗಿನ ಕಮಾಂಡ್ ಬಳಸಿ ಅದನ್ನು ಸ್ಥಾಪಿಸಿ:
|
|
|
|
```sh
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
```
|
|
|
|
1. `app.py` ಫೈಲ್ ಟಾಪ್ ನಲ್ಲಿ ಕೆಳಗಿನ ಇಂಪೋರ್ಟ್ ಸ್ಟೇಟ್ಮೆಂಟ್ಗಳನ್ನು ಸೇರಿಸಿ:
|
|
|
|
```python
|
|
from msrest.authentication import ApiKeyCredentials
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
```
|
|
|
|
ಇದು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಲೈಬ್ರರಿಗಳಿಂದ ಕೆಲವು ಮೋಡುಲ್ಗಳನ್ನು ತರುತ್ತದೆ, ಒಂದು prediction key ಯೊಂದಿಗೆ ಪ್ರಮಾಣೀಕರಿಸಲು, ಮತ್ತೊಂದು prediction client ಕ್ಲಾಸ್ ಅನ್ನು ಒದಗಿಸಲು ಅದನ್ನು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಕರೆ ಮಾಡಲು ಬಳಸಬಹುದು.
|
|
|
|
1. ಫೈಲ್ ಕೊನೆಗೆ ಕೆಳಗಿನ ಕೋಡ್ ಸೇರಿಸಿ:
|
|
|
|
```python
|
|
prediction_url = '<prediction_url>'
|
|
prediction_key = '<prediction key>'
|
|
```
|
|
|
|
ಈ ಪಾಠದ ಮುಂಚೆ *Prediction URL* ಸಂವಾದದಿಂದ ನಕಲಿಸಿದ URL ಅನ್ನು `<prediction_url>` ನೊಂದಿಗೆ ಬದಲಾಯಿಸಿ. ಅದೇ ಸಂವಾದದಿಂದ ನಕಲಿಸಿದ prediction key ಯನ್ನು `<prediction key>` ನೊಂದಿಗೆ ಬದಲಾಯಿಸಿ.
|
|
|
|
1. *Prediction URL* ಸಂವಾದದಿಂದ ಒದಗಿಸಿದ prediction URL ನೇರವಾಗಿ REST ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಕರೆ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಪೈಥಾನ್ SDK URL ಭಾಗಗಳನ್ನು ವಿವಿಧ ಸ್ಥಾನಗಳಲ್ಲಿ ಬಳಸುತ್ತದೆ. ಈ URL ಅನ್ನು ಅಗತ್ಯಭಾಗಗಳಾಗಿ ವಿಭಜಿಸಲು ಕೆಳಗಿನ ಕೋಡ್ ಸೇರಿಸಿ:
|
|
|
|
```python
|
|
parts = prediction_url.split('/')
|
|
endpoint = 'https://' + parts[2]
|
|
project_id = parts[6]
|
|
iteration_name = parts[9]
|
|
```
|
|
|
|
ಇದು URL ಅನ್ನು ವಿಭಜಿಸಿ, `https://<location>.api.cognitive.microsoft.com` ಎಂಬ ಎಂಡ್ಪಾಯಿಂಟ್, ಪ್ರಾಜೆಕ್ಟ್ ಐಡಿ ಮತ್ತು ಪ್ರಕಟಿತ iteration ನ ಹೆಸರನ್ನು ತೆಗೆಯುತ್ತದೆ.
|
|
|
|
1. prediction ಮಾಡಲು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ predictor ಆಬ್ಜೆಕ್ಟ್ ಸೃಷ್ಟಿಸಿ:
|
|
|
|
```python
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
```
|
|
|
|
`prediction_credentials` prediction key ನ್ನು ಸುತ್ತಿಕೊಂಡಿವೆ. ಅವುಗಳನ್ನು ಬಳಸಿಕೊಂಡು prediction client ಆಬ್ಜೆಕ್ಟ್ ಅನ್ನು ಎಂಡ್ಪಾಯಿಂಟ್ ಕಡೆ ಕೊಂಡೊಯ್ಯಲಾಗುತ್ತದೆ.
|
|
|
|
1. ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಚಿತ್ರವನ್ನು ಕಸ್ಟಮ್ ವಿಜೆನ್ ಗೆ ಕಳುಹಿಸಿ:
|
|
|
|
```python
|
|
image.seek(0)
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
```
|
|
|
|
ಇದು ಚಿತ್ರವನ್ನು ಆರಂಭಕ್ಕೆ ಮರಳಿಸಿ, ನಂತರ prediction client ಗೆ ಕಳುಹಿಸುತ್ತದೆ.
|
|
|
|
1. ಕೊನೆಗೆ, ಫಲಿತಾಂಶಗಳನ್ನು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ತೋರಿಸಿ:
|
|
|
|
```python
|
|
for prediction in results.predictions:
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
```
|
|
|
|
ಇದು ಮರಳಿಸಲಾದ ಎಲ್ಲಾ prediction ಗಳ ಮೂಲಕ ಲೂಪ್ ಆಗಿ, ಅವುಗಳನ್ನು ಟರ್ಮಿನಲ್ ನಲ್ಲಿ ತೋರಿಸುತ್ತದೆ. ಮರಳಿಸಲಾದ ಸಾಧ್ಯತೆಗಳು 0-1 ವರೆಗೆ ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಸಂಖ್ಯೆಗಳನ್ನು ಹೊಂದಿದ್ದು, 0 ಎಂದರೆ ಟ್ಯಾಗ್ ಗೆ ಮ್ಯಾಚ್ ಆಗುವ ಸಾಧ್ಯತೆ 0%, ಮತ್ತು 1 ಎಂದರೆ 100% ಸಾಧ್ಯತೆ.
|
|
|
|
> 💁 ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವವರಿಗೆ ಬಳಸಲಾದ ಎಲ್ಲಾ ಟ್ಯಾಗ್ ಗಳ ಶೇಕಡಾವಾರು ಫಲಿತಾಂಶಗಳು ಮರಳಿಸಲ್ಪಡುವುವು. ಪ್ರತಿ ಟ್ಯಾಗ್ ಗೆ ಚಿತ್ರವು ಅದಕ್ಕೆ ಹೊಂದಿದ ಸಾಧ್ಯತೆ ಇರುತ್ತದೆ.
|
|
|
|
1. ನಿಮ್ಮ ಕ್ಯಾಮೆರಾ ಕೆಲವು ಹಣ್ಣುಗಳ ಮೇಲೆ ಇಟ್ಟು, ಅಥವಾ ಸೂಕ್ತ ಚಿತ್ರ ಸರಣಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಅಥವಾ ವರ್ಚುವಲ್ ಐಒಟಿ ಹಾರ್ಡ್ವೇರ್ ಬಳಸಿ ವೆಬ್ಕ್ಯಾಮ್ ನಲ್ಲಿ ಹಣ್ಣು ಕಾಣಿಸುವಂತೆ ನಿಮ್ಮ ಕೋಡ್ ರನ್ ಮಾಡಿ. ಕಾನ್ಸೋಲ್ ನಲ್ಲಿ ಔಟ್ಪುಟ್ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ:
|
|
|
|
```output
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
ripe: 56.84%
|
|
unripe: 43.16%
|
|
```
|
|
|
|
ನೀವು ತೆಗೆಸಿದ ಚಿತ್ರವನ್ನು ಮತ್ತು ಈ ಮೌಲ್ಯಗಳನ್ನು **Predictions** ಟ್ಯಾಬ್ ನಲ್ಲಿ ಕಸ್ಟಮ್ ವಿಜೆನ್ ನಲ್ಲಿ ನೋಡಬಹುದು.
|
|
|
|
|
|
|
|
> 💁 ನೀವು ಈ ಕೋಡ್ ಅನ್ನು [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) ಅಥವಾ [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device) ಫೋಲ್ಡರ್ನಲ್ಲಿ ಹುಡುಕಬಹುದು.
|
|
|
|
😀 ನಿಮ್ಮ ಹಣ್ಣು ಗುಣಮಟ್ಟ ವರ್ಗೀಕರಿಸುವ ಕಾರ್ಯಕ್ರಮ ಯಶಸ್ವಿಯಾಯಿತು!
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**ಅತ್ಯಂತಮುಕ್ತ ಸೂಚನೆ**:
|
|
ಈ ದಾಖಲೆಯನ್ನು AI ಭಾಷಾಂತರ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವದಿಸಲಾಗಿದೆ. ನಾವು ಸರಿಯಾದ ಅನುವಾದಕ್ಕಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಭಾಷಾಂತರಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ಗಮನದಲ್ಲಿರಿಸಿ. ಮೂಲ ಭಾಷೆಯ ಮೂಲ ದಾಖಲೆನ್ನು ನಂಬಿಗಸ್ಥ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವಪೂರ್ಣ ಮಾಹಿತಿಗಾಗಿ, ಪೇಸ್ ಪ್ರವೀಣ ಮಾನವ ಭಾಷಾಂತರವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಈ ಭಾಷಾಂತರವನ್ನು ಬಳಸಿದಾಗ ಉಂಟಾಗುವ ಯಾವುದೇ ಅರ್ಥಬದಲಾಗುವ ತಪ್ಪುಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |