从您的IoT设备调用对象检测器 - 虚拟IoT硬件和Raspberry Pi

一旦您的对象检测器发布，就可以从您的IoT设备使用它。

复制图像分类器项目

大部分的库存检测器与您在之前的课程中创建的图像分类器相同。

任务 - 复制图像分类器项目

1. 在您的计算机上创建一个名为stock-counter的文件夹（如果您正在使用虚拟IoT设备），或者在您的Raspberry Pi上创建。如果您正在使用虚拟IoT设备，请确保设置了一个虚拟环境。

2. 设置相机硬件。

   • 如果您使用的是Raspberry Pi，您需要安装PiCamera。您可能还想将相机固定在一个位置，例如，通过将电缆悬挂在盒子或罐子上，或者使用双面胶带将相机固定在盒子上。
   • 如果您使用的是虚拟IoT设备，则需要安装CounterFit和CounterFit PyCamera适配器。如果您要使用静态图片，请捕获一些对象检测器尚未见过的图片；如果您要使用网络摄像头，请确保其位置可以看见您要检测的物品。

3. 重复制造项目第2课中的步骤以从相机捕获图像。

4. 重复制造项目第2课中的步骤以调用图像分类器。这部分代码的大部分将被重用于检测对象。

将代码从分类器更改为图像检测器

用于分类图像的代码与用于检测对象的代码非常相似。主要区别在于自定义视觉SDK上调用的方法以及调用的结果。

任务 - 将代码从分类器更改为图像检测器

1. 删除用于分类图像并处理预测结果的三行代码：

   results = predictor.classify_image(project_id, iteration_name, image)
   
   for prediction in results.predictions:
       print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
   ​

   移除这三行。

2. 添加以下代码以检测图像中的对象：

   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}%')
   ​

   此代码调用预测器上的detect_image方法以运行对象检测器。然后收集所有概率高于阈值的预测，并将其打印到控制台。

   与每次仅返回一个标签结果的图像分类器不同，对象检测器将返回多个结果，因此需要过滤掉概率较低的结果。

3. 运行此代码，它将捕获一张图像，发送给对象检测器，并打印出检测到的对象。如果您使用的是虚拟IoT设备，请确保在CounterFit中设置了适当的图像，或者选择了我们的网络摄像头。如果您使用的是Raspberry Pi，请确保相机指向货架上的物品。

   pi@raspberrypi:~/stock-counter $ python3 app.py 
   tomato paste:   34.13%
   tomato paste:   33.95%
   tomato paste:   35.05%
   tomato paste:   32.80%
   ​

   您可能需要调整threshold以适应您的图像。

   您可以在Custom Vision的预测选项卡中查看所拍摄的图像以及这些值。

   

您可以在code-detect/pi或code-detect/virtual-iot-device文件夹中找到此代码。

您的库存计数程序成功了！

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。