Buenas !
Mi proyecto de CustomVision.ai esta compilado y ejecutándose en Docker en Raspberry Pi 3. Ahora llega el momento de utilizar el mismo desde aplicaciones en otros dispositivos, y para este caso, todos en la misma red.
Cuando ejecute mi imagen, utilice parámetros para definir la IP y los mapeos de los puertos de la misma. El siguiente comando es muy útil para ver esta información en un container.
sudo docker port <CONTAINER ID>
Mi container esta registrado en la dirección IP 127.0.0.1 y utiliza el puerto 80. Esto es genial para procesos locales, sin embargo no permite que este container sea accedido desde otros devices.
Lo ideal es no registrar la direccion IP local 127.0.0.1 y solo definir el mapeo de puertos 80:80. En este caso ejecuto mi imagen con el siguiente comando
sudo docker run -p 80:80 -d <IMAGE ID>
El container utilizar el puerto 80, y Docker toma control de este puerto en la RaspberryPI. La dirección IP de la raspberry pi es [192.168.1.58], así que ya puedo realizar pruebas con Postman para analizar imágenes en la RPI.
Super cool. Un potente y barato server de análisis de imágenes basado en un proyecto de CustomVision por menos de $30 !
Happy coding!
Greetings @ Burlington
El Bruno
References
My Posts
- Object recognition with Custom Vision and ONNX in Windows applications using WinML
- Object recognition with Custom Vision and ONNX in Windows applications using WinML
- Object recognition with Custom Vision and ONNX in Windows applications using Windows ML, drawing frames
- Object recognition with Custom Vision and ONNX in Windows applications using Windows ML, calculate FPS
- Can’t install Docker on Windows 10 Home, need Pro or Enterprise
- Running a Custom Vision project in a local Docker Container
- Analyzing images in a Console App using a Custom Vision project in a Docker Container
- Analyzing images using PostMan from a Custom Vision project hosted in a Docker Container
- Building the CustomVision.ai project in Docker in a RaspberryPi
- Container dies immediately upon successful start in a RaspberryPi. Of course, it’s all about TensorFlow dependencies
Windows 10 and YOLOV2 for Object Detection Series
- Introduction to YoloV2 for object detection
- Create a basic Windows10 App and use YoloV2 in the camera for object detection
- Transform YoloV2 output analysis to C# classes and display them in frames
- Resize YoloV2 output to support multiple formats and process and display frames per second
- How to convert Tiny-YoloV3 model in CoreML format to ONNX and use it in a Windows 10 App
- Updated demo using Tiny YOLO V2 1.2, Windows 10 and YOLOV2 for Object Detection Series
- Alternatives to Yolo for object detection in ONNX format
El Bruno 