在IoT Edge设备上运行水果质量检测器 - 基于Microsoft IoT初学者项目的实践指南-优快云博客

在IoT Edge设备上运行水果质量检测器 - 基于Microsoft IoT初学者项目的实践指南

IoT-For-Beginners 12 Weeks, 24 Lessons, IoT for All! 项目地址: https://gitcode.com/gh_mirrors/io/IoT-For-Beginners

引言

在物联网(IoT)和边缘计算领域，将机器学习模型部署到边缘设备是一个重要且实用的场景。本文将基于Microsoft IoT初学者项目中的水果质量检测器案例，详细介绍如何在IoT Edge设备上运行图像分类器，实现水果成熟度的实时检测。

技术背景

边缘计算将数据处理从云端转移到靠近数据源的设备上，具有低延迟、隐私保护和离线工作等优势。本项目展示了如何将训练好的计算机视觉模型部署到边缘设备（如树莓派或虚拟IoT设备）上，并通过REST API进行调用。

准备工作

在开始之前，请确保已完成以下准备工作：

已设置好IoT Edge设备（物理设备或虚拟环境）
已完成水果质量检测器的模型训练和边缘部署
已安装必要的Python环境（3.7+版本推荐）

实现步骤详解

1. 项目结构初始化

首先打开VS Code中的fruit-quality-detector项目。如果使用虚拟IoT设备，请确保已激活虚拟环境。

2. 代码改造

原项目使用的是云端Custom Vision服务，我们需要将其改造为使用本地边缘服务：

# 移除原有的云端SDK导入
# 删除以下两行
from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
from msrest.authentication import ApiKeyCredentials

# 添加新的HTTP请求库
import requests

3. 图像处理逻辑

保留原有的图像捕获和保存逻辑，删除与云端预测相关的代码：

# 保留图像保存部分
with open('image.jpg', 'wb') as image_file:
    image_file.write(image.read())

4. 边缘服务调用

添加调用边缘图像分类器的代码：

# 设置预测端点URL
prediction_url = 'http://<设备IP或主机名>/image'  # 替换为实际地址

# 配置请求头
headers = {
    'Content-Type': 'application/octet-stream'  # 指定二进制图像数据
}

# 重置图像指针并发送请求
image.seek(0)
response = requests.post(prediction_url, headers=headers, data=image)

# 解析并打印结果
results = response.json()
for prediction in results['predictions']:
    print(f'{prediction["tagName"]}:\t{prediction["probability"] * 100:.2f}%')