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.
105 lines
5.2 KiB
105 lines
5.2 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "e5896207b304ce1abaf065b8acc0cc79",
|
|
"translation_date": "2025-08-27T21:00:46+00:00",
|
|
"source_file": "4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md",
|
|
"language_code": "ms"
|
|
}
|
|
-->
|
|
# Klasifikasikan imej - Perkakasan IoT Maya dan Raspberry Pi
|
|
|
|
Dalam bahagian pelajaran ini, anda akan menghantar imej yang ditangkap oleh kamera ke perkhidmatan Custom Vision untuk mengklasifikasikannya.
|
|
|
|
## Hantar imej ke Custom Vision
|
|
|
|
Perkhidmatan Custom Vision mempunyai SDK Python yang boleh anda gunakan untuk mengklasifikasikan imej.
|
|
|
|
### Tugasan - hantar imej ke Custom Vision
|
|
|
|
1. Buka folder `fruit-quality-detector` dalam VS Code. Jika anda menggunakan peranti IoT maya, pastikan persekitaran maya berjalan di terminal.
|
|
|
|
1. SDK Python untuk menghantar imej ke Custom Vision tersedia sebagai pakej Pip. Pasang ia dengan arahan berikut:
|
|
|
|
```sh
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
```
|
|
|
|
1. Tambahkan pernyataan import berikut di bahagian atas fail `app.py`:
|
|
|
|
```python
|
|
from msrest.authentication import ApiKeyCredentials
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
```
|
|
|
|
Ini membawa masuk beberapa modul daripada perpustakaan Custom Vision, satu untuk pengesahan dengan prediction key, dan satu lagi untuk menyediakan kelas klien ramalan yang boleh memanggil Custom Vision.
|
|
|
|
1. Tambahkan kod berikut di penghujung fail:
|
|
|
|
```python
|
|
prediction_url = '<prediction_url>'
|
|
prediction_key = '<prediction key>'
|
|
```
|
|
|
|
Gantikan `<prediction_url>` dengan URL yang anda salin daripada dialog *Prediction URL* sebelum ini dalam pelajaran ini. Gantikan `<prediction key>` dengan prediction key yang anda salin daripada dialog yang sama.
|
|
|
|
1. Prediction URL yang disediakan oleh dialog *Prediction URL* direka untuk digunakan apabila memanggil REST endpoint secara langsung. SDK Python menggunakan bahagian-bahagian URL ini di tempat yang berbeza. Tambahkan kod berikut untuk memecahkan URL ini kepada bahagian-bahagian yang diperlukan:
|
|
|
|
```python
|
|
parts = prediction_url.split('/')
|
|
endpoint = 'https://' + parts[2]
|
|
project_id = parts[6]
|
|
iteration_name = parts[9]
|
|
```
|
|
|
|
Ini memecahkan URL, mengekstrak endpoint `https://<location>.api.cognitive.microsoft.com`, ID projek, dan nama iterasi yang diterbitkan.
|
|
|
|
1. Cipta objek predictor untuk melakukan ramalan dengan kod berikut:
|
|
|
|
```python
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
```
|
|
|
|
`prediction_credentials` membungkus prediction key. Ini kemudian digunakan untuk mencipta objek klien ramalan yang menunjuk ke endpoint.
|
|
|
|
1. Hantar imej ke Custom Vision menggunakan kod berikut:
|
|
|
|
```python
|
|
image.seek(0)
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
```
|
|
|
|
Ini mengembalikan imej ke permulaan, kemudian menghantarnya ke klien ramalan.
|
|
|
|
1. Akhir sekali, paparkan hasil dengan kod berikut:
|
|
|
|
```python
|
|
for prediction in results.predictions:
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
```
|
|
|
|
Ini akan mengulang semua ramalan yang telah dikembalikan dan memaparkannya di terminal. Kebarangkalian yang dikembalikan adalah nombor titik terapung dari 0-1, dengan 0 bermaksud 0% peluang untuk sepadan dengan tag, dan 1 bermaksud 100% peluang.
|
|
|
|
> 💁 Pengelas imej akan mengembalikan peratusan untuk semua tag yang telah digunakan. Setiap tag akan mempunyai kebarangkalian bahawa imej sepadan dengan tag tersebut.
|
|
|
|
1. Jalankan kod anda, dengan kamera anda menghadap beberapa buah-buahan, atau set imej yang sesuai, atau buah-buahan yang kelihatan pada webcam anda jika menggunakan perkakasan IoT maya. Anda akan melihat output di konsol:
|
|
|
|
```output
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
ripe: 56.84%
|
|
unripe: 43.16%
|
|
```
|
|
|
|
Anda akan dapat melihat imej yang diambil, dan nilai-nilai ini dalam tab **Predictions** di Custom Vision.
|
|
|
|
|
|
|
|
> 💁 Anda boleh menemui kod ini dalam folder [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) atau [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device).
|
|
|
|
😀 Program pengelas kualiti buah-buahan anda berjaya!
|
|
|
|
---
|
|
|
|
**Penafian**:
|
|
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. |