在 Wio Terminal 上接入 IoT Edge 图像分类器：将水果质量检测从云端切换到本地边缘服务（IoT-For-Beginners）

在 Wio Terminal 上接入 IoT Edge 图像分类器：将水果质量检测从云端切换到本地边缘服务（IoT-For-Beginners）

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

本指南讲解 IoT-For-Beginners 项目第 4 章第 3 课中面向 Wio Terminal 的硬件改造流程：把fruit-quality-detector应用从调用云端 Custom Vision 分类服务，切换为调用部署在本地 IoT Edge 设备上的图像分类器。完成改造后，你的 Wio Terminal 将拍照并通过 HTTP 直接请求本机网络内的边缘分类服务，获得"ripe / unripe"（成熟/未成熟）的实时预测结果，整个过程不经过公网。文章完整覆盖配置修改、代码改造、编译上传与串口输出验证，并结合仓库源码逐行解释改动原理。

改造背景：为什么把分类器搬到边缘

在上一课（第 2 课：从设备端检查水果）中，Wio Terminal 把相机拍摄的 JPEG 图片通过 HTTPS 上传到云端 Custom Vision 服务进行分类。云端调用存在延迟、费用，且图片数据要离开本地网络。

第 3 课 Run your fruit detector on the edge 引入边缘计算思路：将训练好的图像分类模型以 Docker 容器形式部署到本地网络内的 IoT Edge 设备上，设备直接访问局域网内的分类服务。这样做的好处是响应更快、可离线工作、图片不出本地网络（隐私性更强）。本文的关联文档 wio-terminal.md（本仓库同时提供 丹麦语翻译版）就是 Wio Terminal 一侧的完整改造指南。

IoT Edge 分类器的 REST API 端点

部署在 IoT Edge 上的图像分类器对外暴露一个与云端 Custom Vision 相同的 REST API，只是端点从 Azure 云端地址变成了本地地址：

http://<IP地址或主机名>/image

其中<IP地址或主机名>替换为运行 IoT Edge 的那台计算机的 IP 地址或主机名（如果代码运行在 IoT Edge 设备本机，也可以使用localhost）。请求方式是POST，请求体为图片二进制内容，响应为 JSON，其中predictions数组里包含每个标签及其probability置信度。主文档 README.md 中给出了用curl直接验证该端点的示例：

curl --location \ --request POST 'http://<IP地址或主机名>/image' \ --header 'Content-Type: image/png' \ --data-binary '@<文件名>'

由于这是本地网络内的服务而非 Azure 资源，调用时不再需要Prediction-Key预测密钥——安全性改由内部网络安全策略保障，而不是依赖公网端点和 API Key。这一差异正是本次改造的核心动因。

改造步骤总览

整个改造围绕"从 HTTPS + 证书 + 密钥的云端调用"变为"HTTP + 无证书 + 无密钥的本地调用"展开，共涉及两个源文件：config.h（配置）与main.cpp（主逻辑），工程位于 code-classify/wio-terminal 目录下（PlatformIO 工程，结构为fruit-quality-detector/src/）。

1. 打开fruit-quality-detector工程

如果你还没有打开 Wio Terminal 的fruit-quality-detector工程，请先打开它。工程根目录的 platformio.ini 指定了目标平台为seeed_wio_terminal（Atmel SAMD 平台、Arduino 框架），并声明了rpcWiFi、ArduinoJson、Seeed Arduino FS等依赖库。

2. 清理config.h：删除证书与密钥，更新预测 URL

云端版本中，config.h 除了 WiFi 凭据和预测 URL 外，还包含两项本地调用不再需要的内容：

• PREDICTION_KEY：云端 Custom Vision 服务的预测密钥；
• CERTIFICATE：Microsoft Azure DigiCert Global Root G2 根证书（用于 HTTPS 证书校验）。

因为 IoT Edge 分类器运行在HTTP（而非 HTTPS）上，无需证书校验，因此要把CERTIFICATE从config.h中删除；PREDICTION_KEY同样不再需要，一并删除。改造后的 config.h 只剩三个配置项，最终形态如下：

#pragma once #include <string> using namespace std; // WiFi credentials const char *SSID = "<SSID>"; const char *PASSWORD = "<PASSWORD>"; const char *PREDICTION_URL = "<URL>";

其中<URL>替换为你的边缘分类器地址，例如：

const char *PREDICTION_URL = "http://192.168.1.100/image";

3. 修改main.cpp：切换为 HTTP 版 WiFi 客户端

主逻辑文件 main.cpp 需要做三处改动，全部围绕"从 HTTPS 客户端降级为 HTTP 客户端"：

第一处：替换 include 指令。云端版本导入的是安全版 WiFi 客户端（WiFiClientSecure.h），现在改为标准 HTTP 版本：

#include <WiFiClient.h>

第二处：修改客户端对象声明。将全局声明的 WiFi 客户端对象改为 HTTP 版本：

WiFiClient client;

第三处：删除证书设置。在connectWiFi函数中删除设置根证书的语句：

// 删除这一行： client.setCACert(CERTIFICATE);

改造后的connectWiFi只负责连接 WiFi，不再做任何 TLS 证书绑定：

void connectWiFi() { while (WiFi.status() != WL_CONNECTED) { Serial.println("Connecting to WiFi.."); WiFi.begin(SSID, PASSWORD); delay(500); } Serial.println("Connected!"); }

第四处：删除预测密钥请求头。在classifyImage函数中删除为请求添加Prediction-Key头的语句：

// 删除这一行： httpClient.addHeader("Prediction-Key", PREDICTION_KEY);

源码级解读：边缘调用如何完成分类

完成上述改动后，main.cpp 中的核心调用链路如下：

void classifyImage(byte *buffer, uint32_t length) { HTTPClient httpClient; httpClient.begin(client, PREDICTION_URL); httpClient.addHeader("Content-Type", "application/octet-stream"); int httpResponseCode = httpClient.POST(buffer, length); if (httpResponseCode == 200) { String result = httpClient.getString(); DynamicJsonDocument doc(1024); deserializeJson(doc, result.c_str()); JsonObject obj = doc.as<JsonObject>(); JsonArray predictions = obj["predictions"].as<JsonArray>(); for(JsonVariant prediction : predictions) { String tag = prediction["tagName"].as<String>(); float probability = prediction["probability"].as<float>(); char buff[32]; sprintf(buff, "%s:\t%.2f%%", tag.c_str(), probability * 100.0); Serial.println(buff); } } httpClient.end(); }

可以看到，改造后的分类请求只保留了两个 HTTP 头：Content-Type: application/octet-stream（标识请求体为二进制图片流），以及与边缘服务地址对应的 URL。调用流程为：

1. httpClient.begin(client, PREDICTION_URL)建立到边缘设备的 HTTP 连接；
2. httpClient.POST(buffer, length)把相机读入内存的 JPEG 字节流作为请求体直接 POST 到/image端点；
3. 响应码为200时，用 ArduinoJson（工程依赖 platformio.ini 中的bblanchon/ArduinoJson @ 6.17.3）解析返回的 JSON，遍历predictions数组；
4. 对每个预测项，取出tagName与probability，按标签: 百分比格式输出到串口，其中概率值乘以 100 并以两位小数格式化。

图片的采集来自 camera.h 封装的 ArduCAM OV2640 摄像头：startCapture()触发捕获、captureReady()轮询 FIFO 完成标志、readImageToBuffer()通过 SPI 突发读取 JPEG 数据到内存缓冲区（缓冲区大小即图片字节数）。loop()中检测 Wio Terminal 的C 按钮（WIO_KEY_C，上拉输入模式），按下后依次执行拍照、读缓冲、分类。

编译、上传与运行验证

完成代码修改后，在 PlatformIO 中编译并上传到 Wio Terminal（对应环境seeed_wio_terminal）。将相机对准水果，按下 C 按钮，即可在串口监视器看到如下输出：

Connecting to WiFi.. Connected! Image captured Image read to buffer with length 8200 ripe: 56.84% unripe: 43.16%

输出含义：

• Connecting to WiFi..→Connected!：connectWiFi成功连上config.h中配置的 WiFi；
• Image captured：C 按钮触发拍照成功；
• Image read to buffer with length 8200：摄像头读出的 JPEG 数据共 8200 字节；
• ripe: 56.84% / unripe: 43.16%：边缘分类器判定当前画面中水果为"成熟"的概率约 56.84%，"未成熟"约 43.16%。

与上一课云端调用的输出格式完全一致，说明边缘 REST API 与云端 Custom Vision API 的响应结构（predictions→tagName/probability）保持兼容，这正是应用可以平滑切换端点、无需改动解析逻辑的原因。

注意事项与后续优化

• HTTP 明文传输：本方案使用 HTTP 而非 HTTPS，图片在本地网络内明文传输。正如主文档 README.md 所述，边缘部署不再依赖公网端点与 API Key，安全模型应由内部网络策略负责；如需加密传输，应在边缘侧自行配置 TLS。
• 模型再训练：切到边缘分类后，图片不再上传到 Custom Vision，因此 Custom Vision 门户的 Predictions 页不会出现这些被分类的图片。若想用新样本改进模型，需要自行设计图片留存与人工再标注流程。
• 性能对比：可以分别对云端与边缘端点做计时对比，评估不同网络拓扑与硬件算力下的延迟差异，并研究 GPU/加速硬件（如 AI 加速板）对边缘推理的加速效果。
• 环境清理：本课使用了 Azure IoT Hub、Azure Container Registry 等付费资源，实验完成后请参考 clean-up.md 清理项目资源以节省费用。

完成上述全部改造后，你的水果质量分类程序就成功运行在边缘了——完整代码可对照仓库中的 code-classify/wio-terminal 目录，部署清单可参考 code-deployment/deployment/deployment.json。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners