描述

浸潤(rùn)性導(dǎo)管癌

IDC 是最常見的乳腺癌形式之一。癌癥從乳房的乳管開始并侵入周圍組織。根據(jù)美國(guó)癌癥協(xié)會(huì)的數(shù)據(jù)，這種形式的癌癥約占所有乳腺癌診斷的 80%，僅在美國(guó)，每年就有超過 180,000 名女性被診斷出患有 IDC。

IDC 分類器簡(jiǎn)介

使用計(jì)算機(jī)視覺和物聯(lián)網(wǎng)的浸潤(rùn)性導(dǎo)管癌 (IDC) 分類結(jié)合了計(jì)算機(jī)視覺和物聯(lián)網(wǎng)，為研究人員、醫(yī)生和學(xué)生提供了一種方法來訓(xùn)練帶有標(biāo)記的乳腺癌組織學(xué)圖像的神經(jīng)網(wǎng)絡(luò)，以檢測(cè)浸潤(rùn)性導(dǎo)管癌 (IDC)看不見/未標(biāo)記的圖像。

該項(xiàng)目使用英特爾? Movidius的強(qiáng)大功能，并使用經(jīng)過自定義訓(xùn)練的Inception V3 模型在本地和通過服務(wù)器/客戶端進(jìn)行圖像分類。IoT 通信由IoT JumpWay提供支持，并在處理本地圖像或通過 API 發(fā)送的圖像后發(fā)布結(jié)果。

免責(zé)聲明

這是我創(chuàng)建的一個(gè)項(xiàng)目，作為我的一個(gè)面部識(shí)別項(xiàng)目的擴(kuò)展，我建議有興趣了解計(jì)算機(jī)視覺用例的開發(fā)人員、醫(yī)學(xué)研究人員和學(xué)生或醫(yī)學(xué)行業(yè)的專業(yè)人士使用它評(píng)估它是否可以幫助他們并擴(kuò)展。這并不意味著可以替代使用而不是尋求專業(yè)幫助。我是開發(fā)人員，不是醫(yī)生或癌癥專家。

• 致謝：使用來自英特爾? movidius/ncsdk ( movidius/ncsdk Github )的代碼

• 致謝：使用來自 chesterkuo imageclassify-movidius ( imageclassify-movidius Github )的代碼

我們會(huì)怎樣做？

• 在 Linux 開發(fā)設(shè)備上安裝英特爾? NCSDK 。

• 在 Raspberry Pi 3 / UP Squared 上安裝英特爾? NCSDK API 。

• 在 Raspberry Pi / UP Squared 上安裝IoT JumpWay Python MQTT Client并配置 IoT JumpWay。

• 克隆并設(shè)置回購(gòu)。

• 準(zhǔn)備您的訓(xùn)練數(shù)據(jù)集。

• 微調(diào)你的訓(xùn)練參數(shù)。

• 在英特爾? AI DevCloud 上訓(xùn)練 Inception V3 IDC 分類模型。

• 將模型轉(zhuǎn)換為適合 Movidius 的格式。

• 在 Linux 開發(fā)設(shè)備上本地測(cè)試 IDC 分類器。

• 通過服務(wù)器/客戶端進(jìn)行實(shí)時(shí) IDC 分類。

• 構(gòu)建一個(gè) IoT 連接警報(bào)，該警報(bào)將在檢測(cè)到 IDC 時(shí)觸發(fā)。

應(yīng)用

使用計(jì)算機(jī)視覺和物聯(lián)網(wǎng)進(jìn)行浸潤(rùn)性導(dǎo)管癌 (IDC) 分類由 7 個(gè)核心應(yīng)用程序組成：

• DevCloudTrainer：一個(gè)訓(xùn)練程序，允許您使用英特爾? AI DevCloud 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

• Evaluator：用于評(píng)估模型的評(píng)估程序。

• 分類器：用于測(cè)試模型的分類程序。

• 服務(wù)器/API：為 REST Api 提供支持的服務(wù)器，提供對(duì)分類器的訪問。

• 客戶端：可以與服務(wù)器/API 交互的客戶端。

• 物聯(lián)網(wǎng)連接警報(bào)：檢測(cè)到 IDC 時(shí)觸發(fā)的物聯(lián)網(wǎng)連接警報(bào)。

Python 版本

• 在 Python 3.5 中測(cè)試

軟件要求

• 英特爾? NCSDK

• 張量流

• IoT JumpWay Python MQTT 客戶端

• 樹皮

硬件要求

• 1 x訪問英特爾? AI DevCloud

• 1 個(gè)英特爾? Movidius

• 1 x Linux 設(shè)備，用于訓(xùn)練并將訓(xùn)練后的模型轉(zhuǎn)換為 Movidius 友好模型。

• 1 x Raspberry Pi 3 / UP Squared 用于分類器/服務(wù)器。

• 1 x Raspberry Pi 3 用于 IoT 連接警報(bào)。

• 1 x 用于物聯(lián)網(wǎng)的 Grove 入門套件，Raspberry Pi 版。

• 1 x 藍(lán)色 LED (Grove)

• 1 x 紅色 LED (Grove)

• 1 x 蜂鳴器 (Grove)

在您的開發(fā)設(shè)備上安裝 NCSDK

您需要做的第一件事是在您的開發(fā)設(shè)備上安裝 NCSDK ，這將用于將經(jīng)過訓(xùn)練的模型轉(zhuǎn)換為與 Movidius 兼容的格式。

 $ mkdir -p ~/workspace
 $ cd ~/workspace
 $ git clone https://github.com/movidius/ncsdk.git
 $ cd ~/workspace/ncsdk
 $ make install

接下來將您的 Movidius 插入您的設(shè)備并發(fā)出以下命令：

 $ cd ~/workspace/ncsdk
 $ make examples

在你的 Raspberry Pi 3 / UP Squared 上安裝 NCSDK

接下來，您需要在 Raspberry Pi 3 / UP Squared 設(shè)備上安裝 NCSDK ，分類器將使用它對(duì)本地圖像或通過我們將創(chuàng)建的 API 接收的圖像進(jìn)行推理。確保已插入 Movidius。

 $ mkdir -p ~/workspace
 $ cd ~/workspace
 $ git clone https://github.com/movidius/ncsdk.git
 $ cd ~/workspace/ncsdk/api/src
 $ make
 $ sudo make install
 $ cd ~/workspace
 $ git clone https://github.com/movidius/ncappzoo
 $ cd ncappzoo/apps/hello_ncs_py
 $ python3 hello_ncs.py

物聯(lián)網(wǎng) JumpWay 入門

在開始之前，您應(yīng)該遵循一些教程，尤其是如果您是第一次使用IoT JumpWay Developer Program 。如果您還沒有，則需要一個(gè)IoT JumpWay Developer Program 開發(fā)者帳戶，并在開始創(chuàng)建 IoT 設(shè)備之前設(shè)置一些基礎(chǔ)知識(shí)。訪問以下IoT JumpWay 開發(fā)人員計(jì)劃文檔（閱讀/設(shè)置 5-10 分鐘）并查看引導(dǎo)您完成注冊(cè)和設(shè)置位置空間、區(qū)域、設(shè)備和應(yīng)用程序的指南（閱讀約 5 分鐘）。

在您的 Raspberry Pi 3 / UP Squared 上安裝 IoT JumpWay Python MQTT 客戶端

接下來在您的 Raspberry Pi 3 / UP Squared 上安裝 IoT JumpWay Python MQTT 客戶端。為此，您可以執(zhí)行以下命令：

 $ pip3 install JumpWayMQTT

IoT JumpWay 設(shè)備連接憑證和設(shè)置

• 為 IDC 分類器設(shè)置 IoT JumpWay 定位設(shè)備，確保設(shè)置攝像頭節(jié)點(diǎn)，因?yàn)槟枰摂M攝像頭的 ID 才能使項(xiàng)目正常工作。創(chuàng)建設(shè)備后，將位置 ID 和區(qū)域 ID 添加到位于model/confs.json的 confs 文件中的IoTJumpWay詳細(xì)信息，同時(shí)準(zhǔn)確添加設(shè)備 ID 和設(shè)備名稱，將 MQTT 憑證添加到IoTJumpWayMQTT 。

您將需要編輯您的設(shè)備并添加允許它與網(wǎng)絡(luò)上的其他設(shè)備和應(yīng)用程序自主通信的規(guī)則，但目前，這些是此時(shí)需要執(zhí)行的唯一步驟。

按照IoT JumpWay 開發(fā)人員計(jì)劃 (BETA) Location Device Doc設(shè)置您的設(shè)備。

{
    "IoTJumpWay": {
        "Location": 0,
        "Zone": 0,
        "Device": 0,
        "DeviceName" : "",
        "App": 0,
        "AppName": ""
    },
    "Actuators": {},
    "Cameras": [
        {
            "ID": 0,
            "URL": 0,
            "Name": ""
        }
    ],
    "Sensors": {},
	"IoTJumpWayMQTT": {
        "MQTTUsername": "",
        "MQTTPassword": ""
    },
    "ClassifierSettings":{
        "dataset_dir":"model/train/",
        "log_dir":"model/_logs",
        "log_eval":"model/_logs_eval",
        "classes":"model/classes.txt",
        "labels":"labels.txt",
        "labels_file":"model/train/labels.txt",
        "validation_size":0.3,
        "num_shards":2,
        "random_seed":50,
        "tfrecord_filename":"200label",
        "file_pattern":"200label_%s_*.tfrecord",
        "image_size":299,
        "num_classes":2,
        "num_epochs":60,
        "dev_cloud_epochs":60,
        "test_num_epochs":1,
        "batch_size":10,
        "test_batch_size":36,
        "initial_learning_rate":0.0001,
        "learning_rate_decay_factor":0.96,
        "num_epochs_before_decay":10,
        "NetworkPath":"",
        "InceptionImagePath":"model/test/",
        "InceptionThreshold": 0.54,
        "InceptionGraph":"igraph"
    }
}

克隆回購(gòu)

您需要將此存儲(chǔ)庫(kù)克隆到開發(fā)終端上的某個(gè)位置。導(dǎo)航到您要將其下載到的目錄并發(fā)出以下命令。

$ git clone https://github.com/iotJumpway/IoT-JumpWay-Intel-Examples.git

獲得存儲(chǔ)庫(kù)后，您需要在位于IoT-JumpWay-Intel-Examples/master/Intel-Movidius/IDC-Classification 的文件夾中找到這些文件。

準(zhǔn)備您的 IDC 培訓(xùn)數(shù)據(jù)

對(duì)于本教程，我使用了來自 Kaggle 的數(shù)據(jù)集（預(yù)測(cè) IDC 中的乳腺癌組織學(xué)圖像），但您可以自由使用任何您喜歡的數(shù)據(jù)集。我已經(jīng)上傳了我用于正面和負(fù)面圖像的集合，您可以在model/train目錄中找到它們。一旦你決定了你的數(shù)據(jù)集，你需要將你的數(shù)據(jù)安排到模型/火車中目錄。每個(gè)子目錄都要用整數(shù)命名，我用0和1來表示正負(fù)。在我的測(cè)試中，我使用了 4400 個(gè)正面示例和 4400 個(gè)負(fù)面示例，給出了 0.8596 的整體訓(xùn)練準(zhǔn)確度（參見下面的訓(xùn)練結(jié)果）和 0.96 的正確識(shí)別平均置信度。提供的數(shù)據(jù)是 50px x 50px，因?yàn)?Inception V3 在大小為 299px x 299px 的圖像上進(jìn)行訓(xùn)練，圖像被調(diào)整為 299px x 299px，理想情況下圖像已經(jīng)是那個(gè)大小所以你可能想嘗試不同的數(shù)據(jù)集并看看你的結(jié)果各不相同。

微調(diào)你的訓(xùn)練參數(shù)

您可以隨時(shí)通過編輯model/confs.json文件中的分類器設(shè)置來微調(diào)網(wǎng)絡(luò)設(shè)置。

"ClassifierSettings":{
    "dataset_dir":"model/train/",
    "log_dir":"model/_logs",
    "log_eval":"model/_logs_eval",
    "classes":"model/classes.txt",
    "labels":"labels.txt",
    "labels_file":"model/train/labels.txt",
    "validation_size":0.3,
    "num_shards":2,
    "random_seed":50,
    "tfrecord_filename":"200label",
    "file_pattern":"200label_%s_*.tfrecord",
    "image_size":299,
    "num_classes":2,
    "num_epochs":60,
    "dev_cloud_epochs":60,
    "test_num_epochs":1,
    "batch_size":10,
    "test_batch_size":36,
    "initial_learning_rate":0.0001,
    "learning_rate_decay_factor":0.96,
    "num_epochs_before_decay":10,
    "NetworkPath":"",
    "InceptionImagePath":"model/test/",
    "InceptionThreshold": 0.54,
    "InceptionGraph":"igraph"
}

在英特爾? AI DevCloud 上訓(xùn)練您的 IDC 模型

現(xiàn)在您已準(zhǔn)備好將下面列出的文件和文件夾上傳到 AI DevCloud。

model
tools
DevCloudTrainer.ipynb
DevCloudTrainer.py
Eval.py

上傳后，按照DevCloudTrainer.ipynb中的說明進(jìn)行操作?，此筆記本將幫助您對(duì)數(shù)據(jù)進(jìn)行排序、訓(xùn)練模型并對(duì)其進(jìn)行評(píng)估。

培訓(xùn)成果

評(píng)估你的模型

在 AI DevCloud 上完成培訓(xùn)后，通過運(yùn)行評(píng)估作業(yè)來完成筆記本。

INFO:tensorflow:Global Step 1: Streaming Accuracy: 0.0000 (2.03 sec/step)
INFO:tensorflow:Global Step 2: Streaming Accuracy: 0.8889 (0.59 sec/step)
INFO:tensorflow:Global Step 3: Streaming Accuracy: 0.8750 (0.67 sec/step)
INFO:tensorflow:Global Step 4: Streaming Accuracy: 0.8981 (0.65 sec/step)
INFO:tensorflow:Global Step 5: Streaming Accuracy: 0.8681 (0.76 sec/step)
INFO:tensorflow:Global Step 6: Streaming Accuracy: 0.8722 (0.64 sec/step)
INFO:tensorflow:Global Step 7: Streaming Accuracy: 0.8843 (0.64 sec/step)
-------------------------------------------------------------------------
INFO:tensorflow:Global Step 68: Streaming Accuracy: 0.8922 (0.81 sec/step)
INFO:tensorflow:Global Step 69: Streaming Accuracy: 0.8926 (0.70 sec/step)
INFO:tensorflow:Global Step 70: Streaming Accuracy: 0.8921 (0.63 sec/step)
INFO:tensorflow:Global Step 71: Streaming Accuracy: 0.8929 (0.84 sec/step)
INFO:tensorflow:Global Step 72: Streaming Accuracy: 0.8932 (0.75 sec/step)
INFO:tensorflow:Global Step 73: Streaming Accuracy: 0.8935 (0.61 sec/step)
INFO:tensorflow:Global Step 74: Streaming Accuracy: 0.8942 (0.67 sec/step)
INFO:tensorflow:Final Streaming Accuracy: 0.8941

下載您的模型

訓(xùn)練完成后，您需要將model/DevCloudIDC.pb和model/classes.txt下載到開發(fā)機(jī)器上的模型目錄，確保 Movidius 已設(shè)置并連接，然后在開發(fā)機(jī)器上運(yùn)行以下命令：

$ cd ~/IoT-JumpWay-Intel-Examples/master/Intel-Movidius/IDC-Classification
$ ./DevCloudTrainer.sh

DevCloudTrainer.sh的內(nèi)容如下：

#IDC Classification Trainer
mvNCCompile model/DevCloudIDC.pb -in=input -on=InceptionV3/Predictions/Softmax -o igraph
python3.5 Classifier.py InceptionTest

• 為 Movidius 編譯模型

• 測(cè)試

測(cè)試您的 IDC 模型

一旦 shell 腳本完成，測(cè)試程序就會(huì)啟動(dòng)。在我的示例中，我有兩個(gè)類別 0 和 1（IDC 負(fù)和 IDC 正），分類 0 表示 AI 認(rèn)為圖像不是 IDC 正，分類 1 是正。

-- Loaded Test Image model/test/negative.png
-- DETECTION STARTING
-- STARTED: :  2018-04-24 14:14:26.780554
-- DETECTION ENDING
-- ENDED:  2018-04-24 14:14:28.691870
-- TIME: 1.9114031791687012
*******************************************************************************
inception-v3 on NCS
*******************************************************************************
0 0 0.9873
1 1 0.01238
*******************************************************************************
-- Loaded Test Image model/test/positive.png
-- DETECTION STARTING
-- STARTED: :  2018-04-24 14:14:28.699254
-- DETECTION ENDING
-- ENDED:  2018-04-24 14:14:30.577683
-- TIME: 1.878432035446167?
TASS Identified IDC with a confidence of 0.945
-- Published to Device Sensors Channel
*******************************************************************************
inception-v3 on NCS
*******************************************************************************
1 1 0.945
0 0 0.05542
*******************************************************************************
-- INCEPTION V3 TEST MODE ENDING
-- ENDED:  2018-04-24 14:14:30.579247
-- TESTED:  2
-- IDENTIFIED:  1
-- TIME(secs): 3.984593152999878

為您的實(shí)時(shí) IDC 模型提供服務(wù)

現(xiàn)在我們都經(jīng)過培訓(xùn)和測(cè)試，是時(shí)候設(shè)置服務(wù) API 的服務(wù)器了。為此，我提供了Server.py和Client.py

以下說明將幫助您設(shè)置服務(wù)器并測(cè)試正面和負(fù)面預(yù)測(cè)：

• 如果您在乳腺癌組織學(xué)圖像數(shù)據(jù)集中使用了 Predict IDC，則可以使用來自該數(shù)據(jù)集的positive.png和negative.png ，否則您應(yīng)該從測(cè)試集中選擇一個(gè)正例和負(fù)例并替換這些圖像。

• 服務(wù)器當(dāng)前設(shè)置為在本地主機(jī)上啟動(dòng)，如果您想更改此設(shè)置，您需要編輯Server.py的第 281 行和Client.py的第 38 行以匹配您想要的主機(jī)。一旦一切正常，如果您打算讓它繼續(xù)運(yùn)行并從外部世界訪問它，您應(yīng)該使用 LetsEncrypt 或類似工具來保護(hù)它。

• 將以下文件和文件夾上傳到您要用于服務(wù)器的 UP Squared 或 Raspberry Pi 3。

model/test/
model/classes.txt
model/confs.json
tools
igraph
Server.py

• 打開終端并導(dǎo)航到包含 Server.py 的文件夾，然后發(fā)出以下命令。這將啟動(dòng)服務(wù)器并等待接收?qǐng)D像進(jìn)行分類。

$ python3.5 Server.py

• 如果您已完成上述所有步驟，您現(xiàn)在可以使用以下命令在您的開發(fā)計(jì)算機(jī)上啟動(dòng)客戶端：

$ python3.5 Client.py

這會(huì)將陽(yáng)性和陰性組織學(xué)幻燈片發(fā)送到 Raspberry Pi 3 / UP Squared，后者將返回預(yù)測(cè)。

!! Welcome to IDC Classification Client, please wait while the program initiates !!
-- Running on Python 3.5.2 (default, Nov 23 2017, 16:37:01)
[GCC 5.4.0 20160609]
-- Imported Required Modules
-- IDC Classification Client Initiated
{'Response': 'OK', 'ResponseMessage': 'IDC Detected!', 'Results': 1}
{'Response': 'OK', 'ResponseMessage': 'IDC Not Detected!', 'Results': 0}
* Running on http://0.0.0.0:7455/ (Press CTRL+C to quit)
-- IDC CLASSIFIER LIVE INFERENCE STARTING
-- STARTED: :  2018-04-24 14:25:36.465183
-- Loading Sample
-- Loaded Sample
-- DETECTION STARTING
-- STARTED: :  2018-04-24 14:25:36.476371
-- DETECTION ENDING
-- ENDED:  2018-04-24 14:25:38.386121
-- TIME: 1.9097554683685303
TASS Identified IDC with a confidence of 0.945
-- Published: 2
-- Published to Device Warnings Channel
-- Published: 3
-- Published to Device Sensors Channel
*******************************************************************************
inception-v3 on NCS
*******************************************************************************
1 1 0.945
0 0 0.05542
*******************************************************************************
-- IDC CLASSIFIER LIVE INFERENCE ENDING
-- ENDED:  2018-04-24 14:25:38.389217
-- TESTED:  1
-- IDENTIFIED:  1
-- TIME(secs): 1.9240257740020752
192.168.1.40 - - [24/Apr/2018 14:25:38] "POST /api/infer HTTP/1.1" 200 -
-- IDC CLASSIFIER LIVE INFERENCE STARTING
-- STARTED: :  2018-04-24 14:25:43.422319
-- Loading Sample
-- Loaded Sample
-- DETECTION STARTING
-- STARTED: :  2018-04-24 14:25:43.432647
-- DETECTION ENDING
-- ENDED:  2018-04-24 14:25:45.310354
-- TIME: 1.877711534500122
-- Published: 4
-- Published to Device Warnings Channel
-- Published: 5
-- Published to Device Sensors Channel
*******************************************************************************
inception-v3 on NCS
*******************************************************************************
0 0 0.9873
1 1 0.01238
*******************************************************************************
-- IDC CLASSIFIER LIVE INFERENCE ENDING
-- ENDED:  2018-04-24 14:25:45.313174
-- TESTED:  1
-- IDENTIFIED:  0
-- TIME(secs): 1.89084792137146
192.168.1.40 - - [24/Apr/2018 14:25:45] "POST /api/infer HTTP/1.1" 200 -

構(gòu)建物聯(lián)網(wǎng)連接警報(bào)

下一步是設(shè)置您的 Raspberry Pi 3，以便 IDC 服務(wù)器可以通過 IoT JumpWay 與其通信。為此，我已經(jīng)為 IoT JumpWay Raspberry Pi 開發(fā)套件 IoT 警報(bào)創(chuàng)建了一個(gè)教程，它將指導(dǎo)您完成此過程。唯一的區(qū)別是你不需要設(shè)置Python命令應(yīng)用程序，因?yàn)樵谶@個(gè)項(xiàng)目中，IDC服務(wù)器將取代Python命令應(yīng)用程序，為了節(jié)省時(shí)間，請(qǐng)只按照Device.py而不是Application.py的步驟. 您需要取消注釋第 104 - 107 行以確保 LED 和蜂鳴器在一段時(shí)間后關(guān)閉，您可以更新第 107 行以設(shè)置讓它們運(yùn)行的??時(shí)間量。

您將在以下鏈接中找到教程：IoT JumpWay Raspberry Pi Dev Kit IoT Alarm

完成該教程并設(shè)置設(shè)備后，請(qǐng)返回此處完成最后的集成步驟。

設(shè)置你的規(guī)則

您現(xiàn)在已準(zhǔn)備好執(zhí)行最后的步驟，此時(shí)您應(yīng)該已設(shè)置好所有內(nèi)容，并且您的 Raspberry Pi 開發(fā)套件 IoT Alarm 應(yīng)該正在運(yùn)行并連接到 IoT JumpWay 以等待指令。

接下來我們將設(shè)置允許 IDC 服務(wù)器自主控制您的 Raspberry Pi Dev Kit IoT Alarm 的規(guī)則。返回 IDC 設(shè)備編輯頁(yè)面。向下滾動(dòng)到您添加相機(jī)節(jié)點(diǎn)的下方，您將看到您可以添加規(guī)則。

我們要添加的規(guī)則如下：

• 當(dāng)識(shí)別到 IDC 時(shí)，打開紅色 LED。

• 當(dāng)識(shí)別到 IDC 時(shí)，打開蜂鳴器。

• 當(dāng)未識(shí)別到 IDC 時(shí)，點(diǎn)亮藍(lán)色 LED。

這些事件將由 IDC 分類器/服務(wù)器發(fā)送的警告消息觸發(fā)，因此在On Event Of下拉列表中，選擇WARNING 。然后您需要選擇您添加到 IDC 設(shè)備的攝像頭節(jié)點(diǎn)，因?yàn)檫@是警告將來自的傳感器。接下來在With Warning Of中選擇RECOGNIZED ，這意味著當(dāng) IoT JumpWay 收到 IDC 已被識(shí)別的警告消息時(shí)將觸發(fā)規(guī)則，然后為Take The Following Action部分選擇Send Device Command ，選擇 Raspberry Pi Dev Kit IoT Alarm 作為設(shè)備，紅色 LED 作為傳感器/執(zhí)行器，TOGGLE作為動(dòng)作并作為命令。這將告訴樹莓派在檢測(cè)到 IDC 時(shí)打開紅燈，對(duì)蜂鳴器重復(fù)此過程。最后對(duì)藍(lán)色 LED 重復(fù) LED 命令，但在With Warning Of中使用NOT RECOGNIZED并選擇代表您在 Raspberry Pi 上設(shè)置的藍(lán)色 LED 的 ID。

查看您的數(shù)據(jù)

當(dāng)程序處理圖像時(shí)，它會(huì)發(fā)送與IoT JumpWay相關(guān)的傳感器和警告數(shù)據(jù)。您將能夠訪問IoT JumpWay Developers Area中的數(shù)據(jù)。登錄開發(fā)人員專區(qū)后，訪問IoT JumpWay 定位設(shè)備頁(yè)面，找到您的設(shè)備，然后訪問傳感器數(shù)據(jù)頁(yè)面以查看從設(shè)備發(fā)送的數(shù)據(jù)。您還可以在命令選項(xiàng)卡下的 Raspberry Pi 設(shè)備頁(yè)面中查看 Raspberry Pi 的命令消息。

錯(cuò)誤/問題

請(qǐng)隨時(shí)為您在使用此問題或任何其他與英特爾? 相關(guān)的 IoT JumpWay 問題時(shí)遇到的錯(cuò)誤和一般問題創(chuàng)建問題。在您的 IoT 項(xiàng)目中使用 IoT JumpWay 時(shí)，您還可以使用問題區(qū)域?qū)で笠话銕椭?/font>

?

?

?

?

?