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

Klasifikuokite vaizdą naudodami IoT Edge pagrįstą vaizdų klasifikatorių – virtuali IoT įranga ir Raspberry Pi

Šioje pamokos dalyje naudosite vaizdų klasifikatorių, veikiantį IoT Edge įrenginyje.

Naudokite IoT Edge klasifikatorių

IoT įrenginį galima peradresuoti naudoti IoT Edge vaizdų klasifikatorių. Vaizdų klasifikatoriaus URL yra http://<IP adresas arba pavadinimas>/image, kur <IP adresas arba pavadinimas> pakeičiamas į kompiuterio, kuriame veikia IoT Edge, IP adresą arba pagrindinį vardą.

Python biblioteka Custom Vision veikia tik su debesyje talpinamais modeliais, o ne su modeliais, talpinamais IoT Edge. Tai reiškia, kad turėsite naudoti REST API, kad galėtumėte iškviesti klasifikatorių.

Užduotis – naudoti IoT Edge klasifikatorių

1. Atidarykite fruit-quality-detector projektą VS Code, jei jis dar neatidarytas. Jei naudojate virtualų IoT įrenginį, įsitikinkite, kad virtuali aplinka yra aktyvuota.

2. Atidarykite app.py failą ir pašalinkite importo eilutes iš azure.cognitiveservices.vision.customvision.prediction ir msrest.authentication.

3. Pridėkite šį importą failo viršuje:

   import requests
   

4. Ištrinkite visą kodą po to, kai vaizdas išsaugomas faile, pradedant nuo image_file.write(image.read()) iki failo pabaigos.

5. Pridėkite šį kodą failo pabaigoje:

   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}%')
   

   Pakeiskite <URL> į savo klasifikatoriaus URL.

   Šis kodas atlieka REST POST užklausą klasifikatoriui, siunčiant vaizdą kaip užklausos turinį. Rezultatai grįžta JSON formatu, kuris yra dekoduojamas ir išspausdinamas su tikimybėmis.

6. Paleiskite savo kodą, nukreipę kamerą į vaisius, tinkamą vaizdų rinkinį arba vaisius, matomus jūsų internetinėje kameroje, jei naudojate virtualią IoT įrangą. Konsolėje pamatysite išvestį:

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

💁 Šį kodą galite rasti aplankuose code-classify/pi arba code-classify/virtual-iot-device.

😀 Jūsų vaisių kokybės klasifikatoriaus programa buvo sėkminga!

---

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo.