การอนุมานผลลัพธ์การอนุมานเมื่อเปรียบเทียบกับสภาพแวดล้อมท้องถิ่นและเซิร์ฟเวอร์โมเดล OpenVINO™ (OVMS) สําหรับรุ่นเดียวกัน

• ใช้คลัง ประมวลผลการเรียกร้องการประกันภัย และรุ่น YOLO ที่โหลดเพื่อทดสอบความถูกต้อง
• การอนุมานผลลัพธ์การอนุมานระหว่างโมเดล YOLO ONNX ที่โหลดไว้ภายใน และรุ่นเดียวกันถูกโหลดไปยัง OVMS
• ผลลัพธ์ที่สังเกตในเครื่อง จดจําอุบัติเหตุ 04 อยู่ที่ประมาณ 86% ในขณะที่ OVMS ส่งคืนประมาณ 88%

ดูเหมือนว่า OpenVINO™และ Ultralytics โหลดแบบจําลองได้รับอินพุตที่แตกต่างกันซึ่งทําให้เกิดความแตกต่างในผลลัพธ์

คุณจําเป็นต้องทําการเปลี่ยนแปลงบางอย่างเพื่อทํางานในสภาพแวดล้อมภายใน เครื่อง ต่อไปนี้คือการเปลี่ยนแปลง:

04-04-อุบัติเหตุ-recog.ipynb

1. เซลล์ที่มีภาพอินพุตการอ่านและการคาดการณ์การรัน:

   original_image: np.ndarray = cv2.imread("images/carImage3.jpg")
   blob = cv2.dnn.blobFromImage(original_image, size=(640, 640), swapRB=False)
   blob = np.ascontiguousarray(blob[0].transpose((1,2,0)))
   results = model.predict(blob)

2. เซลล์ที่ดึงผลลัพธ์มาบนภาพต้นฉบับ:

   Image.fromarray(result.plot()[:,:,::-1].astype(np.uint8))

04-05-model-serving.ipynb

ไม่มีการเปลี่ยนแปลงในสมุดบันทึกเอง จําเป็นต้องมีการเปลี่ยนแปลงใน remote_infer.py

1. วิธีการประมวลผลล่วงหน้า:

   // code placeholder
   def preprocess(image_path):
   original_image: np.ndarray = cv2.imread(image_path)
   [height, width, _] = original_image.shape

   # Calculate scale factor
   scale = (height/640, width/640)

   # Preprocess the image and prepare blob for model
   blob = cv2.dnn.blobFromImage(original_image, scalefactor=1 / 255, size=(640, 640), swapRB=True)
   return blob, scale, original_image

2. โทรไปยัง draw_bounding_box ภายในโปรเซสเซอร์:

   draw_bounding_box(original_image, class_ids[index], scores[index], round(box[0] * scale[1]), round(box[1] * scale[0]),round((box[0] + box[2]) * scale[1]), round((box[1] + box[3]) * scale[0]))