使用基于IoTEdge的图像分类器对图像进行分类-虚拟IoT硬件和RaspberryPi

使用基于IoT Edge的图像分类器对图像进行分类 - 虚拟IoT硬件和Raspberry Pi

在本课程的一部分中，你将使用运行在IoT Edge设备上的图像分类器。

使用IoT Edge分类器

IoT设备可以被重定向以使用基于IoT Edge的图像分类器。图像分类器的URL是http://<IP address or name>/image，请将<IP address or name>替换为运行IoT Edge的计算机的IP地址或主机名。

自定义视觉的Python库仅适用于托管在云端的模型，而不是托管在IoT Edge上的模型。这意味着你需要使用REST API来调用分类器。

任务 - 使用IoT Edge分类器

1. 如果尚未打开，则在VS Code中打开fruit-quality-detector项目。如果你正在使用虚拟IoT设备，请确保激活虚拟环境。

2. 打开app.py文件，并删除来自azure.cognitiveservices.vision.customvision.prediction和msrest.authentication的导入语句。

3. 在文件顶部添加以下导入语句：

   import requests
   ​

4. 删除从图像保存到文件之后的所有代码，即从image_file.write(image.read())到文件末尾的所有内容。

5. 在文件末尾添加以下代码：

   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}%')
   ​

   将<URL>替换为你分类器的URL。

   这段代码会向分类器发出一个REST POST请求，将图像作为请求体发送。结果将以JSON格式返回，并解码后打印出概率。

6. 运行你的代码，将摄像头对准一些水果，或者适当的图像集，或者如果使用虚拟IoT硬件则可见的水果。你将在控制台中看到输出：

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

你可以在code-classify/pi或code-classify/virtual-iot-device文件夹中找到这段代码。

你的水果质量分类程序成功了！

声明:
本文件灏天文库团队进行了翻译。尽管我们力求准确，但请注意，翻译可能包含错误或不准确之处。原文档以其原始语言为准。我们不对因使用此翻译而产生的任何误解或误译负责。