# Εκπαίδευση ανιχνευτή αποθεμάτων  > Σκίτσο από τη [Nitya Narasimhan](https://github.com/nitya). Κάντε κλικ στην εικόνα για μεγαλύτερη έκδοση. Αυτό το βίντεο παρέχει μια επισκόπηση της Ανίχνευσης Αντικειμένων μέσω της υπηρεσίας Azure Custom Vision, μιας υπηρεσίας που θα καλυφθεί σε αυτό το μάθημα. [](https://www.youtube.com/watch?v=wtTYSyBUpFc) > 🎥 Κάντε κλικ στην παραπάνω εικόνα για να παρακολουθήσετε το βίντεο ## Ερωτηματολόγιο πριν το μάθημα [Ερωτηματολόγιο πριν το μάθημα](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/37) ## Εισαγωγή Στο προηγούμενο έργο, χρησιμοποιήσατε AI για να εκπαιδεύσετε έναν ταξινομητή εικόνων - ένα μοντέλο που μπορεί να αναγνωρίσει αν μια εικόνα περιέχει κάτι, όπως ώριμα ή άγουρα φρούτα. Ένας άλλος τύπος μοντέλου AI που μπορεί να χρησιμοποιηθεί με εικόνες είναι η ανίχνευση αντικειμένων. Αυτά τα μοντέλα δεν ταξινομούν μια εικόνα με ετικέτες, αλλά εκπαιδεύονται να αναγνωρίζουν αντικείμενα και μπορούν να τα εντοπίζουν σε εικόνες, όχι μόνο ανιχνεύοντας ότι το αντικείμενο υπάρχει, αλλά και πού βρίσκεται μέσα στην εικόνα. Αυτό σας επιτρέπει να μετράτε αντικείμενα σε εικόνες. Σε αυτό το μάθημα θα μάθετε για την ανίχνευση αντικειμένων, συμπεριλαμβανομένου του πώς μπορεί να χρησιμοποιηθεί στο λιανικό εμπόριο. Θα μάθετε επίσης πώς να εκπαιδεύσετε έναν ανιχνευτή αντικειμένων στο cloud. Σε αυτό το μάθημα θα καλύψουμε: * [Ανίχνευση αντικειμένων](../../../../../5-retail/lessons/1-train-stock-detector) * [Χρήση ανίχνευσης αντικειμένων στο λιανικό εμπόριο](../../../../../5-retail/lessons/1-train-stock-detector) * [Εκπαίδευση ανιχνευτή αντικειμένων](../../../../../5-retail/lessons/1-train-stock-detector) * [Δοκιμή του ανιχνευτή αντικειμένων](../../../../../5-retail/lessons/1-train-stock-detector) * [Επανεκπαίδευση του ανιχνευτή αντικειμένων](../../../../../5-retail/lessons/1-train-stock-detector) ## Ανίχνευση αντικειμένων Η ανίχνευση αντικειμένων περιλαμβάνει την ανίχνευση αντικειμένων σε εικόνες χρησιμοποιώντας AI. Σε αντίθεση με τον ταξινομητή εικόνων που εκπαιδεύσατε στο προηγούμενο έργο, η ανίχνευση αντικειμένων δεν αφορά την πρόβλεψη της καλύτερης ετικέτας για μια εικόνα συνολικά, αλλά την εύρεση ενός ή περισσότερων αντικειμένων μέσα σε μια εικόνα. ### Ανίχνευση αντικειμένων vs ταξινόμηση εικόνων Η ταξινόμηση εικόνων αφορά την ταξινόμηση μιας εικόνας συνολικά - ποιες είναι οι πιθανότητες ότι η συνολική εικόνα ταιριάζει σε κάθε ετικέτα. Επιστρέφονται πιθανότητες για κάθε ετικέτα που χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου.  Στο παραπάνω παράδειγμα, δύο εικόνες ταξινομούνται χρησιμοποιώντας ένα μοντέλο που εκπαιδεύτηκε να ταξινομεί δοχεία με κάσιους ή κονσέρβες ντοματοπολτού. Η πρώτη εικόνα είναι ένα δοχείο με κάσιους και έχει δύο αποτελέσματα από τον ταξινομητή εικόνων: | Ετικέτα | Πιθανότητα | | --------------- | ----------: | | `cashew nuts` | 98.4% | | `tomato paste` | 1.6% | Η δεύτερη εικόνα είναι μια κονσέρβα ντοματοπολτού και τα αποτελέσματα είναι: | Ετικέτα | Πιθανότητα | | --------------- | ----------: | | `cashew nuts` | 0.7% | | `tomato paste` | 99.3% | Θα μπορούσατε να χρησιμοποιήσετε αυτές τις τιμές με ένα ποσοστό κατωφλίου για να προβλέψετε τι υπάρχει στην εικόνα. Αλλά τι γίνεται αν μια εικόνα περιείχε πολλαπλές κονσέρβες ντοματοπολτού ή και κάσιους και ντοματοπολτό; Τα αποτελέσματα πιθανότατα δεν θα σας δώσουν αυτό που θέλετε. Εδώ έρχεται η ανίχνευση αντικειμένων. Η ανίχνευση αντικειμένων περιλαμβάνει την εκπαίδευση ενός μοντέλου να αναγνωρίζει αντικείμενα. Αντί να του δίνετε εικόνες που περιέχουν το αντικείμενο και να του λέτε ότι κάθε εικόνα είναι μια ετικέτα ή άλλη, επισημαίνετε το τμήμα μιας εικόνας που περιέχει το συγκεκριμένο αντικείμενο και το ετικετάρετε. Μπορείτε να ετικετάρετε ένα μόνο αντικείμενο σε μια εικόνα ή πολλαπλά. Με αυτόν τον τρόπο το μοντέλο μαθαίνει πώς μοιάζει το ίδιο το αντικείμενο, όχι μόνο πώς μοιάζουν οι εικόνες που περιέχουν το αντικείμενο. Όταν το χρησιμοποιείτε για να προβλέψετε εικόνες, αντί να επιστρέφει μια λίστα ετικετών και ποσοστών, επιστρέφει μια λίστα ανιχνευμένων αντικειμένων, με το πλαίσιο οριοθέτησης και την πιθανότητα ότι το αντικείμενο ταιριάζει στην ανατεθειμένη ετικέτα. > 🎓 *Πλαίσια οριοθέτησης* είναι τα πλαίσια γύρω από ένα αντικείμενο.  Η παραπάνω εικόνα περιέχει τόσο ένα δοχείο με κάσιους όσο και τρεις κονσέρβες ντοματοπολτού. Ο ανιχνευτής αντικειμένων ανίχνευσε τα κάσιους, επιστρέφοντας το πλαίσιο οριοθέτησης που περιέχει τα κάσιους με το ποσοστό πιθανότητας ότι το πλαίσιο οριοθέτησης περιέχει το αντικείμενο, σε αυτή την περίπτωση 97.6%. Ο ανιχνευτής αντικειμένων έχει επίσης ανιχνεύσει τρεις κονσέρβες ντοματοπολτού και παρέχει τρία ξεχωριστά πλαίσια οριοθέτησης, ένα για κάθε ανιχνευμένη κονσέρβα, και το καθένα έχει ένα ποσοστό πιθανότητας ότι το πλαίσιο οριοθέτησης περιέχει μια κονσέρβα ντοματοπολτού. ✅ Σκεφτείτε μερικά διαφορετικά σενάρια για τα οποία μπορεί να θέλετε να χρησιμοποιήσετε μοντέλα AI βασισμένα σε εικόνες. Ποια θα χρειάζονταν ταξινόμηση και ποια ανίχνευση αντικειμένων; ### Πώς λειτουργεί η ανίχνευση αντικειμένων Η ανίχνευση αντικειμένων χρησιμοποιεί σύνθετα μοντέλα ML. Αυτά τα μοντέλα λειτουργούν διαιρώντας την εικόνα σε πολλαπλά κελιά και στη συνέχεια ελέγχουν αν το κέντρο του πλαισίου οριοθέτησης είναι το κέντρο μιας εικόνας που ταιριάζει με μία από τις εικόνες που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου. Μπορείτε να το σκεφτείτε σαν να τρέχετε έναν ταξινομητή εικόνων σε διαφορετικά μέρη της εικόνας για να βρείτε αντιστοιχίες. > 💁 Αυτό είναι μια δραστική υπεραπλούστευση. Υπάρχουν πολλές τεχνικές για την ανίχνευση αντικειμένων και μπορείτε να διαβάσετε περισσότερα για αυτές στη [σελίδα Ανίχνευσης Αντικειμένων στη Wikipedia](https://wikipedia.org/wiki/Object_detection). Υπάρχουν διάφορα μοντέλα που μπορούν να κάνουν ανίχνευση αντικειμένων. Ένα ιδιαίτερα γνωστό μοντέλο είναι το [YOLO (You only look once)](https://pjreddie.com/darknet/yolo/), το οποίο είναι εξαιρετικά γρήγορο και μπορεί να ανιχνεύσει 20 διαφορετικές κατηγορίες αντικειμένων, όπως ανθρώπους, σκύλους, μπουκάλια και αυτοκίνητα. ✅ Διαβάστε για το μοντέλο YOLO στο [pjreddie.com/darknet/yolo/](https://pjreddie.com/darknet/yolo/) Τα μοντέλα ανίχνευσης αντικειμένων μπορούν να επανεκπαιδευτούν χρησιμοποιώντας μεταφορά μάθησης για να ανιχνεύσουν προσαρμοσμένα αντικείμενα. ## Χρήση ανίχνευσης αντικειμένων στο λιανικό εμπόριο Η ανίχνευση αντικειμένων έχει πολλαπλές χρήσεις στο λιανικό εμπόριο. Μερικές περιλαμβάνουν: * **Έλεγχος και μέτρηση αποθεμάτων** - αναγνώριση όταν το απόθεμα είναι χαμηλό στα ράφια. Αν το απόθεμα είναι πολύ χαμηλό, μπορούν να σταλούν ειδοποιήσεις στο προσωπικό ή σε ρομπότ για να ανανεώσουν τα ράφια. * **Ανίχνευση μάσκας** - σε καταστήματα με πολιτικές χρήσης μάσκας κατά τη διάρκεια δημόσιων υγειονομικών γεγονότων, η ανίχνευση αντικειμένων μπορεί να αναγνωρίσει ανθρώπους με μάσκες και χωρίς. * **Αυτοματοποιημένη χρέωση** - ανίχνευση αντικειμένων που αφαιρούνται από τα ράφια σε αυτοματοποιημένα καταστήματα και χρέωση των πελατών ανάλογα. * **Ανίχνευση κινδύνων** - αναγνώριση σπασμένων αντικειμένων στο πάτωμα ή χυμένων υγρών, ειδοποιώντας συνεργεία καθαρισμού. ✅ Κάντε κάποια έρευνα: Ποιες είναι μερικές ακόμα χρήσεις της ανίχνευσης αντικειμένων στο λιανικό εμπόριο; ## Εκπαίδευση ανιχνευτή αντικειμένων Μπορείτε να εκπαιδεύσετε έναν ανιχνευτή αντικειμένων χρησιμοποιώντας το Custom Vision, με παρόμοιο τρόπο όπως εκπαιδεύσατε έναν ταξινομητή εικόνων. ### Εργασία - δημιουργία ανιχνευτή αντικειμένων 1. Δημιουργήστε μια Ομάδα Πόρων για αυτό το έργο με όνομα `stock-detector`. 1. Δημιουργήστε έναν δωρεάν πόρο εκπαίδευσης Custom Vision και έναν δωρεάν πόρο πρόβλεψης Custom Vision στην ομάδα πόρων `stock-detector`. Ονομάστε τους `stock-detector-training` και `stock-detector-prediction`. > 💁 Μπορείτε να έχετε μόνο έναν δωρεάν πόρο εκπαίδευσης και πρόβλεψης, οπότε βεβαιωθείτε ότι έχετε καθαρίσει το έργο σας από τα προηγούμενα μαθήματα. > ⚠️ Μπορείτε να ανατρέξετε στις [οδηγίες για τη δημιουργία πόρων εκπαίδευσης και πρόβλεψης από το έργο 4, μάθημα 1 αν χρειαστεί](../../../4-manufacturing/lessons/1-train-fruit-detector/README.md#task---create-a-cognitive-services-resource). 1. Εκκινήστε την πύλη Custom Vision στο [CustomVision.ai](https://customvision.ai) και συνδεθείτε με τον λογαριασμό Microsoft που χρησιμοποιήσατε για τον λογαριασμό σας στο Azure. 1. Ακολουθήστε την [ενότητα Δημιουργία νέου έργου του γρήγορου οδηγού για την κατασκευή ανιχνευτή αντικειμένων στα Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#create-a-new-project) για να δημιουργήσετε ένα νέο έργο Custom Vision. Η διεπαφή χρήστη μπορεί να αλλάξει και αυτά τα έγγραφα είναι πάντα η πιο ενημερωμένη αναφορά. Ονομάστε το έργο σας `stock-detector`. Όταν δημιουργείτε το έργο σας, βεβαιωθείτε ότι χρησιμοποιείτε τον πόρο `stock-detector-training` που δημιουργήσατε νωρίτερα. Χρησιμοποιήστε τον τύπο έργου *Object Detection* και τον τομέα *Products on Shelves*.  ✅ Ο τομέας προϊόντων στα ράφια είναι ειδικά προσαρμοσμένος για την ανίχνευση αποθεμάτων στα ράφια καταστημάτων. Διαβάστε περισσότερα για τους διαφορετικούς τομείς στην [τεκμηρίωση Επιλογή τομέα στα Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection) ✅ Αφιερώστε λίγο χρόνο για να εξερευνήσετε τη διεπαφή χρήστη του Custom Vision για τον ανιχνευτή αντικειμένων σας. ### Εργασία - εκπαίδευση του ανιχνευτή αντικειμένων σας Για να εκπαιδεύσετε το μοντέλο σας, θα χρειαστείτε ένα σύνολο εικόνων που περιέχουν τα αντικείμενα που θέλετε να ανιχνεύσετε. 1. Συγκεντρώστε εικόνες που περιέχουν το αντικείμενο προς ανίχνευση. Θα χρειαστείτε τουλάχιστον 15 εικόνες που περιέχουν κάθε αντικείμενο προς ανίχνευση από διάφορες διαφορετικές γωνίες και σε διαφορετικές συνθήκες φωτισμού, αλλά όσο περισσότερες τόσο καλύτερα. Αυτός ο ανιχνευτής αντικειμένων χρησιμοποιεί τον τομέα *Products on shelves*, οπότε προσπαθήστε να τοποθετήσετε τα αντικείμενα σαν να βρίσκονται σε ράφι καταστήματος. Θα χρειαστείτε επίσης μερικές εικόνες για να δοκιμάσετε το μοντέλο. Αν ανιχνεύετε περισσότερα από ένα αντικείμενα, θα θέλετε κάποιες εικόνες δοκιμής που περιέχουν όλα τα αντικείμενα. > 💁 Εικόνες με πολλαπλά διαφορετικά αντικείμενα μετρούν προς το ελάχιστο των 15 εικόνων για όλα τα αντικείμενα στην εικόνα. Οι εικόνες σας πρέπει να είναι png ή jpeg, μικρότερες από 6MB. Αν τις δημιουργήσετε με ένα iPhone για παράδειγμα, μπορεί να είναι εικόνες υψηλής ανάλυσης HEIC, οπότε θα χρειαστεί να μετατραπούν και πιθανώς να συρρικνωθούν. Όσο περισσότερες εικόνες τόσο καλύτερα, και θα πρέπει να έχετε παρόμοιο αριθμό ώριμων και άγουρων. Το μοντέλο είναι σχεδιασμένο για προϊόντα στα ράφια, οπότε προσπαθήστε να τραβήξετε τις φωτογραφίες των αντικειμένων στα ράφια. Μπορείτε να βρείτε κάποιες παραδειγματικές εικόνες που μπορείτε να χρησιμοποιήσετε στον φάκελο [images](../../../../../5-retail/lessons/1-train-stock-detector/images) με κάσιους και ντοματοπολτό που μπορείτε να χρησιμοποιήσετε. 1. Ακολουθήστε την [ενότητα Μεταφόρτωση και ετικέτα εικόνων του γρήγορου οδηγού για την κατασκευή ανιχνευτή αντικειμένων στα Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) για να ανεβάσετε τις εικόνες εκπαίδευσης σας. Δημιουργήστε σχετικές ετικέτες ανάλογα με τους τύπους αντικειμένων που θέλετε να ανιχνεύσετε.  Όταν σχεδιάζετε πλαίσια οριοθέτησης για αντικείμενα, κρατήστε τα σφιχτά γύρω από το αντικείμενο. Μπορεί να χρειαστεί χρόνος για να περιγράψετε όλες τις εικόνες, αλλά το εργαλείο θα ανιχνεύσει τι πιστεύει ότι είναι τα πλα [Κουίζ μετά τη διάλεξη](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/38) ## Ανασκόπηση & Αυτομελέτη * Όταν εκπαιδεύσατε τον ανιχνευτή αντικειμένων σας, θα είδατε τιμές για *Precision*, *Recall* και *mAP* που αξιολογούν το μοντέλο που δημιουργήθηκε. Διαβάστε περισσότερα για το τι είναι αυτές οι τιμές χρησιμοποιώντας [την ενότητα "Αξιολόγηση του ανιχνευτή" στον οδηγό γρήγορης εκκίνησης για τη δημιουργία ανιχνευτή αντικειμένων στις Microsoft docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#evaluate-the-detector) * Διαβάστε περισσότερα για την ανίχνευση αντικειμένων στη [σελίδα για την ανίχνευση αντικειμένων στη Wikipedia](https://wikipedia.org/wiki/Object_detection) ## Εργασία [Σύγκριση τομέων](assignment.md) --- **Αποποίηση Ευθύνης**: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.