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.
98 lines
8.5 KiB
98 lines
8.5 KiB
# ఒక ఇమేజ్ను వర్గీకరించండి - వర్చువల్ IoT హార్డ్వేర్ మరియు రెస్ప్బెర్రీ పై
|
|
|
|
దీనిలో మీరు కెమెరాతో సేకరించిన ఇమేజ్ని Custom Vision సేవకు పంపించి దానిని వర్గీకరించాలని చేస్తారు.
|
|
|
|
## Custom Vision కు ఇమేజ్లు పంపించండి
|
|
|
|
Custom Vision సేవకు Python SDK ఉంది, దీన్ని మీరు ఇమేజ్లను వర్గీకరించడానికి ఉపయోగించవచ్చు.
|
|
|
|
### పనులు - Custom Vision కు ఇమేజ్లు పంపండి
|
|
|
|
1. VS Codeలో `fruit-quality-detector` ఫోల్డర్ను తెరవండి. మీరు వర్చువల్ IoT పరికరం ఉపయోగిస్తుంటే, టెర్మినల్లో వర్చువల్ ఎన్విరాన్మెంట్ నడుస్తుందని నిర్ధారించుకోండి.
|
|
|
|
1. Custom Visionకు ఇమేజ్లు పంపడానికి Python SDKను Pip ప్యాకేజీగా పొందుపరచవచ్చు. కింది కమాండ్తో దీన్ని ఇన్స్టాల్ చేయండి:
|
|
|
|
```sh
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
```
|
|
|
|
1. `app.py` ఫైల్ టాప్లో కింది ఇంపోర్ట్ స్టేట్మెంట్లను జోడించండి:
|
|
|
|
```python
|
|
from msrest.authentication import ApiKeyCredentials
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
```
|
|
|
|
ఇది Custom Vision లైబ్రరీల నుండి కొన్ని మాడ్యూల్స్ని తీసుకొస్తుంది, ఒకటి prediction keyతో ఆటోమెంట్ చేసుకోడానికి, మరొకటి Custom Visionను కాల్ చేయగల prediction క్లయింట్ క్లాస్ అందిస్తుంది.
|
|
|
|
1. ఫైల్ చివర కింది కోడ్ను జోడించండి:
|
|
|
|
```python
|
|
prediction_url = '<prediction_url>'
|
|
prediction_key = '<prediction key>'
|
|
```
|
|
|
|
`<prediction_url>`ను మీరు ఈ పాఠంలో మునుపుగా *Prediction URL* డైలాగ్ నుండి కాపీ చేసుకున్న URL తో మార్చండి. `<prediction key>`ని అదే డైలాగ్ నుండి కాపీ చేసుకున్న prediction keyతో మార్చండి.
|
|
|
|
1. *Prediction URL* డైలాగ్ అందించిన prediction URL సాదారణంగా REST ఎండ్పాయింట్ ని నేరుగా పిలవడానికి ఉపయోగిస్తారు. Python SDK URLలోని భాగాలను వేరుగా ఉపయోగిస్తుంది. కింది కోడ్తో ఈ URLని అవసరమైన భాగాలుగా విడగొట్టండి:
|
|
|
|
```python
|
|
parts = prediction_url.split('/')
|
|
endpoint = 'https://' + parts[2]
|
|
project_id = parts[6]
|
|
iteration_name = parts[9]
|
|
```
|
|
|
|
ఇది URLని విడగొట్టి, `https://<location>.api.cognitive.microsoft.com` ఎండ్పాయింట్, ప్రాజెక్ట్ ID, ప్రచురించిన iteration పేరు తీసుకుంటుంది.
|
|
|
|
1. prediction చేయడానికి predictor ఆబ్జెక్ట్ను క్రింది కోడ్తో సృష్టించండి:
|
|
|
|
```python
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
```
|
|
|
|
`prediction_credentials` prediction keyని చుట్టేస్తుంది. అవి ఎండ్పాయింట్కు సూచించునట్లు prediction client ఆబ్జెక్ట్ సృష్టించడానికి ఉపయోగిస్తారు.
|
|
|
|
1. కింది కోడ్తో ఇమేజ్ను Custom Visionకు పంపండి:
|
|
|
|
```python
|
|
image.seek(0)
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
```
|
|
|
|
ఇది ఇమేజ్ను మొదటి నుంచి తిరిగి సెట్ చేసి prediction clientకు పంపిస్తుంది.
|
|
|
|
1. చివరగా, కింది కోడ్తో ఫలితాలను చూపించండి:
|
|
|
|
```python
|
|
for prediction in results.predictions:
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
```
|
|
|
|
ఇది తిరిగి వచ్చిన అన్ని predictions మీద లూప్ చేస్తూ వాటిని టెర్మినల్లో చూపిస్తుంది. probabilities 0 నుంచి 1 మధ్య ఫ్లోటింగ్ పాయింట్ సంఖ్యలు, 0 అంటే ట్యాగ్తో సరిపోయే అవకాశం 0%, 1 అంటే 100%.
|
|
|
|
> 💁 ఇమేజ్ క్లాసిఫాయర్లు అన్ని వాడిన ట్యాగ్ల కోసం శాతం విలువలు ఇస్తాయి. ప్రతి ట్యాగ్కు ఆ ఇమేజ్ ఆ ట్యాగ్కు సరిపోయే అవకాశం ఉంటుంది.
|
|
|
|
1. మీ కోడ్ను నడపండి, మీ కెమెరాను ఏదైనా ఫలం లేదా సరిగ్గా ఉన్న ఇమేజ్ సెట్ దిశగా తీసుకుని చూడండి, లేదా వర్చువల్ IoT హార్డ్వేర్ వాడితే உங்கள் వెబ్క్యామ్లో కనిపించే ఫలం. కన్సోల్లో అవుట్పుట్ చూసెయ్యొచ్చు:
|
|
|
|
```output
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
ripe: 56.84%
|
|
unripe: 43.16%
|
|
```
|
|
|
|
మీరు తీసుకున్న ఇమేజ్ మరియు ఈ విలువలను Custom Visionలో **Predictions** ట్యాబ్లో చూడవచ్చు.
|
|
|
|
|
|
|
|
> 💁 మీరు ఈ కోడ్ను [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) లేదా [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device) ఫోల్డర్లలో చూడొచ్చు.
|
|
|
|
😀 మీ ఫలం నాణ్యత క్లాసిఫయర్ ప్రోగ్రాం విజయవంతం అయ్యింది!
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**తప్పింపు మనోగతం**:
|
|
ఈ పత్రం AI అనuvadana సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించుతుంటే, యంత్ర అనuvadana లో లోపాలు లేదా అసమర్థతలు ఉండవచ్చు. మూల పత్రం తన స్వదేశీ భాషలో అధికారిక ప్రమాణం గా తీసుకోవాలి. ముఖ్యమైన సమాచారానికి, వృత్తిపరమైన మానవ అనuvadana సూచించబడుతుంది. ఈ అనuvadana ఉపయోగం ద్వారా ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదోవలు కోసం మేము బాధ్యత వహించమం.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |