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

使用基於 IoT Edge 的影像分類器來分類影像 - 虛擬 IoT 硬體與 Raspberry Pi

在本課程的這部分，您將使用運行於 IoT Edge 裝置上的影像分類器。

使用 IoT Edge 分類器

IoT 裝置可以重新導向以使用 IoT Edge 影像分類器。影像分類器的 URL 是 http://<IP address or name>/image，將 <IP address or name> 替換為運行 IoT Edge 的電腦的 IP 位址或主機名稱。

Custom Vision 的 Python 函式庫僅適用於雲端託管的模型，而不適用於 IoT Edge 上的模型。這意味著您需要使用 REST API 來呼叫分類器。

任務 - 使用 IoT Edge 分類器

1. 如果尚未開啟，請在 VS Code 中開啟 fruit-quality-detector 專案。如果您使用的是虛擬 IoT 裝置，請確保虛擬環境已啟動。

2. 開啟 app.py 檔案，並移除來自 azure.cognitiveservices.vision.customvision.prediction 和 msrest.authentication 的匯入語句。

3. 在檔案頂部新增以下匯入語句：

   import requests
   

4. 刪除從 image_file.write(image.read()) 到檔案結尾的所有程式碼。

5. 在檔案結尾新增以下程式碼：

   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}%')
   

   將 <URL> 替換為您的分類器的 URL。

   此程式碼會向分類器發送一個 REST POST 請求，將影像作為請求的主體發送。結果以 JSON 格式返回，並解碼以列印出概率。

6. 執行您的程式碼，將相機對準一些水果，或使用適當的影像集，或者如果使用虛擬 IoT 硬體，則讓水果在您的網路攝影機中可見。您將在控制台中看到輸出：

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

💁 您可以在 code-classify/pi 或 code-classify/virtual-iot-device 資料夾中找到此程式碼。

😀 您的水果品質分類器程式成功了！

---

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。