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
5.3 KiB
105 lines
5.3 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "e5896207b304ce1abaf065b8acc0cc79",
|
|
"translation_date": "2025-08-28T08:47:33+00:00",
|
|
"source_file": "4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md",
|
|
"language_code": "sk"
|
|
}
|
|
-->
|
|
# Klasifikácia obrázka - Virtuálny IoT hardvér a Raspberry Pi
|
|
|
|
V tejto časti lekcie pošlete obrázok zachytený kamerou do služby Custom Vision na jeho klasifikáciu.
|
|
|
|
## Odoslanie obrázkov do služby Custom Vision
|
|
|
|
Služba Custom Vision má Python SDK, ktoré môžete použiť na klasifikáciu obrázkov.
|
|
|
|
### Úloha - odoslanie obrázkov do služby Custom Vision
|
|
|
|
1. Otvorte priečinok `fruit-quality-detector` vo VS Code. Ak používate virtuálne IoT zariadenie, uistite sa, že virtuálne prostredie beží v termináli.
|
|
|
|
1. Python SDK na odosielanie obrázkov do služby Custom Vision je dostupné ako balíček Pip. Nainštalujte ho pomocou nasledujúceho príkazu:
|
|
|
|
```sh
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
```
|
|
|
|
1. Pridajte nasledujúce importy na začiatok súboru `app.py`:
|
|
|
|
```python
|
|
from msrest.authentication import ApiKeyCredentials
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
```
|
|
|
|
Týmto sa načítajú niektoré moduly z knižníc Custom Vision, jeden na autentifikáciu pomocou predikčného kľúča a druhý na poskytnutie triedy klienta predikcie, ktorá môže volať službu Custom Vision.
|
|
|
|
1. Pridajte nasledujúci kód na koniec súboru:
|
|
|
|
```python
|
|
prediction_url = '<prediction_url>'
|
|
prediction_key = '<prediction key>'
|
|
```
|
|
|
|
Nahraďte `<prediction_url>` URL adresou, ktorú ste skopírovali z dialógu *Prediction URL* skôr v tejto lekcii. Nahraďte `<prediction key>` predikčným kľúčom, ktorý ste skopírovali z rovnakého dialógu.
|
|
|
|
1. Predikčná URL adresa, ktorú poskytol dialóg *Prediction URL*, je navrhnutá na použitie pri priamom volaní REST endpointu. Python SDK používa časti tejto URL adresy na rôznych miestach. Pridajte nasledujúci kód na rozdelenie tejto URL adresy na potrebné časti:
|
|
|
|
```python
|
|
parts = prediction_url.split('/')
|
|
endpoint = 'https://' + parts[2]
|
|
project_id = parts[6]
|
|
iteration_name = parts[9]
|
|
```
|
|
|
|
Tento kód rozdelí URL adresu a extrahuje endpoint `https://<location>.api.cognitive.microsoft.com`, ID projektu a názov publikovanej iterácie.
|
|
|
|
1. Vytvorte objekt prediktora na vykonanie predikcie pomocou nasledujúceho kódu:
|
|
|
|
```python
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
```
|
|
|
|
`prediction_credentials` obalí predikčný kľúč. Tieto údaje sa potom použijú na vytvorenie objektu klienta predikcie, ktorý ukazuje na endpoint.
|
|
|
|
1. Pošlite obrázok do služby Custom Vision pomocou nasledujúceho kódu:
|
|
|
|
```python
|
|
image.seek(0)
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
```
|
|
|
|
Tento kód vráti obrázok na začiatok a potom ho odošle klientovi predikcie.
|
|
|
|
1. Nakoniec zobrazte výsledky pomocou nasledujúceho kódu:
|
|
|
|
```python
|
|
for prediction in results.predictions:
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
```
|
|
|
|
Tento kód prejde všetky predikcie, ktoré boli vrátené, a zobrazí ich v termináli. Pravdepodobnosti, ktoré sa vrátia, sú desatinné čísla od 0 do 1, kde 0 znamená 0% šancu na zhodu so značkou a 1 znamená 100% šancu.
|
|
|
|
> 💁 Klasifikátory obrázkov vrátia percentá pre všetky značky, ktoré boli použité. Každá značka bude mať pravdepodobnosť, že obrázok zodpovedá tejto značke.
|
|
|
|
1. Spustite svoj kód, pričom kameru nasmerujte na nejaké ovocie, vhodnú sadu obrázkov alebo ovocie viditeľné na vašej webkamere, ak používate virtuálny IoT hardvér. Výstup uvidíte v konzole:
|
|
|
|
```output
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
ripe: 56.84%
|
|
unripe: 43.16%
|
|
```
|
|
|
|
Budete môcť vidieť obrázok, ktorý bol zachytený, a tieto hodnoty na karte **Predictions** v službe Custom Vision.
|
|
|
|
|
|
|
|
> 💁 Tento kód nájdete v priečinku [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) alebo [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device).
|
|
|
|
😀 Váš program na klasifikáciu kvality ovocia bol úspešný!
|
|
|
|
---
|
|
|
|
**Upozornenie**:
|
|
Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu. |