Share via

Bildlagring i Azure IoT Edge VISION AI

  • Artikel

Bildlagring och -hantering är viktiga funktioner i Azure IoT Edge lösningar för visuellt innehåll.

Kraven för avbildningslagring omfattar:

  • Snabb lagring för att undvika flaskhalsar i pipelinen och dataförlust
  • Lagring och etikettering vid gränsen och i molnet
  • Enkel hämtning av lagrade råbilder för etikettering
  • Kategorisering av bilder för enkel hämtning
  • Namnge och tagga för att länka bilder med härledda metadata

Du kan kombinera Blob Storage, Azure IoT Hub och IoT Edge på flera olika sätt för att lagra avbildningsdata. Exempel:

  • Använd en Azure IoT Edge bloblagringsmodul för att automatiskt synkronisera avbildningar för att Azure Blob Storage via en princip.
  • Lagra avbildningar i ett lokalt värdfilsystem och ladda upp dem till Blob Storage med hjälp av en anpassad modul.
  • Använd en lokal databas för att lagra avbildningar och synkronisera dem med molndatabasen.

Exempel på lagringsarbetsflöde

Följande steg beskriver ett typiskt arbetsflöde som använder en IoT Edge bloblagringsmodul.

  1. Modulen IoT Edge blob lagrar rådata lokalt efter inmatning, med tidsstämpling och sekvensnumrering för att unikt identifiera bildfilerna.

  2. En princip som anges i modulen IoT Edge blob överför automatiskt bilddata till Azure Blob Storage med ordning.

  3. För att spara utrymme tar IoT Edge enheten automatiskt bort lokala data efter ett visst tidsintervall. Enheten har också kvarhållningsalternativet vid uppladdning för att säkerställa att alla bilder synkroniseras till molnet innan de tas bort.

  4. Lokal kategorisering eller etikettering använder en modul som läser bilder i ett användargränssnitt. Etikettdata associeras med bildens URI, tillsammans med koordinater och kategori.

  5. En lokal databas lagrar bildmetadata och synkroniseras till molnet med hjälp av telemetrimeddelanden. Lokal lagring stöder enkel sökning för användargränssnittet.

  6. Under en bedömningskörning identifierar maskininlärningsmodellen matchande mönster och genererar händelser av intresse.

    • Modellen skickar dessa metadata till molnet via telemetri som refererar till bild-URI:n.
    • Alternativt lagrar modellen även dessa metadata i den lokala databasen för gränsanvändargränssnittet.
    • Själva avbildningarna fortsätter att lagras i IoT Edge blob-modulen och synkroniseras till Azure Blob Storage.

Deltagare

Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.

Huvudförfattare:

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg

Användargränssnitt och scenarier i Azure IoT Edge VISION AI