|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "e5896207b304ce1abaf065b8acc0cc79",
|
|
|
"translation_date": "2025-08-24T21:30:55+00:00",
|
|
|
"source_file": "4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md",
|
|
|
"language_code": "zh"
|
|
|
}
|
|
|
-->
|
|
|
# 分类图像 - 虚拟 IoT 硬件和 Raspberry Pi
|
|
|
|
|
|
在本节课程中，您将把摄像头捕获的图像发送到 Custom Vision 服务进行分类。
|
|
|
|
|
|
## 将图像发送到 Custom Vision
|
|
|
|
|
|
Custom Vision 服务提供了一个 Python SDK，您可以用它来分类图像。
|
|
|
|
|
|
### 任务 - 将图像发送到 Custom Vision
|
|
|
|
|
|
1. 在 VS Code 中打开 `fruit-quality-detector` 文件夹。如果您使用的是虚拟 IoT 设备，请确保虚拟环境在终端中运行。
|
|
|
|
|
|
1. 用于将图像发送到 Custom Vision 的 Python SDK 可作为一个 Pip 包安装。使用以下命令安装：
|
|
|
|
|
|
```sh
|
|
|
pip3 install azure-cognitiveservices-vision-customvision
|
|
|
```
|
|
|
|
|
|
1. 在 `app.py` 文件的顶部添加以下导入语句：
|
|
|
|
|
|
```python
|
|
|
from msrest.authentication import ApiKeyCredentials
|
|
|
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
|
|
|
```
|
|
|
|
|
|
这将引入 Custom Vision 库中的一些模块，一个用于使用预测密钥进行身份验证，另一个提供可以调用 Custom Vision 的预测客户端类。
|
|
|
|
|
|
1. 在文件末尾添加以下代码：
|
|
|
|
|
|
```python
|
|
|
prediction_url = '<prediction_url>'
|
|
|
prediction_key = '<prediction key>'
|
|
|
```
|
|
|
|
|
|
将 `<prediction_url>` 替换为您在本课程前面从 *Prediction URL* 对话框中复制的 URL。将 `<prediction key>` 替换为您从同一对话框中复制的预测密钥。
|
|
|
|
|
|
1. *Prediction URL* 对话框提供的预测 URL 设计用于直接调用 REST 端点。Python SDK 在不同的地方使用 URL 的不同部分。添加以下代码将此 URL 分解为所需的部分：
|
|
|
|
|
|
```python
|
|
|
parts = prediction_url.split('/')
|
|
|
endpoint = 'https://' + parts[2]
|
|
|
project_id = parts[6]
|
|
|
iteration_name = parts[9]
|
|
|
```
|
|
|
|
|
|
这会拆分 URL，提取出 `https://<location>.api.cognitive.microsoft.com` 的端点、项目 ID 和已发布迭代的名称。
|
|
|
|
|
|
1. 使用以下代码创建一个预测器对象来执行预测：
|
|
|
|
|
|
```python
|
|
|
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
|
|
|
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
|
|
|
```
|
|
|
|
|
|
`prediction_credentials` 包装了预测密钥。这些随后用于创建一个指向端点的预测客户端对象。
|
|
|
|
|
|
1. 使用以下代码将图像发送到 Custom Vision：
|
|
|
|
|
|
```python
|
|
|
image.seek(0)
|
|
|
results = predictor.classify_image(project_id, iteration_name, image)
|
|
|
```
|
|
|
|
|
|
这会将图像回滚到起始位置，然后将其发送到预测客户端。
|
|
|
|
|
|
1. 最后，使用以下代码显示结果：
|
|
|
|
|
|
```python
|
|
|
for prediction in results.predictions:
|
|
|
print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
|
|
|
```
|
|
|
|
|
|
这会循环显示所有返回的预测结果，并在终端中显示它们。返回的概率是从 0 到 1 的浮点数，其中 0 表示与标签匹配的概率为 0%，1 表示与标签匹配的概率为 100%。
|
|
|
|
|
|
> 💁 图像分类器会返回所有使用过的标签的百分比。每个标签都会有一个图像与该标签匹配的概率。
|
|
|
|
|
|
1. 运行您的代码，将摄像头对准一些水果，或者使用适当的图像集，或者如果使用虚拟 IoT 硬件，则让水果在您的网络摄像头中可见。您将在控制台中看到输出：
|
|
|
|
|
|
```output
|
|
|
(.venv) ➜ fruit-quality-detector python app.py
|
|
|
ripe: 56.84%
|
|
|
unripe: 43.16%
|
|
|
```
|
|
|
|
|
|
您将能够看到拍摄的图像，以及这些值在 Custom Vision 的 **Predictions** 选项卡中显示。
|
|
|
|
|
|
|
|
|
|
|
|
> 💁 您可以在 [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) 或 [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device) 文件夹中找到此代码。
|
|
|
|
|
|
😀 您的水果质量分类器程序成功了！
|
|
|
|
|
|
**免责声明**：
|
|
|
本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原文档的原始语言版本为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用本翻译而引起的任何误解或误读不承担责任。 |
