9.0 KiB

Raw Permalink Blame History

เรียกใช้งานตัวตรวจจับวัตถุจากอุปกรณ์ IoT ของคุณ - ฮาร์ดแวร์ IoT เสมือนและ Raspberry Pi

เมื่อคุณเผยแพร่ตัวตรวจจับวัตถุแล้ว คุณสามารถใช้งานมันจากอุปกรณ์ IoT ของคุณได้

คัดลอกโปรเจกต์ตัวจำแนกภาพ

ตัวตรวจจับสินค้าส่วนใหญ่จะเหมือนกับตัวจำแนกภาพที่คุณสร้างในบทเรียนก่อนหน้า

งาน - คัดลอกโปรเจกต์ตัวจำแนกภาพ

สร้างโฟลเดอร์ชื่อ stock-counter บนคอมพิวเตอร์ของคุณหากคุณใช้อุปกรณ์ IoT เสมือน หรือบน Raspberry Pi ของคุณ หากคุณใช้อุปกรณ์ IoT เสมือน อย่าลืมตั้งค่าสภาพแวดล้อมเสมือน
ตั้งค่าฮาร์ดแวร์กล้อง
- หากคุณใช้ Raspberry Pi คุณจะต้องติดตั้ง PiCamera คุณอาจต้องการยึดกล้องให้อยู่ในตำแหน่งเดียว เช่น แขวนสายเคเบิลไว้เหนือกล่องหรือกระป๋อง หรือยึดกล้องกับกล่องด้วยเทปสองหน้า
- หากคุณใช้อุปกรณ์ IoT เสมือน คุณจะต้องติดตั้ง CounterFit และ CounterFit PyCamera shim หากคุณจะใช้ภาพนิ่ง ให้จับภาพบางภาพที่ตัวตรวจจับวัตถุของคุณยังไม่เคยเห็น หากคุณจะใช้เว็บแคม อย่าลืมจัดตำแหน่งให้สามารถมองเห็นสินค้าที่คุณกำลังตรวจจับได้
ทำตามขั้นตอนจาก บทเรียนที่ 2 ของโปรเจกต์การผลิต เพื่อจับภาพจากกล้อง
ทำตามขั้นตอนจาก บทเรียนที่ 2 ของโปรเจกต์การผลิต เพื่อเรียกใช้งานตัวจำแนกภาพ โค้ดส่วนใหญ่จะถูกนำมาใช้ซ้ำเพื่อการตรวจจับวัตถุ

เปลี่ยนโค้ดจากตัวจำแนกภาพเป็นตัวตรวจจับวัตถุ

โค้ดที่คุณใช้ในการจำแนกภาพมีความคล้ายคลึงกับโค้ดที่ใช้ในการตรวจจับวัตถุ ความแตกต่างหลักคือวิธีที่เรียกใช้งานบน Custom Vision SDK และผลลัพธ์ที่ได้จากการเรียกใช้งาน

งาน - เปลี่ยนโค้ดจากตัวจำแนกภาพเป็นตัวตรวจจับวัตถุ

ลบโค้ดสามบรรทัดที่ใช้ในการจำแนกภาพและประมวลผลการคาดการณ์:
```
results = predictor.classify_image(project_id, iteration_name, image)

for prediction in results.predictions:
    print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
```
ลบสามบรรทัดนี้ออก
เพิ่มโค้ดต่อไปนี้เพื่อการตรวจจับวัตถุในภาพ:
```
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}%')
```
โค้ดนี้เรียกใช้งานเมธอด detect_image บน predictor เพื่อรันตัวตรวจจับวัตถุ จากนั้นรวบรวมการคาดการณ์ทั้งหมดที่มีความน่าจะเป็นสูงกว่าค่าที่กำหนด และพิมพ์ผลลัพธ์ลงในคอนโซล

แตกต่างจากตัวจำแนกภาพที่คืนผลลัพธ์เพียงหนึ่งรายการต่อแท็ก ตัวตรวจจับวัตถุจะคืนผลลัพธ์หลายรายการ ดังนั้นรายการที่มีความน่าจะเป็นต่ำจะต้องถูกกรองออก
รันโค้ดนี้ และมันจะจับภาพ ส่งไปยังตัวตรวจจับวัตถุ และพิมพ์วัตถุที่ตรวจจับได้ออกมา หากคุณใช้อุปกรณ์ IoT เสมือน อย่าลืมตั้งค่าภาพที่เหมาะสมใน CounterFit หรือเลือกเว็บแคมของคุณ หากคุณใช้ Raspberry Pi อย่าลืมจัดตำแหน่งกล้องให้ชี้ไปยังวัตถุบนชั้นวาง
```
pi@raspberrypi:~/stock-counter $ python3 app.py 
tomato paste:   34.13%
tomato paste:   33.95%
tomato paste:   35.05%
tomato paste:   32.80%
```
💁 คุณอาจต้องปรับค่า threshold ให้เหมาะสมกับภาพของคุณ

คุณจะสามารถเห็นภาพที่ถูกจับ และค่าต่าง ๆ เหล่านี้ในแท็บ Predictions ใน Custom Vision

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

😀 โปรแกรมนับสินค้าของคุณประสบความสำเร็จ!

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

9.0 KiB Raw Permalink Blame History