IoT-For-Beginners/translations/sr/5-retail/lessons/2-check-stock-device

Провера залиха са IoT уређаја

Илустрација од Нитије Нарасимхан. Кликните на слику за већу верзију.

Квиз пре предавања

Квиз пре предавања

Увод

У претходној лекцији сте научили о различитим применама детекције објеката у малопродаји. Такође сте научили како да обучите детектор објеката за идентификацију залиха. У овој лекцији ћете научити како да користите свој детектор објеката са IoT уређаја за бројање залиха.

У овој лекцији ћемо обрадити:

• Бројање залиха
• Позивање детектора објеката са IoT уређаја
• Ограничујуће кутије
• Поновно обучавање модела
• Бројање залиха

🗑 Ово је последња лекција у овом пројекту, па након што завршите ову лекцију и задатак, не заборавите да очистите своје облачне услуге. Биће вам потребне услуге за завршетак задатка, па се уверите да сте прво то завршили.

Погледајте упутство за чишћење пројекта ако су вам потребна упутства како то да урадите.

Бројање залиха

Детектори објеката могу се користити за проверу залиха, било бројањем залиха или проверавањем да ли су залихе на одговарајућем месту. IoT уређаји са камерама могу се поставити широм продавнице ради праћења залиха, почевши од кључних тачака где је важно да се артикли брзо допуне, као што су области са малим бројем артикала високе вредности.

На пример, ако је камера усмерена на полицу која може да држи 8 конзерви парадајз пасте, а детектор објеката детектује само 7 конзерви, онда једна недостаје и треба је допунити.

На слици изнад, детектор објеката је детектовао 7 конзерви парадајз пасте на полици која може да држи 8 конзерви. IoT уређај не само да може послати обавештење о потреби за допуном, већ може и указати на локацију недостајућег артикла, што је важан податак ако користите роботе за допуну полица.

💁 У зависности од продавнице и популарности артикла, допуна вероватно не би била потребна ако недостаје само једна конзерва. Потребно је изградити алгоритам који одређује када је потребна допуна на основу ваших производа, купаца и других критеријума.

✅ У којим другим ситуацијама бисте могли комбиновати детекцију објеката и роботе?

Понекад се на полицама могу наћи погрешне залихе. Ово може бити резултат људске грешке приликом допуњавања или купаца који се предомисле и врате артикал на прво доступно место. Када је у питању непропадљив артикал као што су конзервирани производи, ово је само непријатност. Ако је у питању кварљиви артикал као што су замрзнути или расхлађени производи, то може значити да производ више није за продају јер је немогуће утврдити колико дуго је био ван замрзивача.

Детекција објеката може се користити за откривање неочекиваних артикала, уз упозорење човека или робота да што пре врати артикал на одговарајуће место.

На слици изнад, конзерва беби кукуруза је стављена на полицу поред парадајз пасте. Детектор објеката је то детектовао, омогућавајући IoT уређају да обавести човека или робота да врати конзерву на њено исправно место.

Позивање детектора објеката са IoT уређаја

Детектор објеката који сте обучили у претходној лекцији може се позвати са вашег IoT уређаја.

Задатак - објављивање итерације вашег детектора објеката

Итерације се објављују из портала Custom Vision.

1. Покрените портал Custom Vision на CustomVision.ai и пријавите се ако већ нисте. Затим отворите свој пројекат stock-detector.

2. Изаберите картицу Performance из опција на врху.

3. Изаберите најновију итерацију са листе Iterations са стране.

4. Кликните на дугме Publish за итерацију.

   

5. У дијалогу Publish Model, подесите Prediction resource на ресурс stock-detector-prediction који сте креирали у претходној лекцији. Оставите име као Iteration2 и кликните на дугме Publish.

6. Када се објави, кликните на дугме Prediction URL. Ово ће приказати детаље о Prediction API-ју, који ће вам бити потребни за позивање модела са вашег IoT уређаја. Доњи део је означен са If you have an image file, и то су детаљи који су вам потребни. Копирајте URL који ће изгледати овако:

   https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/detect/iterations/Iteration2/image
   

   Где је <location> локација коју сте користили приликом креирања ресурса Custom Vision, а <id> је дугачак ID састављен од слова и бројева.

   Такође копирајте вредност Prediction-Key. Ово је сигуран кључ који морате проследити када позивате модел. Само апликације које проследе овај кључ могу користити модел, све друге апликације ће бити одбијене.

   

✅ Када се објави нова итерација, имаће другачије име. Како мислите да бисте променили итерацију коју IoT уређај користи?

Задатак - позивање вашег детектора објеката са IoT уређаја

Пратите одговарајуће упутство у наставку како бисте користили детектор објеката са вашег IoT уређаја:

• Arduino - Wio Terminal
• Рачунар са једном плочом - Raspberry Pi/Виртуелни уређај

Ограничујуће кутије

Када користите детектор објеката, не добијате само детектоване објекте са њиховим ознакама и вероватноћама, већ добијате и ограничујуће кутије објеката. Оне дефинишу где је детектор објеката детектовао објекат са датом вероватноћом.

💁 Ограничујућа кутија је кутија која дефинише област која садржи детектовани објекат, односно границу за објекат.

Резултати предвиђања у картици Predictions у Custom Vision-у имају ограничујуће кутије нацртане на слици која је послата за предвиђање.

На слици изнад, детектоване су 4 конзерве парадајз пасте. У резултатима је црвени квадрат преко сваког детектованог објекта на слици, што указује на ограничујућу кутију за слику.

✅ Отворите предвиђања у Custom Vision-у и погледајте ограничујуће кутије.

Ограничујуће кутије су дефинисане са 4 вредности - горња, лева, висина и ширина. Ове вредности су на скали од 0-1, што представља позиције као проценат величине слике. Почетак (позиција 0,0) је горњи леви угао слике, тако да је горња вредност удаљеност од врха, а доњи део ограничујуће кутије је горња вредност плус висина.

Слика изнад је широка 600 пиксела и висока 800 пиксела. Ограничујућа кутија почиње на 320 пиксела од врха, што даје горњу координату од 0.4 (800 x 0.4 = 320). Са леве стране, кутија почиње на 240 пиксела, што даје леву координату од 0.4 (600 x 0.4 = 240). Висина кутије је 240 пиксела, што даје вредност висине од 0.3 (800 x 0.3 = 240). Ширина кутије је 120 пиксела, што даје вредност ширине од 0.2 (600 x 0.2 = 120).

Координата	Вредност
Горња	0.4
Лева	0.4
Висина	0.3
Ширина	0.2

Коришћење процентуалних вредности од 0-1 значи да, без обзира на то на коју величину је слика скалирана, ограничујућа кутија почиње 0.4 пута дуж и низ слику, и има висину од 0.3 и ширину од 0.2.

Можете користити ограничујуће кутије у комбинацији са вероватноћама да процените колико је детекција тачна. На пример, детектор објеката може детектовати више објеката који се преклапају, на пример детектујући једну конзерву унутар друге. Ваш код може погледати ограничујуће кутије, разумети да је то немогуће, и игнорисати све објекте који се значајно преклапају са другим објектима.

У примеру изнад, једна ограничујућа кутија указује на предвиђену конзерву парадајз пасте са 78.3%. Друга ограничујућа кутија је нешто мања и налази се унутар прве са вероватноћом од 64.3%. Ваш код може проверити ограничујуће кутије, видети да се потпуно преклапају, и игнорисати нижу вероватноћу јер је немогуће да једна конзерва буде унутар друге.

✅ Можете ли замислити ситуацију у којој је валидно детектовати један објекат унутар другог?

Поновно обучавање модела

Као и код класификатора слика, можете поново обучити свој модел користећи податке прикупљене са вашег IoT уређаја. Коришћење ових података из стварног света осигураће да ваш модел добро функционише када се користи са IoT уређаја.

За разлику од класификатора слика, не можете само означити слику. Уместо тога, морате прегледати сваку ограничујућу кутију коју је модел детектовао. Ако је кутија око погрешног објекта, треба је обрисати, а ако је на погрешној локацији, треба је прилагодити.

Задатак - поновно обучавање модела

1. Уверите се да сте прикупили низ слика са вашег IoT уређаја.

2. У картици Predictions, изаберите слику. Видећете црвене кутије које указују на ограничујуће кутије детектованих објеката.

3. Прегледајте сваку ограничујућу кутију. Изаберите је и видећете искачући прозор са ознаком. Користите ручке на угловима ограничујуће кутије да прилагодите величину ако је потребно. Ако је ознака погрешна, уклоните је дугметом X и додајте исправну ознаку. Ако ограничујућа кутија не садржи објекат, обришите је дугметом са иконом канте за смеће.

4. Затворите уређивач када завршите и слика ће се преместити из картице Predictions у картицу Training Images. Поновите процес за све предвиђања.

5. Користите дугме Train да поново обучите свој модел. Када се обука заврши, објавите итерацију и ажурирајте свој IoT уређај да користи URL нове итерације.

6. Поново распоредите свој код и тестирајте свој IoT уређај.

Бројање залиха

Коришћењем комбинације броја детектованих објеката и ограничујућих кутија, можете пребројати залихе на полици.

Задатак - бројање залиха

Пратите одговарајуће упутство у наставку како бисте пребројали залихе користећи резултате детектора објеката са вашег IoT уређаја:

• Arduino - Wio Terminal
• Рачунар са једном плочом - Raspberry Pi/Виртуелни уређај

---

🚀 Изазов

Можете ли детектовати погрешне залихе? Обучите свој модел на више објеката, а затим ажурирајте своју апликацију да вас обавести ако се детектују погрешне залихе.

Можда чак идите корак даље и детектујте залихе једне поред других на истој полици, и проверите да ли је нешто стављено на погрешно место дефинисањем граница за ограничујуће кутије.

Квиз након предавања

Квиз након предавања

Преглед и самостално учење

• Сазнајте више о томе како да дизајнирате систем за детекцију залиха од почетка до краја из водича за образац детекције недостатка залиха на ивици у Microsoft Docs-у
• Сазнајте друге начине за изградњу решења за малопродају од почетка до краја комбиновањем различитих IoT и облачних услуга гледајући овај Hands On! видео на YouTube-у.

Задатак

Користите свој детектор објеката на ивици

---

Одрицање од одговорности:
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције Co-op Translator. Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.