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/tr/4-manufacturing/lessons/3-run-fruit-detector-edge/single-board-computer.md

3.6 KiB
Raw Permalink Blame History Escape

IoT Edge tabanlı bir görüntü sınıflandırıcı kullanarak bir görüntüyü sınıflandırma - Sanal IoT Donanımı ve Raspberry Pi

Bu dersin bu bölümünde, IoT Edge cihazında çalışan Görüntü Sınıflandırıcıyı kullanacaksınız.

IoT Edge sınıflandırıcıyı kullanma

IoT cihazı, IoT Edge görüntü sınıflandırıcıyı kullanacak şekilde yönlendirilebilir. Görüntü Sınıflandırıcı için URL http://<IP adresi veya adı>/image şeklindedir. <IP adresi veya adı> kısmını IoT Edge çalıştıran bilgisayarın IP adresi veya ana bilgisayar adı ile değiştirin.

Custom Vision için Python kütüphanesi yalnızca bulut barındırmalı modellerle çalışır, IoT Edge üzerinde barındırılan modellerle çalışmaz. Bu, sınıflandırıcıyı çağırmak için REST API kullanmanız gerektiği anlamına gelir.

Görev - IoT Edge sınıflandırıcıyı kullanma

  1. VS Code'da fruit-quality-detector projesini açın, eğer zaten açık değilse. Sanal bir IoT cihazı kullanıyorsanız, sanal ortamın etkinleştirildiğinden emin olun.

  2. app.py dosyasını açın ve azure.cognitiveservices.vision.customvision.prediction ve msrest.authentication içe aktarma ifadelerini kaldırın.

  3. Dosyanın en üstüne aşağıdaki içe aktarma ifadesini ekleyin:

    import requests

  4. Görüntü bir dosyaya kaydedildikten sonraki tüm kodu silin, image_file.write(image.read()) ifadesinden dosyanın sonuna kadar.

  5. Dosyanın sonuna aşağıdaki kodu ekleyin:

    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> kısmını sınıflandırıcınızın URL'si ile değiştirin.

    Bu kod, sınıflandırıcıya bir REST POST isteği gönderir ve görüntüyü isteğin gövdesi olarak iletir. Sonuçlar JSON formatında geri döner ve bu, olasılıkları yazdırmak için çözülür.

  6. Kodunuzu çalıştırın, kameranızı bir meyveye doğrultarak, uygun bir görüntü seti kullanarak veya sanal IoT donanımı kullanıyorsanız webcam üzerinde görünen meyvelerle. Konsolda çıktıyı göreceksiniz:

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

💁 Bu kodu code-classify/pi veya code-classify/virtual-iot-device klasöründe bulabilirsiniz.

😀 Meyve kalite sınıflandırıcı programınız başarılı oldu!

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul edilmez.