Skab en billedgenkendelsesløsning med Azure IoT Edge, Azure AI Custom Vision og Azure Speech

  • Modul
  • 9 Enheder
Øvet
AI Edge-tekniker
Azure IoT Edge
Azure IoT Hub
Azure AI Custom Vision
Azure Speech i Foundry Tools
Foundry-værktøjer

Byg en Azure IoT Edge billedgenkendelsesløsning til et selvbetjenings-scenarie. Den eksporterede Azure AI Custom Vision-klassifikationsmodel kører lokalt i et IoT Edge-modul, og Camera Capture-modulet kalder Azure Speech (via en Foundry-ressource) under kørsel for at syntetisere item-etiketter som lyd.

Læringsmål

I dette modul skal du:

  • Beskriv, hvordan Azure IoT Edge, Azure IoT Hub, et kamera og containeriserede moduler understøtter billedgenkendelse ved kanten
  • Brug en forudbygget, eksporteret Azure AI Custom Vision-klassifikationsmodel, pakket i et IoT Edge-modul
  • Opret de nødvendige Azure-ressourcer, inklusive en IoT Hub-enhedsidentitet og en Foundry-ressource til Speech i Sydøstasien, medmindre du opdaterer eksempelkoden og deploymentsskabelonen for at gøre Speech-regionen konfigurerbar
  • Byg og udrul løsningen til en Azure IoT Edge-enhed ved at bruge Visual Studio Code
  • Verificér modulstatus og overvåg hændelser fra edge-enheden og Azure IoT Hub

Bemærk!

Dette laboratorium bruger Azure IoT Edge-værktøjerne til Visual Studio Code-udvidelsen, fordi de eksisterende laboratorieaktiver og trin afhænger af den arbejdsgang. Microsoft dokumentation angiver, at Visual Studio Code IoT Edge-udvidelsen er i vedligeholdelsestilstand; Microsoft identificerer i øjeblikket Azure IoT Edge Dev Tool CLI (iotedgedev) som det foretrukne udviklingsværktøj til udvikling af nye IoT Edge moduler. Bemærk, at den offentlige iotedgedev PyPI-udgivelse ikke er blevet opdateret siden november 2022 (v3.3.7); tjek udgivelsesstatus, før du adopterer den til ny produktionsudvikling.

Vigtigt!

Azure AI Custom Vision er planlagt til pensionering den 25. september 2028. Eksisterende Azure Custom Vision-kunder understøttes indtil da, men nye produktionsplaner, der opretter eller eksporterer Custom Vision-modeller, bør vurdere migreringsmuligheder eller alternativer.

Produceret i partnerskab med University of Oxford – Ajit Jaokar, Artificial Intelligence: Cloud og Edge Implementations kursus.

Forudsætninger

  • Et Azure-abonnement
  • Grundlæggende viden om Azure IoT Edge-koncepter
  • Grundlæggende kendskab til de Azure AI services, der bruges i dette laboratorium: Azure Speech tekst-til-tale og eksport af Azure AI Custom Vision-modellen
  • En Linux-computer eller IoT Edge-enhed, der kører, understøtter Ubuntu Server 24.04 eller 22.04 og sigter mod amd64 til dette laboratorium
  • Et USB-kamera og højttaler eller lydudgang tilsluttet Linux-computeren eller IoT Edge-enheden
  • Visual Studio Code med Azure IoT Hub-udvidelsen, Azure IoT Edge Tools-udvidelsen (i vedligeholdelsestilstand) og Container Tools-udvidelsen (erstatningen for den tidligere Docker-udvidelse) installeret til denne øvelses Visual Studio Code-workflow. VS Codes indbyggede JSON-understøttelse er tilstrækkelig; den fællesskabsvedligeholdte JSON Tools-udvidelse (eriklynd.json-tools) er valgfri, hvis du foretrækker dens formateringsfunktioner. Azure Account-udvidelsen blev udfaset i januar 2025, men de ældre Azure IoT Hub og Azure IoT Edge VS Code-udvidelser kan stadig installere den transitivt som en afhængighed; lad Azure Account installere, hvis disse udvidelser kræver det.
  • Docker-kompatible containerudviklingsværktøjer, med Moby-motor installeret som en del af IoT Edge-runtime-opsætningen
Start