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
5.1 KiB
105 lines
5.1 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "e5896207b304ce1abaf065b8acc0cc79",
|
|
"translation_date": "2025-08-28T12:31:48+00:00",
|
|
"source_file": "4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md",
|
|
"language_code": "sl"
|
|
}
|
|
-->
|
|
# Razvrsti sliko - Virtualna IoT strojna oprema in Raspberry Pi
|
|
|
|
V tem delu lekcije boste poslali sliko, ki jo je zajela kamera, storitvi Custom Vision za razvrščanje.
|
|
|
|
## Pošlji slike v Custom Vision
|
|
|
|
Storitev Custom Vision ima Python SDK, ki ga lahko uporabite za razvrščanje slik.
|
|
|
|
### Naloga - pošlji slike v Custom Vision
|
|
|
|
1. Odprite mapo `fruit-quality-detector` v VS Code. Če uporabljate virtualno IoT napravo, poskrbite, da je virtualno okolje zagnano v terminalu.
|
|
|
|
1. Python SDK za pošiljanje slik v Custom Vision je na voljo kot Pip paket. Namestite ga z naslednjim ukazom:
|
|
|
|
```sh
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
```
|
|
|
|
1. Dodajte naslednje uvozne izjave na vrh datoteke `app.py`:
|
|
|
|
```python
|
|
from msrest.authentication import ApiKeyCredentials
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
```
|
|
|
|
To vključuje nekaj modulov iz knjižnic Custom Vision, enega za avtentikacijo s ključem za napovedovanje in enega za zagotavljanje razreda klienta za napovedovanje, ki lahko kliče Custom Vision.
|
|
|
|
1. Na konec datoteke dodajte naslednjo kodo:
|
|
|
|
```python
|
|
prediction_url = '<prediction_url>'
|
|
prediction_key = '<prediction key>'
|
|
```
|
|
|
|
Zamenjajte `<prediction_url>` z URL-jem, ki ste ga prej kopirali iz pogovornega okna *Prediction URL*. Zamenjajte `<prediction key>` s ključem za napovedovanje, ki ste ga kopirali iz istega pogovornega okna.
|
|
|
|
1. URL za napovedovanje, ki ga je zagotovilo pogovorno okno *Prediction URL*, je zasnovan za neposredno klicanje REST končne točke. Python SDK uporablja dele URL-ja na različnih mestih. Dodajte naslednjo kodo za razdelitev tega URL-ja na potrebne dele:
|
|
|
|
```python
|
|
parts = prediction_url.split('/')
|
|
endpoint = 'https://' + parts[2]
|
|
project_id = parts[6]
|
|
iteration_name = parts[9]
|
|
```
|
|
|
|
To razdeli URL, pri čemer izvleče končno točko `https://<location>.api.cognitive.microsoft.com`, ID projekta in ime objavljene iteracije.
|
|
|
|
1. Ustvarite objekt za napovedovanje, da izvedete napoved z naslednjo kodo:
|
|
|
|
```python
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
```
|
|
|
|
`prediction_credentials` ovijejo ključ za napovedovanje. Ti se nato uporabijo za ustvarjanje objekta klienta za napovedovanje, ki kaže na končno točko.
|
|
|
|
1. Pošljite sliko v Custom Vision z naslednjo kodo:
|
|
|
|
```python
|
|
image.seek(0)
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
```
|
|
|
|
To premakne sliko nazaj na začetek, nato pa jo pošlje klientu za napovedovanje.
|
|
|
|
1. Na koncu prikažite rezultate z naslednjo kodo:
|
|
|
|
```python
|
|
for prediction in results.predictions:
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
```
|
|
|
|
To bo zagnalo zanko skozi vse napovedi, ki so bile vrnjene, in jih prikazalo v terminalu. Verjetnosti, ki so vrnjene, so števila s plavajočo vejico od 0 do 1, pri čemer je 0 0% verjetnost ujemanja z oznako, 1 pa 100% verjetnost.
|
|
|
|
> 💁 Razvrščevalniki slik bodo vrnili odstotke za vse oznake, ki so bile uporabljene. Vsaka oznaka bo imela verjetnost, da se slika ujema s to oznako.
|
|
|
|
1. Zaženite svojo kodo, pri čemer naj bo vaša kamera usmerjena na nekaj sadja, ali na ustrezen nabor slik, ali na sadje, vidno na vaši spletni kameri, če uporabljate virtualno IoT strojno opremo. Izpis boste videli v konzoli:
|
|
|
|
```output
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
ripe: 56.84%
|
|
unripe: 43.16%
|
|
```
|
|
|
|
Videli boste sliko, ki je bila posneta, in te vrednosti v zavihku **Predictions** v Custom Vision.
|
|
|
|
|
|
|
|
> 💁 To kodo lahko najdete v mapi [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) ali [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device).
|
|
|
|
😀 Vaš program za razvrščanje kakovosti sadja je bil uspešen!
|
|
|
|
---
|
|
|
|
**Omejitev odgovornosti**:
|
|
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. |