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

Klassificera en bild - Virtuell IoT-hårdvara och Raspberry Pi

I den här delen av lektionen kommer du att skicka bilden som kameran har tagit till Custom Vision-tjänsten för att klassificera den.

Skicka bilder till Custom Vision

Custom Vision-tjänsten har ett Python SDK som du kan använda för att klassificera bilder.

Uppgift - skicka bilder till Custom Vision

1. Öppna mappen fruit-quality-detector i VS Code. Om du använder en virtuell IoT-enhet, se till att den virtuella miljön körs i terminalen.

2. Python SDK för att skicka bilder till Custom Vision finns som ett Pip-paket. Installera det med följande kommando:

   pip3 install azure-cognitiveservices-vision-customvision
   

3. Lägg till följande import-satser högst upp i filen app.py:

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

   Detta importerar några moduler från Custom Vision-biblioteken, en för att autentisera med prediktionsnyckeln och en för att tillhandahålla en klientklass för prediktion som kan anropa Custom Vision.

4. Lägg till följande kod i slutet av filen:

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

   Ersätt <prediction_url> med URL:en du kopierade från dialogrutan Prediction URL tidigare i lektionen. Ersätt <prediction key> med prediktionsnyckeln du kopierade från samma dialogruta.

5. Prediktions-URL:en som tillhandahölls av dialogrutan Prediction URL är utformad för att användas när REST-slutpunkten anropas direkt. Python SDK använder delar av URL:en på olika platser. Lägg till följande kod för att dela upp denna URL i de delar som behövs:

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

   Detta delar upp URL:en och extraherar slutpunkten https://<location>.api.cognitive.microsoft.com, projekt-ID och namnet på den publicerade iterationen.

6. Skapa ett predictor-objekt för att utföra prediktionen med följande kod:

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

   prediction_credentials omsluter prediktionsnyckeln. Dessa används sedan för att skapa ett klientobjekt för prediktion som pekar på slutpunkten.

7. Skicka bilden till Custom Vision med följande kod:

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

   Detta spolar tillbaka bilden till början och skickar den sedan till prediktionsklienten.

8. Visa slutligen resultaten med följande kod:

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

   Detta kommer att loopa igenom alla prediktioner som har returnerats och visa dem i terminalen. De sannolikheter som returneras är flyttal mellan 0-1, där 0 motsvarar 0% chans att matcha taggen och 1 motsvarar 100% chans.

   💁 Bildklassificerare kommer att returnera procentandelar för alla taggar som har använts. Varje tagg kommer att ha en sannolikhet att bilden matchar den taggen.

9. Kör din kod, med kameran riktad mot någon frukt, eller en lämplig bilduppsättning, eller frukt som är synlig på din webbkamera om du använder virtuell IoT-hårdvara. Du kommer att se resultatet i konsolen:

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

   Du kommer att kunna se bilden som togs, och dessa värden i fliken Predictions i Custom Vision.

   

💁 Du kan hitta denna kod i mappen code-classify/pi eller code-classify/virtual-iot-device.

😀 Ditt program för att klassificera fruktkvalitet blev en framgång!

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiska översättningar kan innehålla fel eller inexaktheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.