5.6 KiB

Raw Permalink Blame History

이미지 분류하기 - 가상 IoT 하드웨어와 Raspberry Pi

이 강의의 이 부분에서는 카메라로 촬영한 이미지를 Custom Vision 서비스로 보내 분류합니다.

이미지를 Custom Vision으로 보내기

Custom Vision 서비스는 이미지를 분류하기 위해 사용할 수 있는 Python SDK를 제공합니다.

작업 - 이미지를 Custom Vision으로 보내기

VS Code에서 fruit-quality-detector 폴더를 엽니다. 가상 IoT 디바이스를 사용하는 경우, 터미널에서 가상 환경이 실행 중인지 확인하세요.
Custom Vision으로 이미지를 보내기 위한 Python SDK는 Pip 패키지로 제공됩니다. 다음 명령어로 설치하세요:
```
pip3 install azure-cognitiveservices-vision-customvision
```
app.py 파일 상단에 다음 import 문을 추가하세요:
```
from msrest.authentication import ApiKeyCredentials
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
```
이는 Custom Vision 라이브러리에서 몇 가지 모듈을 가져옵니다. 하나는 예측 키로 인증하기 위한 것이고, 다른 하나는 Custom Vision을 호출할 수 있는 예측 클라이언트 클래스를 제공합니다.
파일 끝에 다음 코드를 추가하세요:
```
prediction_url = '<prediction_url>'
prediction_key = '<prediction key>'
```
<prediction_url>을 이전 강의에서 Prediction URL 대화 상자에서 복사한 URL로 바꾸세요. <prediction key>는 동일한 대화 상자에서 복사한 예측 키로 바꾸세요.
Prediction URL 대화 상자에서 제공된 예측 URL은 REST 엔드포인트를 직접 호출할 때 사용하도록 설계되었습니다. Python SDK는 URL의 일부를 다른 위치에서 사용합니다. 다음 코드를 추가하여 이 URL을 필요한 부분으로 나누세요:
```
parts = prediction_url.split('/')
endpoint = 'https://' + parts[2]
project_id = parts[6]
iteration_name = parts[9]
```
이는 URL을 분리하여 https://<location>.api.cognitive.microsoft.com와 같은 엔드포인트, 프로젝트 ID, 게시된 반복(iteration)의 이름을 추출합니다.
다음 코드를 사용하여 예측을 수행할 예측기 객체를 생성하세요:
```
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
```
prediction_credentials는 예측 키를 래핑합니다. 그런 다음 이를 사용하여 엔드포인트를 가리키는 예측 클라이언트 객체를 생성합니다.
다음 코드를 사용하여 이미지를 Custom Vision으로 보내세요:
```
image.seek(0)
results = predictor.classify_image(project_id, iteration_name, image)
```
이는 이미지를 시작 지점으로 되감은 후, 예측 클라이언트로 보냅니다.
마지막으로, 다음 코드를 사용하여 결과를 표시하세요:
```
for prediction in results.predictions:
    print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
```
이는 반환된 모든 예측을 반복하며 터미널에 표시합니다. 반환된 확률은 0에서 1 사이의 부동 소수점 숫자이며, 0은 태그와 일치할 확률이 0%임을, 1은 100%임을 나타냅니다.

💁 이미지 분류기는 사용된 모든 태그에 대한 확률을 반환합니다. 각 태그는 이미지가 해당 태그와 일치할 확률을 가집니다.
카메라를 과일에 향하게 하거나 적절한 이미지 세트를 사용하거나, 가상 IoT 하드웨어를 사용하는 경우 웹캠에 과일이 보이도록 하여 코드를 실행하세요. 콘솔에서 출력을 확인할 수 있습니다:
```
(.venv) ➜  fruit-quality-detector python app.py
ripe:   56.84%
unripe: 43.16%
```
촬영된 이미지를 확인할 수 있으며, 이러한 값은 Custom Vision의 Predictions 탭에서도 볼 수 있습니다.

💁 이 코드는 code-classify/pi 또는 code-classify/virtual-iot-device 폴더에서 찾을 수 있습니다.

😀 과일 품질 분류기 프로그램이 성공적으로 작동했습니다!

면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.

5.6 KiB Raw Permalink Blame History

이미지 분류하기 - 가상 IoT 하드웨어와 Raspberry Pi

이미지를 Custom Vision으로 보내기

작업 - 이미지를 Custom Vision으로 보내기

5.6 KiB

Raw Permalink Blame History