Поделиться через

Хранилище изображений в ИИ визуального распознавания Azure IoT Edge

  • Статья

Хранение изображений и управление ими — это важные функции в решениях компьютерного зрения Azure IoT Edge.

Требования к хранилищу образов:

  • Быстрое хранилище для предотвращения узких мест конвейера и потери данных
  • Хранение и маркировка на границе и в облаке
  • Простое извлечение сохраненных необработанных изображений для добавления меток
  • Классификация изображений для простого извлечения
  • Именование и добавление тегов для связывания изображений с выведенными метаданными

Хранилище BLOB-объектов, Центр Интернета вещей Azure и IoT Edge можно объединить несколькими способами для хранения данных изображений. Пример:

  • Используйте модуль хранилища BLOB-объектов Azure IoT Edge для автоматической синхронизации образов с Хранилище BLOB-объектов Azure с помощью политики.
  • Храните образы в локальной файловой системе узла и отправляйте их в хранилище BLOB-объектов с помощью пользовательского модуля.
  • Используйте локальную базу данных для хранения изображений и синхронизируйте их с облачной базой данных.

Пример рабочего процесса хранилища

Ниже описан типичный рабочий процесс, использующий IoT Edge модуль хранилища BLOB-объектов.

  1. Модуль IoT Edge BLOB-объектов сохраняет необработанные данные локально после приема с меткой времени и порядковой нумеровкой для уникальной идентификации файлов изображений.

  2. Политика, заданная в модуле IoT Edge BLOB-объекта, автоматически отправляет данные изображения в Хранилище BLOB-объектов Azure с упорядочением.

  3. Чтобы сэкономить место, устройство IoT Edge автоматически удаляет локальные данные через определенный промежуток времени. Устройство также имеет параметр сохранить при отправке , чтобы обеспечить синхронизацию всех образов с облаком перед удалением.

  4. Для локальной классификации или маркировки используется модуль, который считывает изображения в пользовательский интерфейс. Данные метки связываются с универсальным кодом ресурса (URI) изображения, а также координатами и категорией.

  5. Локальная база данных хранит метаданные образа и синхронизируется с облаком с помощью сообщений телеметрии. Локальное хранилище поддерживает простой поиск пользовательского интерфейса.

  6. Во время выполнения оценки модель машинного обучения обнаруживает соответствующие шаблоны и создает интересующие события.

    • Модель отправляет эти метаданные в облако с помощью телеметрии, которая ссылается на универсальный код ресурса (URI) образа.
    • При необходимости модель также сохраняет эти метаданные в локальной базе данных для пограничного пользовательского интерфейса.
    • Сами образы сохраняются в модуле IoT Edge BLOB-объектов и синхронизируются с Хранилище BLOB-объектов Azure.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально она была написана следующими участниками.

Основной автор:

Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.

Дальнейшие действия

Пользовательский интерфейс и сценарии в ИИ визуального распознавания Azure IoT Edge