分類圖像 - 虛擬物聯網硬體和樹莓派

在本課程的這一部分，你將把相機捕獲的圖像發送到自訂視覺服務進行分類。

將圖像發送到自訂視覺

自訂視覺服務有一個 Python SDK，你可以用來分類圖像。

任務 - 將圖像發送到自訂視覺

在 VS Code 中打開 fruit-quality-detector 文件夾。如果你使用的是虛擬物聯網設備，請確保虛擬環境在終端中運行。
用於將圖像發送到自訂視覺的 Python SDK 可作為 Pip 包使用。使用以下命令安裝它：
```
pip3 install azure-cognitiveservices-vision-customvision
```
在 app.py 文件的頂部添加以下導入語句：
```
from msrest.authentication import ApiKeyCredentials
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
```
這將引入自訂視覺庫中的一些模塊，一個用於使用預測密鑰進行身份驗證，另一個提供可以調用自訂視覺的預測客戶端類。
在文件末尾添加以下代碼：
```
prediction_url = '<prediction_url>'
prediction_key = '<prediction key>'
```
將 <prediction_url> 替換為你在本課程前面從 預測 URL 對話框中複製的 URL。將 <prediction key> 替換為你從同一對話框中複製的預測密鑰。
預測 URL 對話框提供的預測 URL 設計用於直接調用 REST 端點。Python SDK 在不同的地方使用 URL 的部分。添加以下代碼以將此 URL 分解為所需的部分：
```
parts = prediction_url.split('/')
endpoint = 'https://' + parts[2]
project_id = parts[6]
iteration_name = parts[9]
```
這將拆分 URL，提取 https://<location>.api.cognitive.microsoft.com 的端點、項目 ID 和已發布迭代的名稱。
創建一個預測對象以使用以下代碼進行預測：
```
prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
```
prediction_credentials 包裝預測密鑰。然後使用這些來創建一個指向端點的預測客戶端對象。
使用以下代碼將圖像發送到自訂視覺：
```
image.seek(0)
results = predictor.classify_image(project_id, iteration_name, image)
```
這將圖像倒回到開始，然後將其發送到預測客戶端。
最後，使用以下代碼顯示結果：
```
for prediction in results.predictions:
    print(f'{prediction.tag_name}:\t{prediction.probability * 100:.2f}%')
```
這將循環顯示所有返回的預測並在終端上顯示它們。返回的概率是從 0 到 1 的浮點數，0 表示與標籤匹配的概率為 0%，1 表示與標籤匹配的概率為 100%。

💁 圖像分類器將返回所有使用過的標籤的百分比。每個標籤都會有一個圖像與該標籤匹配的概率。
運行你的代碼，讓相機對準一些水果，或適當的圖像集，或如果使用虛擬物聯網硬體，則讓水果在你的網絡攝像頭上可見。你將在控制台中看到輸出：
```
(.venv) ➜  fruit-quality-detector python app.py
ripe:   56.84%
unripe: 43.16%
```
你將能夠看到拍攝的圖像，並在自訂視覺的預測標籤中看到這些值。

💁 你可以在 code-classify/pi 或 code-classify/virtual-iot-device 文件夾中找到此代碼。

😀 你的水果質量分類器程序成功了！

分類圖像 - 虛擬物聯網硬體和樹莓派

將圖像發送到自訂視覺​

任務 - 將圖像發送到自訂視覺​

將圖像發送到自訂視覺

任務 - 將圖像發送到自訂視覺