IoT-For-Beginners/translations/pt/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md

Classificar uma imagem - Hardware Virtual IoT e Raspberry Pi

Nesta parte da lição, irá enviar a imagem capturada pela câmara para o serviço Custom Vision para classificá-la.

Enviar imagens para o Custom Vision

O serviço Custom Vision tem um SDK em Python que pode ser usado para classificar imagens.

Tarefa - enviar imagens para o Custom Vision

1. Abra a pasta fruit-quality-detector no VS Code. Se estiver a usar um dispositivo IoT virtual, certifique-se de que o ambiente virtual está a ser executado no terminal.

2. O SDK em Python para enviar imagens para o Custom Vision está disponível como um pacote Pip. Instale-o com o seguinte comando:

   pip3 install azure-cognitiveservices-vision-customvision
   

3. Adicione as seguintes instruções de importação no topo do ficheiro app.py:

   from msrest.authentication import ApiKeyCredentials
   from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
   

   Isto importa alguns módulos das bibliotecas do Custom Vision, um para autenticar com a chave de previsão e outro para fornecer uma classe cliente de previsão que pode chamar o Custom Vision.

4. Adicione o seguinte código ao final do ficheiro:

   prediction_url = '<prediction_url>'
   prediction_key = '<prediction key>'
   

   Substitua <prediction_url> pelo URL que copiou do diálogo Prediction URL anteriormente nesta lição. Substitua <prediction key> pela chave de previsão que copiou do mesmo diálogo.

5. O URL de previsão fornecido pelo diálogo Prediction URL foi concebido para ser usado ao chamar diretamente o endpoint REST. O SDK em Python utiliza partes do URL em locais diferentes. Adicione o seguinte código para dividir este URL nas partes necessárias:

   parts = prediction_url.split('/')
   endpoint = 'https://' + parts[2]
   project_id = parts[6]
   iteration_name = parts[9]
   

   Isto divide o URL, extraindo o endpoint https://<location>.api.cognitive.microsoft.com, o ID do projeto e o nome da iteração publicada.

6. Crie um objeto preditor para realizar a previsão com o seguinte código:

   prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
   predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
   

   As prediction_credentials encapsulam a chave de previsão. Estas são então usadas para criar um objeto cliente de previsão apontando para o endpoint.

7. Envie a imagem para o Custom Vision usando o seguinte código:

   image.seek(0)
   results = predictor.classify_image(project_id, iteration_name, image)
   

   Isto rebobina a imagem para o início e, em seguida, envia-a para o cliente de previsão.

8. Por fim, mostre os resultados com o seguinte código:

   for prediction in results.predictions:
       print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
   

   Isto irá percorrer todas as previsões que foram retornadas e mostrá-las no terminal. As probabilidades retornadas são números de ponto flutuante de 0-1, sendo 0 uma probabilidade de 0% de corresponder à etiqueta, e 1 uma probabilidade de 100%.

   💁 Os classificadores de imagens irão retornar as percentagens para todas as etiquetas que foram usadas. Cada etiqueta terá uma probabilidade de que a imagem corresponda a essa etiqueta.

9. Execute o seu código, com a câmara apontada para alguma fruta, ou um conjunto de imagens apropriado, ou fruta visível na sua webcam se estiver a usar hardware IoT virtual. Verá a saída no console:

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

   Poderá ver a imagem que foi capturada e estes valores no separador Predictions no Custom Vision.

   

💁 Pode encontrar este código na pasta code-classify/pi ou code-classify/virtual-iot-device.

😀 O seu programa de classificação da qualidade da fruta foi um sucesso!

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.