msb-public
/
IoT-For-Beginners
mirror of https://github.com/microsoft/IoT-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
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.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
IoT-For-Beginners/translations/te/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

6.4 KiB
Raw Permalink Blame History

IoT ఎడ్జ్ ఆధారిత చిత్రం వర్గీకరణ యంత్రం ఉపయోగించి ఒక చిత్రాన్ని వర్గీకరించండి - వర్చువల్ IoT హార్డ్‌వేర్ మరియు రాస్ప్బెర్రీ పై

పాఠశాలంలోని ఈ భాగంలో, మీరు IoT ఎడ్జ్ డివైస్‌పై నడుస్తున్న చిత్రం వర్గీకరణ యంత్రాన్ని ఉపయోగ خواهید.

IoT ఎడ్జ్ వర్గీకరణ యంత్రం ఉపయోగించండి

IoT డివైస్‌ను IoT ఎడ్జ్ చిత్రం వర్గీకరణ యంత్రం ఉపయోగించడానికి మళ్లించవచ్చు. చిత్రం వర్గీకరణ యంత్రం యొక్క URL http://<IP చిరునామా లేదా పేరు>/image, ఇక్కడ <IP చిరునామా లేదా పేరు>ను IoT ఎడ్జ్ నడుస్తున్న కంప్యూటర్ యొక్క IP చిరునామా లేదా హోస్ట్ పేరుతో మార్చండి.

కస్టమ్ విజన్ కోసం పైన పోయిథాన్ లైబ్రరీ కేవలం క్లౌడ్-హోస్టెడ్ నమూనాలతో మాత్రమే పనిచేస్తుంది, IoT ఎడ్జ్ పై హోస్టెడ్ నమూనాలతో కాదు. దీని అర్థం మీరు వర్గీకరణ యంత్రాన్ని పిలవడానికి REST API ఉపయోగించాల్సి ఉంటుంది.

పని - IoT ఎడ్జ్ వర్గీకరణ యంత్రం ఉపయోగించండి

  1. fruit-quality-detector ప్రాజెక్ట్‌ను VS కోడ్‌లో తెరవండి, ఇది ఇప్పటికే తెరిచి లేకపోతే. మీరు వర్చువల్ IoT డివైస్‌ని ఉపయోగిస్తుంటే, వర్చువల్ ఎన్విరాన్మెంట్ సక్రియమయ్యింది అని నిర్ధారించుకోండి.

  2. app.py ఫైల్‌ను ఓపెన్ చేసి, azure.cognitiveservices.vision.customvision.prediction మరియు msrest.authentication నుండి ఇంపోర్ట్ స్టేట్‌మెంట్స్ తొలగించండి.

  3. ఫైల్ పైభాగంలో క్రింది ఇంపోర్ట్ ని చేర్చండి:

    import requests

  4. చిత్రం ఫైల్‌గా సేవ్ చేసిన తర్వాత, image_file.write(image.read()) నుండి ఫైల్ చివరి వరకు ఉన్న మొత్తం కోడ్‌ను ఎరేసివేయండి.

  5. ఫైల్ చివర క్రింది కోడ్ చేర్చండి:

    prediction_url = '<URL>'
headers = {
    'Content-Type' : 'application/octet-stream'
}
image.seek(0)
response = requests.post(prediction_url, headers=headers, data=image)
results = response.json()

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

    <URL>ను మీ వర్గీకరణ యంత్రం URL తో మార్చండి.

    ఈ కోడ్ వర్గీకరణ యంత్రానికి REST POST అభ్యర్థనను పంపుతుంది, అభ్యర్థన బాడీగా చిత్రాన్ని పంపుతుంది. ఫలితాలు JSON రూపంలో వస్తాయి, ఇవి పాప్-ప్రబబిలిటీలను అర్థం చేసుకునేందుకు డికోడ్ చేస్తారు.

  6. మీ కోడ్‌ను నడపండి, మీ కెమెరాను కొన్ని ఫలాలు లేదా సరిపోయే చిత్రం సెట్ లేదా వర్చువల్ IoT హార్డ్‌వేర్ ఉపయోగిస్తుంటే వెబ్‌క్యామ్‌పై కనిపించే ఫలంపై దృష్టి పెట్టి. మీరు కన్‌సోల్‌లో ఫలితాన్ని చూడగలుగుతారు:

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

💁 మీరు ఈ కో드를 code-classify/pi లేదా code-classify/virtual-iot-device ఫోల్డర్‌లలో కనుగొనవచ్చు.

😀 మీ ఫలాల నాణ్యత వర్గీకరణ ప్రోగ్రామ్ విజయవంతమైంది!

అస్థిరతాపూర్వకం:
ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాలలో తప్పిదాలు లేదా లోపాలు ఉండవచ్చు. స్థానిక భాషలో ఉన్న మాన్యాంశం అధికారిక మూలం గా పరిగణించాలి. ముఖ్యమైన సమాచారం కోసం, నిపుణుల చేతి అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వాడకంవల్ల ఏర్పడే ఏవైనా అర్థం తప్పుదోవలు లేదా తప్పుదిట్టుల గురించి మేము బాధ్యత వహించము.