10 KiB
మీ IoT పరికరంలో నుంచి మీ ఆబ్జెక్ట్ డిటెక్టర్ను పిలవండి - వర్చువల్ IoT హార్డ్వేర్ మరియు రాస్ప్బెర్రీ పై
మీ ఆబ్జెక్ట్ డిటెక్టర్ ప్రచురించబడిన తర్వాత, అది మీ IoT పరికరంలో నుండూ ఉపయోగించవచ్చు.
ఇమేజ్ క్లాసిఫయర్ ప్రాజెక్టును కాపీ చేసుకోండి
మీ స్టాక్ డిటెక్టర్ పెద్ద భాగం మీరు ముందుగా తయారుచేసిన ఇమేజ్ క్లాసిఫయర్ లాంటిదే ఉంటుంది.
టాస్క్ - ఇమేజ్ క్లాసిఫయర్ ప్రాజెక్టును కాపీ చేసుకోండి
-
మీరు వర్చువల్ IoT పరికరాన్ని ఉపయోగిస్తుంటే మీ కంప్యూటర్లో లేదా మీ రాస్ప్బెర్రీ పై
stock-counterఅనే ఫోల్డర్ను సృష్టించండి. వర్చువల్ IoT పరికరాన్ని ఉపయోగిస్తుంటే వర్చువల్ ఎన్విరాన్మెంట్ సెట్ చేసుకున్నట్లు చూసుకోండి. -
కెమెరా హార్డ్వేర్ని సెట్ చేయండి.
- మీరు రాస్ప్బెర్రీ పై ఉపయోగిస్తుంటే PiCamera ని అమర్చవలసి ఉంటుంది. క్యాబుల్ని బాక్స్ లేదా కేనుపై ఉంచడం లేదా కెమెరాను బాక్సు మీద డబుల్-సైడెడ్ టేపుతో అమర్చడం వంటివి చేయడం ద్వారా కెమెరా స్థిరంగా ఉండేలా చూసుకోవచ్చు.
- మీరు వర్చువల్ IoT పరికరాన్ని ఉపయోగిస్తుంటే CounterFit మరియు CounterFit PyCamera షిమ్ను ఇన్స్టాల్ చేయాలి. మీరు స్టిల్ ఇమేజెస్ ఉపయోగించబోతుంటే, మీ ఆబ్జెక్ట్ డిటెక్టర్ ఇప్పటి వరకు చూడని కొన్ని చిత్రాలను క్యాప్చర్ చేయండి. మీరు వెబ్ కెమ్ ఉపయోగించబోతుంటే సరిగ్గా స్టాక్ కనిపించేలా కెమెరా పొజిషన్ సరిచూసుకోండి.
-
కెమెరా నుండి చిత్రాలను క్యాప్చర్ చేసుకోవడానికి manufacturing ప్రాజెక్టు లెసన్ 2నుండి స్టెప్స్ని రిప్లికేట్ చేయండి.
-
ఇమేజ్ క్లాసిఫయర్ను పిలవడానికి manufacturing ప్రాజెక్టు లెసన్ 2నుండి కోడ్ స్టెప్స్ని రిప్లికేట్ చేయండి. ఈ కోడ్లో పెద్ద భాగం ఆబ్జెక్ట్ డిటెక్ట్ చేయడానికి తిరిగి ఉపయోగించబడుతుంది.
కోడ్ను క్లాసిఫయర్ నుండి ఇమేజ్ డిటెక్టర్గా మార్చండి
మీరు ఇమేజ్ క్లాసిఫై చేయడానికి ఉపయోగించిన కోడ్ చాలా సమానంగా ఉంటుంది ఆబ్జెక్టులను డిటెక్ట్ చేయడానికి ఉపయోగించే కోడ్తో. ప్రధాన తేడా Custom Vision SDK లో పిలవబడే మెథడ్ మరియు కాల్ ఫలితాలలో ఉంటుంది.
టాస్క్ - కోడ్ను క్లాసిఫయర్ నుండి ఇమేజ్ డిటెక్టర్గా మార్చండి
-
చిత్రం క్లాసిఫై చేసి ప్రిడిక్షన్స్ ప్రాసెస్ చేసే మూడు కోడ్ లైన్లను తీసివేయండి:
results = predictor.classify_image(project_id, iteration_name, image) for prediction in results.predictions: print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')ఈ మూడు లైన్లను తీసివేయండి.
-
ఇమేజ్లో ఆబ్జెక్టులను డిటెక్ట్ చేయడానికి క్రింది కోడ్ని జోడించండి:
results = predictor.detect_image(project_id, iteration_name, image) threshold = 0.3 predictions = list(prediction for prediction in results.predictions if prediction.probability > threshold) for prediction in predictions: print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')ఈ కోడ్ predictor పైని
detect_imageమేథడ్ను పిలుస్తుంది ఆబ్జెక్ట్ డిటెక్టర్ను నడపడానికి. ఆపై ప్రాబాబిలిటీ థ్రెషోల్డ్ మించి ఉన్న అన్ని ప్రిడిక్షన్స్ని సేకరించి కన్సోಲ್లో ప్రింట్ చేస్తుంది.ట్యాగ్కు ఒక్క ఫలితం మాత్రమే ఇచ్చే ఇమేజ్ క్లాసిఫయర్ తో పోల్చితే, ఆబ్జెక్ట్ డిటెక్టర్ బహుళ ఫలితాలు ఇస్తుంది కాబట్టి తక్కువ ప్రాబాబిలిటీయున్న వాటిని ఫిల్టర్ చేయాల్సి ఉంటుంది.
-
ఈ కోడ్ ను నడపండి, ఇది ఒక చిత్రాన్ని క్యాప్చర్ చేసి ఆబ్జెక్ట్ డిటెక్టర్కు పంపించి, డిటెక్ట్ అయిన ఆబ్జెక్టులను ప్రింట్ చేస్తుంది. మీరు వర్చువల్ IoT పరికరం ఉపయోగిస్తుంటే CounterFit లో సరైన ఇమేజ్ సెట్ ఉన్నదని లేదా మా వెబ్ కెమ్ ఎంపికై ఉన్నదని చూసుకోండి. మీరు రాస్ప్బెర్రీ పై ఉపయోగిస్తుంటే, కెమెరా ఓ షెల్ఫ్ లోని వస్తువుల వైపు చూసివుండటం చూశుకోండి.
pi@raspberrypi:~/stock-counter $ python3 app.py tomato paste: 34.13% tomato paste: 33.95% tomato paste: 35.05% tomato paste: 32.80%💁 మీ చిత్రాలకు సరిపోయే విలువ కోసం
thresholdను సర్దుబాటు చేయవలసి ఉండవచ్చు.మీరు తీయబడిన చిత్రాన్ని మరియు ఈ విలువలను Custom Vision లో Predictions ట్యాబ్ లో చూడగలుగుతారు.
💁 ఈ కోడ్ను మీరు code-detect/pi లేదా code-detect/virtual-iot-device ఫోల్డర్లో పొందవచ్చు.
😀 మీ స్టాక్ కౌంటర్ ప్రోగ్రాం విజయవంతంగా జరిగింది!
విధేయత: ఈ డాక్యుమెంట్ను AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము సరిగా అనువదించే ప్రయత్నం చేస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా అసత్యతలు ఉండే అవకాశం ఉన్నాయని దయచేసి గమనించండి. ఒరిజినల్ డాక్యుమెంట్ దాని స్థానిక భాషలో నమ్మకమైన మూలంగా పరిగణించబడాలి. కీలకమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సూచించబడుతుంది. ఈ అనువాదం వాడుకలో వచ్చిన ఏవైనా అవగాహనా లోపాలు లేదా తప్పుదారితీయముల కోసం మేము బాధ్యత వహించము.