Хранилище изображений в ИИ визуального распознавания Azure IoT Edge
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.
Модуль IoT Edge BLOB-объектов сохраняет необработанные данные локально после приема с меткой времени и порядковой нумеровкой для уникальной идентификации файлов изображений.
Политика, заданная в модуле IoT Edge BLOB-объекта, автоматически отправляет данные изображения в Хранилище BLOB-объектов Azure с упорядочением.
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.
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.
Локальная база данных хранит метаданные образа и синхронизируется с облаком с помощью сообщений телеметрии. Локальное хранилище поддерживает простой поиск пользовательского интерфейса.
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:
- Кит Хилл | Старший менеджер PM
Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.
Дальнейшие действия
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по