msb-public
/
IoT-For-Beginners
mirror of https://github.com/microsoft/IoT-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
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.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
IoT-For-Beginners/translations/pl/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

3.5 KiB
Raw Permalink Blame History

Klasyfikacja obrazu za pomocą klasyfikatora obrazów opartego na IoT Edge - Wirtualny sprzęt IoT i Raspberry Pi

W tej części lekcji użyjesz klasyfikatora obrazów działającego na urządzeniu IoT Edge.

Użyj klasyfikatora IoT Edge

Urządzenie IoT może zostać przekierowane do korzystania z klasyfikatora obrazów IoT Edge. Adres URL dla klasyfikatora obrazów to http://<IP address or name>/image, gdzie <IP address or name> należy zastąpić adresem IP lub nazwą hosta komputera, na którym działa IoT Edge.

Biblioteka Python dla Custom Vision działa tylko z modelami hostowanymi w chmurze, a nie z modelami hostowanymi na IoT Edge. Oznacza to, że będziesz musiał użyć REST API, aby wywołać klasyfikator.

Zadanie - użyj klasyfikatora IoT Edge

  1. Otwórz projekt fruit-quality-detector w VS Code, jeśli nie jest już otwarty. Jeśli korzystasz z wirtualnego urządzenia IoT, upewnij się, że środowisko wirtualne jest aktywowane.

  2. Otwórz plik app.py i usuń instrukcje importu z azure.cognitiveservices.vision.customvision.prediction oraz msrest.authentication.

  3. Dodaj następujący import na początku pliku:

    import requests

  4. Usuń cały kod po zapisaniu obrazu do pliku, od image_file.write(image.read()) do końca pliku.

  5. Dodaj następujący kod na końcu pliku:

    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}%')

    Zamień <URL> na adres URL swojego klasyfikatora.

    Ten kod wykonuje żądanie REST POST do klasyfikatora, przesyłając obraz jako treść żądania. Wyniki są zwracane w formacie JSON, który jest dekodowany, aby wyświetlić prawdopodobieństwa.

  6. Uruchom swój kod, kierując kamerę na jakiś owoc, odpowiedni zestaw obrazów lub widoczny owoc na kamerze internetowej, jeśli korzystasz z wirtualnego sprzętu IoT. Zobaczysz wynik w konsoli:

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

💁 Ten kod znajdziesz w folderze code-classify/pi lub code-classify/virtual-iot-device.

😀 Twój program klasyfikatora jakości owoców zakończył się sukcesem!

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.