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

จำแนกภาพ - ฮาร์ดแวร์ IoT เสมือนและ Raspberry Pi

ในส่วนนี้ของบทเรียน คุณจะส่งภาพที่ถ่ายโดยกล้องไปยังบริการ Custom Vision เพื่อจำแนกภาพ

ส่งภาพไปยัง Custom Vision

บริการ Custom Vision มี Python SDK ที่คุณสามารถใช้เพื่อจำแนกภาพได้

งาน - ส่งภาพไปยัง Custom Vision

1. เปิดโฟลเดอร์ fruit-quality-detector ใน VS Code หากคุณใช้ฮาร์ดแวร์ IoT เสมือน ตรวจสอบให้แน่ใจว่าสภาพแวดล้อมเสมือนกำลังทำงานอยู่ในเทอร์มินัล

2. Python SDK สำหรับส่งภาพไปยัง Custom Vision มีให้ใช้งานในรูปแบบแพ็กเกจ Pip ติดตั้งด้วยคำสั่งต่อไปนี้:

   pip3 install azure-cognitiveservices-vision-customvision
   

3. เพิ่มคำสั่งนำเข้าต่อไปนี้ที่ด้านบนของไฟล์ app.py:

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

   คำสั่งนี้นำเข้าบางโมดูลจากไลบรารี Custom Vision หนึ่งโมดูลสำหรับการตรวจสอบสิทธิ์ด้วย prediction key และอีกโมดูลสำหรับการสร้าง prediction client class ที่สามารถเรียก Custom Vision ได้

4. เพิ่มโค้ดต่อไปนี้ที่ท้ายไฟล์:

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

   แทนที่ <prediction_url> ด้วย URL ที่คุณคัดลอกมาจากหน้าต่าง Prediction URL ก่อนหน้านี้ในบทเรียนนี้ และแทนที่ <prediction key> ด้วย prediction key ที่คุณคัดลอกมาจากหน้าต่างเดียวกัน

5. URL การทำนายที่ได้จากหน้าต่าง Prediction URL ถูกออกแบบมาให้ใช้เมื่อเรียก REST endpoint โดยตรง Python SDK ใช้ส่วนต่าง ๆ ของ URL ในตำแหน่งที่แตกต่างกัน เพิ่มโค้ดต่อไปนี้เพื่อแยก URL ออกเป็นส่วนที่จำเป็น:

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

   โค้ดนี้จะแยก URL โดยดึง endpoint https://<location>.api.cognitive.microsoft.com ออกมา รวมถึง project ID และชื่อของ iteration ที่เผยแพร่

6. สร้าง predictor object เพื่อทำการทำนายด้วยโค้ดต่อไปนี้:

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

   prediction_credentials จะครอบคลุม prediction key ซึ่งจะถูกใช้เพื่อสร้าง prediction client object ที่ชี้ไปยัง endpoint

7. ส่งภาพไปยัง Custom Vision ด้วยโค้ดต่อไปนี้:

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

   โค้ดนี้จะย้อนภาพกลับไปที่จุดเริ่มต้น จากนั้นส่งไปยัง prediction client

8. สุดท้าย แสดงผลลัพธ์ด้วยโค้ดต่อไปนี้:

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

   โค้ดนี้จะวนลูปผ่านการทำนายทั้งหมดที่ถูกส่งกลับมาและแสดงผลในเทอร์มินัล ความน่าจะเป็นที่ส่งกลับมาจะเป็นตัวเลขทศนิยมระหว่าง 0-1 โดย 0 หมายถึงโอกาส 0% ที่จะตรงกับแท็ก และ 1 หมายถึงโอกาส 100% ที่จะตรงกับแท็ก

   💁 ตัวจำแนกภาพจะส่งกลับเปอร์เซ็นต์สำหรับแท็กทั้งหมดที่ถูกใช้ แต่ละแท็กจะมีความน่าจะเป็นที่ภาพจะตรงกับแท็กนั้น

9. รันโค้ดของคุณ โดยให้กล้องชี้ไปที่ผลไม้บางชนิด หรือชุดภาพที่เหมาะสม หรือผลไม้ที่มองเห็นได้ผ่านเว็บแคมของคุณหากใช้ฮาร์ดแวร์ IoT เสมือน คุณจะเห็นผลลัพธ์ในคอนโซล:

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

   คุณจะสามารถเห็นภาพที่ถูกถ่าย และค่าต่าง ๆ เหล่านี้ในแท็บ Predictions ใน Custom Vision

   

💁 คุณสามารถค้นหาโค้ดนี้ได้ในโฟลเดอร์ code-classify/pi หรือ code-classify/virtual-iot-device

😀 โปรแกรมจำแนกคุณภาพผลไม้ของคุณประสบความสำเร็จ!

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามอย่างเต็มที่เพื่อความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้