使用Custom Vision和Azure IoT Edge构建智能边缘应用

使用Custom Vision和Azure IoT Edge构建智能边缘应用

Custom-vision-service-iot-edge-raspberry-piSample showing how to deploy a AI model from the Custom Vision service to a Raspberry Pi 3 device using Azure IoT Edge项目地址:https://gitcode.com/gh_mirrors/cu/Custom-vision-service-iot-edge-raspberry-pi

在当今的物联网世界中，将AI模型部署到边缘设备上以进行实时数据分析是提升效率的关键。这个开源项目展示了如何将自定义视觉模型与Azure IoT Edge相结合，在树莓派3或模拟设备上实现高效、低延迟的图像识别功能。

项目简介

这个开源样本提供了一个示例，展示如何在运行Azure IoT Edge的Raspberry Pi 3设备上部署Custom Vision模型。通过Custom Vision，你可以利用自己的图像数据训练一个图像分类器，然后借助IoT Edge将该模型置于视频数据生成点附近，即在边缘设备上执行。这样可以保护你的视频流隐私，降低带宽成本，并且即使离线也能工作。

项目技术分析

项目采用以下主要技术：

• JSON：用于数据交换和配置。
• Python：编写边缘设备上的相机捕获模块和服务模块。
• Azure IoT Edge：作为边缘计算平台，使能够在本地运行云训练的AI模型。
• Custom Vision：微软的认知服务之一，提供在线定制图像分类服务。

通过这个项目，你可以在树莓派3上运行Custom Vision模型，也可以在x64平台上进行模拟部署。配合Visual Studio Code和Azure IoT Edge扩展，开发者可以轻松地管理、构建和部署Edge解决方案。

应用场景

• 交通监控：检测路况，比如车流量、速度等。
• 排队估计：在零售环境中，可用于估算等待时间。
• 停车位查找：在停车场中，帮助寻找空闲停车位。
• 安全监控：在保障隐私的同时，提供即时事件检测。

项目特点

1. 跨平台支持：既可部署在Raspberry Pi 3上，也可在x64系统（如PC）上模拟运行。
2. 实时分析：直接在边缘设备处理视频流，减少延迟，提高响应速度。
3. 扩展性强：能够根据需求替换Custom Vision模型，适应不同应用场景。
4. 易于开发：使用Visual Studio Code和Azure IoT Edge插件，简化了部署和调试流程。

观看这个视频，你会看到这个演示的运行情况以及它是如何构建的。准备好你的硬件和Azure服务，跟随提供的预设步骤开始探索这个强大的边缘计算解决方案吧！

Custom-vision-service-iot-edge-raspberry-piSample showing how to deploy a AI model from the Custom Vision service to a Raspberry Pi 3 device using Azure IoT Edge项目地址:https://gitcode.com/gh_mirrors/cu/Custom-vision-service-iot-edge-raspberry-pi