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

Classificar uma imagem usando um classificador de imagens baseado em IoT Edge - Hardware Virtual IoT e Raspberry Pi

Nesta parte da lição, irá utilizar o Classificador de Imagens a funcionar no dispositivo IoT Edge.

Utilizar o classificador IoT Edge

O dispositivo IoT pode ser redirecionado para usar o classificador de imagens IoT Edge. O URL para o Classificador de Imagens é http://<IP address or name>/image, substituindo <IP address or name> pelo endereço IP ou nome do host do computador que está a executar o IoT Edge.

A biblioteca Python para Custom Vision apenas funciona com modelos hospedados na nuvem, e não com modelos hospedados no IoT Edge. Isto significa que terá de usar a API REST para chamar o classificador.

Tarefa - utilizar o classificador IoT Edge

1. Abra o projeto fruit-quality-detector no VS Code, caso ainda não esteja aberto. Se estiver a usar um dispositivo IoT virtual, certifique-se de que o ambiente virtual está ativado.

2. Abra o ficheiro app.py e remova as instruções de importação de azure.cognitiveservices.vision.customvision.prediction e msrest.authentication.

3. Adicione a seguinte importação no topo do ficheiro:

   import requests
   

4. Apague todo o código após a imagem ser guardada num ficheiro, desde image_file.write(image.read()) até ao final do ficheiro.

5. Adicione o seguinte código ao final do ficheiro:

   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}%')
   

   Substitua <URL> pelo URL do seu classificador.

   Este código faz uma solicitação REST POST ao classificador, enviando a imagem como corpo da solicitação. Os resultados são devolvidos em formato JSON, que é decodificado para imprimir as probabilidades.

6. Execute o seu código, com a câmara apontada para alguma fruta, ou um conjunto de imagens apropriado, ou fruta visível na sua webcam, caso esteja a usar hardware IoT virtual. Verá o resultado no console:

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

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

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

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de 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.