跳至主要内容

從您的物聯網設備呼叫您的物體檢測器 - Wio Terminal

一旦您的物體檢測器已經發布，它就可以從您的物聯網設備中使用。

複製圖像分類器項目

您的庫存檢測器的大部分與您在前一課中創建的圖像分類器相同。

任務 - 複製圖像分類器項目

按照製造項目第2課中的步驟，將您的ArduCam連接到您的Wio Terminal。

您可能還需要將相機固定在一個位置，例如，將電纜掛在盒子或罐子上，或用雙面膠帶將相機固定在盒子上。
使用PlatformIO創建一個全新的Wio Terminal項目。將此項目命名為stock-counter。
重複製造項目第2課中的步驟，從相機捕獲圖像。
重複製造項目第2課中的步驟，調用圖像分類器。大部分代碼將被重用來檢測物體。

將代碼從分類器更改為圖像檢測器

您用於分類圖像的代碼與檢測物體的代碼非常相似。主要區別在於您從Custom Vision獲得的URL以及調用的結果。

任務 - 將代碼從分類器更改為圖像檢測器

在main.cpp文件的頂部添加以下include指令：
```
#include <vector>
```
將classifyImage函數重命名為detectStock，包括函數名稱和在buttonPressed函數中的調用。
在detectStock函數上方，聲明一個閾值以過濾掉任何概率較低的檢測結果：
```
const float threshold = 0.3f;
```
與僅返回每個標籤一個結果的圖像分類器不同，物體檢測器將返回多個結果，因此需要過濾掉任何概率較低的結果。

在detectStock函數上方，聲明一個函數來處理預測結果：

void processPredictions(std::vector<JsonVariant> &predictions)
{
    for(JsonVariant prediction : predictions)
    {
        String tag = prediction["tagName"].as<String>();
        float probability = prediction["probability"].as<float>();

        char buff[32];
        sprintf(buff, "%s:\t%.2f%%", tag.c_str(), probability * 100.0);
        Serial.println(buff);
    }
}

這將接收一個預測結果列表並將其打印到串行監視器。

在detectStock函數中，用以下內容替換循環遍歷預測結果的for循環的內容：

std::vector<JsonVariant> passed_predictions;

for(JsonVariant prediction : predictions) 
{
    float probability = prediction["probability"].as<float>();
    if (probability > threshold)
    {
        passed_predictions.push_back(prediction);
    }
}

processPredictions(passed_predictions);

這將遍歷預測結果，將概率與閾值進行比較。所有概率高於閾值的預測結果都將添加到一個list中並傳遞給processPredictions函數。

上傳並運行您的代碼。將相機對準架子上的物體並按下C按鈕。您將在串行監視器中看到輸出：
```
Connecting to WiFi..
Connected!
Image captured
Image read to buffer with length 17416
tomato paste:   35.84%
tomato paste:   35.87%
tomato paste:   34.11%
tomato paste:   35.16%
```
💁 您可能需要將threshold調整到適合您的圖像的值。

您將能夠看到拍攝的圖像，以及這些值在Custom Vision的Predictions標籤中。

💁 您可以在code-detect/wio-terminal文件夾中找到此代碼。

😀 您的庫存計數程序成功了！