# ಐಒಟಿ ಸಾಧನದಿಂದ ಹಣ್ಣು ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿ

![ಈ ಪಾಠದ ಸ್ಕೆಚ್‍ನೋಟ್ ಅವಲೋಕನ](../../../../../translated_images/kn/lesson-16.215daf18b00631fb.webp)

> ಸ್ಕೆಚ್‍ನೋಟ್ [ನಿತ್ಯ ನರಸಿಂಹನ್](https://github.com/nitya) ಅವರಿಂದ. ದೊಡ್ಡ ಆಕಾರಕ್ಕಾಗಿ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.

## ಪಠ್ಯ ಪೂರ್ವ ಪ್ರಶ್ನೋತ್ತರ

[ಪಠ್ಯ ಪೂರ್ವ ಪ್ರಶ್ನೋತ್ತರ](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31)

## ಪರಿಚಯ

ಕಳೆದ ಪಾಠದಲ್ಲಿ ನೀವು ಚಿತ್ರ ವರ್ಗೀಕರಣಗಳನ್ನು ಮತ್ತು ಉತ್ತಮ ಹಾಗೂ ಕೆಟ್ಟ ಹಣ್ಣನ್ನು ಗುರುತಿಸಲು ಅವುಗಳನ್ನು ಪ್ರಶಿಕ್ಷಿಸುವ ಬಗ್ಗೆ ಕಲಿತಿದ್ದೀರಿ. ಈ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಐಒಟಿ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಬಳಸಲು, ನೀವು ಕೆಲವು ಬಗೆಯ ಕ್ಯಾಮೆರಾ ಬಳಸಿ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿದು ಅದನ್ನು ವರ್ಗೀಕರಿಸಲು ಕ್ಲೌಡ್‌ಗೆ ಕಳುಹಿಸುವ ಸಾಮರ್ಥ್ಯ ಇರಬೇಕು.

ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳ ಬಗ್ಗೆ ಮತ್ತು ಐಒಟಿ ಸಾಧನದೊಂದಿಗೆ ಅವುಗಳನ್ನು ಬಳಸಿ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯುವ ವಿಧಾನವನ್ನು ಕಲಿತೀರಿ. ಜೊತೆಗೆ ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಹೇಗೆ ಕರೆಸಿಕೊಳ್ಳುವುದು ಎಂಬುದನ್ನು ಕಲಿತೀರಿ.

ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಈ ವಿಷಯಗಳನ್ನು ಕಾಣುತ್ತಿದ್ದೇವೆ:

* [ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳು](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ಐಒಟಿ ಸಾಧನ ಬಳಸಿ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯುವುದು](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಪ್ರಕಟಿಸುವುದು](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸುವುದು](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)

## ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳು

ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳು, ಹೆಸರ থেকেই ಗೊತ್ತಾಗುತ್ತೆ, ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದೊಂದಿಗೆ ಸಂಪರ್ಕಿಸಲು ಸಾಧ್ಯವಿರುವ ಕ್ಯಾಮೆರಾಗಳಾಗಿವೆ. ಅವು ಸ್ಥಿರ ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಅಥವಾ ಸ್ಟ್ರೀಮಿಂಗ್ ವೀಡಿಯೊವನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು. ಕೆಲವು ಮೂಲ ಚಿತ್ರೀಕರಣ ಡೇಟಾವನ್ನು ನೀಡುತ್ತವೆ, ಇತರವು ಚಿತ್ರ ಡೇಟಾವನ್ನು JPEG ಅಥವಾ PNG ಹಾಗು ಚಿತ್ರ ಫೈಲ್ ಆಗಿ ಕಾಂಪ್ರೆಸ್ ಮಾಡುವುದನ್ನು ಮಾಡುತ್ತವೆ. ಸಾಮಾನ್ಯವಾಗಿ ಐಒಟಿ ಸಾಧನಗಳಿಗೆ ಕಾಜುಗೊಳ್ಳುವ ಕ್ಯಾಮೆರಾಗಳು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದು ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್ ಇರುತ್ತವೆ, ಆದರೆ ಶ್ರೇಷ್ಠ ಮೊಬೈಲ್‌ಗಳಷ್ಟು ಉನ್ನತ ರೆಸಲ್ಯೂಶನ್ ಕ್ಯಾಮೆರಾಗಳನ್ನು ಪಡೆಯಬಹುದು. ನೀವು ಬದಲಿ ಲೆನ್ಸ್‌ಗಳು, ಬಹು-ಕ್ಯಾಮೆರಾ ಸೆಟ್ಟಪ್‌ಗಳು, ಇನ್‌ಫ್ರಾರೆಡ್ ಥರ್ಮಲ್ ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ UV ಕ್ಯಾಮೆರಾಗಳನ್ನೂ ಪಡೆಯಬಹುದು.

![ದೃಶ್ಯದಲ್ಲಿ ಬೆಳಕು ಲೆನ್ಸ್ ಮೂಲಕ ಹಾದು(cmos ಸೆನ್ಸರ್ ಮೇಲಾಗುತ್ತೆ)](../../../../../translated_images/kn/cmos-sensor.75f9cd74decb1371.webp)

ಹೊಳಪು ಕಳೆದಿರುವ ಸ್ಟುಲಾಯನ ಪುಟಗಳ ಪ್ರತಿಯೊಂದು ಪಿಕ್ಸೆಲ್ ಫೊಟೋಡಯೋಡ್ ಆಗಿದೆ ಎಂದು ಬಹುತೇಕ ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳು ಉಪಯೋಗಿಸುವ ಇಮೇಜ್ ಸೆನ್ಸರ್‌ಗಳು. ಲೆನ್ಸ್ ಚಿತ್ರವನ್ನು ಇಮೇಜ್ ಸೆನ್ಸರ್ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಸಾವಿರಾರು ಅಥವಾ ಮಿಲಿಯನ್ಗಳ ಫೊಟೋಡಯೋಡ್‌ಗಳು ಪ್ರತಿಯೊಂದು ಮೇಲೆ ಬೀಳುವ ಬೆಳಕನ್ನು ಗುರುತಿಸಿ ಅದನ್ನು ಪಿಕ್ಸೆಲ್ ಡೇಟಾ ಆಗಿ ದಾಖಲಿಸಿವೆ.

> 💁 ಲೆನ್ಸ್‌ಗಳು ಚಿತ್ರಗಳನ್ನು ಉಪ್ಫೇರ್ ಮಾಡುತ್ತವೆ, ನಂತರ ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್ ಚಿತ್ರವನ್ನು ಸರಿಯಾದ ರೀತಿಯಲ್ಲಿ ತಿರುಗಿಸುತ್ತವೆ. ಇದು ನಿಮ್ಮ ಕಣ್ಣುಗಳಲ್ಲಿ ಕೂಡ ಇದೆ - ನೀವು ನೋಡುತ್ತಿರುವದ್ದು ನಿಮ್ಮ ಕಣ್ಣಿನ ಹಿಂಭಾಗದಲ್ಲಿ ತಿರುಗಿ ಗುರುತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಮೆದುಳು ಅದನ್ನು ಸರಿಪಡಿಸುತ್ತದೆ.

> 🎓 ಚಿತ್ರ ಸೆನ್ಸರ್ ಅನ್ನು ಸಕ್ರಿಯ ಪಿಕ್ಸೆಲ್ ಸೆನ್ಸರ್ (APS) ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಮತ್ತು APS ಪ್ರಕಾರಗಳಲ್ಲಿ ಅತ್ಯಂತ ಜನಪ್ರಿಯವು ಕಂಪ್ಲಿಮೆಂಟರಿ ಮೆಟಲ್-ಆಕ್ಸೈಡ್ ಸೆಮಿಕಂಡಕ್ಟರ್ ಸೆನ್ಸರ್, ಅಥವಾ CMOS ಆಗಿದೆ. ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳಿಗೆ CMOS ಸೆನ್ಸರ್ ಎಂಬ ಪದ ಬಳಕೆ ಆಗಿರಬಹುದು.

ಕ್ಯಾಮೆರಾ ಸೆನ್ಸರ್‌ಗಳು ಡಿಜಿಟಲ್ ಸೆನ್ಸರ್‌ಗಳು, ಅವರು ಚಿತ್ರ ಡೇಟಾವನ್ನು ಡಿಜಿಟಲ್ ಡೇಟಾ ರೂಪದಲ್ಲಿ ಕಳುಹಿಸುತ್ತವೆ, ಸಾಮಾನ್ಯವಾಗಿ ಸಂವಹನಕ್ಕಾಗಿ ಗ್ರಂಥಾಲಯದ ಸಹಾಯದಿಂದ. ಕ್ಯಾಮೆರಾಗಳು SPI ಮುಂತಾದ ಪ್ರೋಟೋಕಾಲ್‌ಗಳ ಮೂಲಕ ಸಂಪರ್ಕಿಸುತ್ತವೆ, ಏಕೆಂದರೆ ಇಮೇಜ್‌ಗಳು ಸೆನ್ಸರ್‌ನಿಂದ ಬಂದ ಏಕಾಂಕಗಳಿಗಿಂತ ತುಂಬಾ ದೊಡ್ಡ ಡೇಟಾವಾಗಿವೆ.

✅ ಐಒಟಿ ಸಾಧನಗಳೊಂದಿಗೆ ಇಮೇಜ್ ಗಾತ್ರದ ಸೀಮಿತತೆಗಳೇನು? ವಿಶೇಷವಾಗಿ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ ಹಾರ್ಡ್‌ವೇರ್ ಮೇಲೆ ಇರುವ ನಿಯಮಗಳನ್ನು ಪರಿಗಣಿಸಿ.

## ಐಒಟಿ ಸಾಧನ ಬಳಸಿ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯುವುದು

ನೀವು ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸಲು ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನವನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು.

### ಕಾರ್ಯ - ಐಒಟಿ ಸಾಧನ ಬಳಸಿ ಚಿತ್ರ ಸೆರೆಹಿಡಿಯಿರಿ

ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನ ಬಳಸಿ ಚಿತ್ರವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಂಬಂಧಿಸಿದ ಮಾರ್ಗದರ್ಶನವನ್ನು ಅನುಸರಿಸಿ:

* [Arduino - WioTerminal](wio-terminal-camera.md)
* [ಒಂದು-ಬೋರ್ಡ್ ಕಂಪ್ಯೂಟರ್ - ರಾಸ್ಪೆರಿ ಪೈ](pi-camera.md)
* [ಒಂದು-ಬೋರ್ಡ್ ಕಂಪ್ಯೂಟರ್ - ವಾಸ್ತವಿಕ ಸಾಧನ](virtual-device-camera.md)

## ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಪ್ರಕಟಿಸುವುದು

ನೀವು ಕಳೆದ ಪಾಠದಲ್ಲಿ ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ತರಬೇತಿ ಮಾಡಿದ್ದೀರಿ. ಅದನ್ನು ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಬಳಸಲು, ನೀವು ಮೊದಲು ಮಾದರಿಯನ್ನು ಪ್ರಕಟಿಸಬೇಕು.

### ಮಾದರಿ ಪುನರಾವರ್ತನೆಗಳು

ನೀವು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತಿರುವಾಗ, **Performance** ಟ್ಯಾಬಿನಲ್ಲಿ ಪುನರಾವರ್ತನೆಗಳು ತೋರಿಸಲಾಗುತ್ತವೆ. ಪ್ರಥಮ ತರಬೇತಿಯಲ್ಲಿ ನೀವು *Iteration 1* ನೋಡಿದ್ದಿರಿ. ನೀವು ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸಿದಾಗ, *Iteration 2* ತೋರಿಸಿಕೊಳ್ಳುತ್ತದೆ.

ಪ್ರತಿಯೊಂದು ಬಾರಿ ಮಾದರಿ ತರಬೇತಿಯಾದಾಗ, ಹೊಸ ಪುನರಾವರ್ತನೆ ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ. ಇದು ವಿಭಿನ್ನ ಡೇಟಾ ಸೆಟ್‌ಗಳ ಮೇಲೆ ತಯಾರಾದ ವಿವಿಧ ಆವೃತ್ತಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಒಂದು ವಿಧಾನ. **Quick Test** ಮಾಡುವಾಗ, ನೀವು ಒಂದು ಡ್ರಾಪ್-ಡೌನ್ ಬಳಸಿ ಆಯ್ಕೆ ಮಾಡಿ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಬಹುದು.

ನೀವು ಪುನರಾವರ್ತನೆಗೆ ಸંતુಷ್ಟರಾದರೆ, ಅದನ್ನು ಹೊರಗಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಬಳಸಲು ಪ್ರಕಟಿಸಬಹುದು. ಈ ರೀತಿಯಲ್ಲಿ ನೀವು ಹೊರಗಡೆ ಉಪಯೋಗಿಸುವ ಪ್ರಕಟಿತ ಆವೃತ್ತಿಯನ್ನು ಹೊಂದಿರಬಹುದು. ನಂತರ ಹೊಸ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಮರುಬಳಕೆ ಮಾಡಬಹುದು ಮತ್ತು ಅದು ತೃಪ್ತಿಕರವಾಗಿದ್ದರೆ ಅದನ್ನು ಮತ್ತೆ ಪ್ರಕಟಿಸುವಿರಿ.

### ಕಾರ್ಯ - ಪುನರಾವರ್ತನೆಯನ್ನು ಪ್ರಕಟಿಸಿ

ಪುನರಾವರ್ತನೆಗಳು Custom Vision ಪೋರ್ಟಲಿನಿಂದ ಪ್ರಕಟಿಸಲಾಗುತ್ತವೆ.

1. Custom Vision ಪೋರ್ಟಲನ್ನು [CustomVision.ai](https://customvision.ai) ನಲ್ಲಿ ತೆರೆಯಿರಿ ಮತ್ತು ಲಾಗಿನ್ ಆಗಿ. ನಂತರ ನಿಮ್ಮ `fruit-quality-detector` ಯೋಜನೆಯನ್ನು ತೆರೆಯಿರಿ.

1. ಮೇಲ್ಭಾಗದಲ್ಲಿರುವ ಆಯ್ಕೆಗಳಿಂದ **Performance** ಟ್ಯಾಬ್ ಆಯ್ಕೆಮಾಡಿ

1. ಬದಿಯಲ್ಲಿ *Iterations* ಪಟ್ಟಿಯಿಂದ ಇತ್ತೀಚಿನ ಪುನರಾವರ್ತನೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ

1. ಆ ಪುನರಾವರ್ತನೆಗೆ **Publish** ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ

    ![ಪ್ರಕಟಿಸು ಬಟನ್](../../../../../translated_images/kn/custom-vision-publish-button.b7174e1977b0c33b.webp)

1. *Publish Model* ಸಂವಾದದಲ್ಲಿ *Prediction resource* ಅನ್ನು ಕಳೆದ ಪಾಠದಲ್ಲಿ ಸೃಷ್ಟಿಸಿದ `fruit-quality-detector-prediction` ಸಂಪನ್ಮೂಲಕ್ಕೆ ಹೊಂದಿಸಿ. ಹೆಸರು `Iteration2` ಇದ್ದಂತೆ ಉಳಿಸಿ, ಮತ್ತು **Publish** ಬಟನ್ ಆರಿಸಿ.

1. ಪ್ರಕಟಿತ ನಂತರ, **Prediction URL** ಬಟನ್ ಆಯ್ಕೆಮಾಡಿ. ಇದು ಭವಿಷ್ಯದ API ವಿವರಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಮತ್ತು ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಮಾದರಿಯನ್ನು ಕರೆತಗಲಲು ಈ ವಿವರಗಳು ಅಗತ್ಯ. ಕೆಳಗಿನ ವಿಭಾಗವನ್ನು *If you have an image file* ಎಂದು ಲೇಬಲ್ ಮಾಡಲಾಗಿದ್ದು, ನೀವು ಬೇಕಾದ ವಿವರಗಳು ಇಲ್ಲಿವೆ. ನೀವು URL ನ ಪ್ರತಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ, ಅದು ಈ ರೀತಿಯಾಗಿರಬಹುದು:

    ```output
    https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/classify/iterations/Iteration2/image
    ```

    ಇಲ್ಲಿ `<location>` ನಿಮ್ಮ ಕಸ್ಟಮ್ ವೀಷನ್ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸುವಾಗ ಉಪಯೋಗಿಸಿದ ಸ್ಥಳವಾಗಲಿದೆ, ಹಾಗೂ `<id>` ಅಕ್ಷರಗಳು ಮತ್ತು ಸಂಖ್ಯೆಗಳನ್ನು ಒಳಗೊಂಡ ದೀರ್ಘ ID ಆಗಿರುತ್ತದೆ.

    *Prediction-Key* ಮೌಲ್ಯವನ್ನು ಕೂಡ ನಕಲಿಸಿ. ಇದು ಸುರಕ್ಷಿತ ಕೀಲಿಯಾಗಿದೆ ಮತ್ತು ನೀವು ಮಾದರಿಯನ್ನು ಕರೆಸುವಾಗ ಈ ಕೀಲಿಯನ್ನು ನೀಡಿ. ಈ ಕೀಲಿ ಮಾತ್ರ ಮೊದಲು ಅನುಮತಿಸಿರುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಬೇರೆ ಯಾವುದಾದರೂ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ತಿರಸ್ಕರಿಸಲ್ಪಡುತ್ತವೆ.

    ![ಪೂರ್ವಸೂಚನಾ API ಸಂವಾದದಲ್ಲಿ URL ಮತ್ತು ಕೀಲಿ ತೋರಿಸಲಾಗುತ್ತಿದೆ](../../../../../translated_images/kn/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp)

✅ ಹೊಸ ಪುನರಾವರಣೆ ಪ್ರಕಟಿಸಿದಾಗ, ಅದಕ್ಕೆ ಬೇರೆ ಹೆಸರು ಇರುತ್ತದೆ. ನೀವು ಹೇಗೆ ತಿಳಿಸುತ್ತೀರಿ ಐಒಟಿ ಸಾಧನವು ಬಳಸುತ್ತಿರುವ ಪುನರಾವರಣೆಯನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸಬಹುದು?

## ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು

ಈ ಸಂಪರ್ಕ ವಿವರಗಳನ್ನು ಬಳಸಿ ಈಗ ನೀವು ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ಕರೆತಗಲೇಬಹುದು.

### ಕಾರ್ಯ - ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ

ಸಂಬಂಧಿಸಿದ ಮಾರ್ಗದರ್ಶನವನ್ನು ಅನುಸರಿಸಿ, ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ:

* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
* [ಒಂದು-ಬೋರ್ಡ್ ಕಂಪ್ಯೂಟರ್ - ರಾಸ್ಪೆರಿ ಪೈ/ವಾಸ್ತವಿಕ ಐಒಟಿ ಸಾಧನ](single-board-computer-classify-image.md)

## ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸುವುದು

ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನಕ್ಕೆ ಸಂಪರ್ಕವಿರುವ ಕ್ಯಾಮೆರಾ ಬಳಸಿದಾಗ ನೀವು ಪಡೆಯುವ ಫಲಿತಾಂಶಗಳು ನಿರೀಕ್ಷೆಯಂತೆ ಇರದೆ ಇರಬಹುದು. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಿಂದ ಅಪ್‌ಲೋಡ್ ಮಾಡಲಾದ ಚಿತ್ರಗಳಂತೆಯೇ ಭವಿಷ್ಯವಾಣಿಗಳು ಪ್ರಕಟಿತವಾಗುವುದಿಲ್ಲ. ಇದಕ್ಕೆ ಕಾರಣ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಬಳಸಿದ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿಗಳಿಗಾಗಿ ಉಪಯೋಗಿಸಿದ ಡೇಟಾ ವಿಭಿನ್ನವಾಗಿರುವದು.

ಚಿತ್ರ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲು, ಭವಿಷ್ಯವಾಣಿಗಳಿಗೆ ಬಳಕೆಯಾದ ಚಿತ್ರಗಳ ಸಮಯದಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ನೀವು ಫೋನ್ ಕ್ಯಾಮೆರಾವಿನಿಂದ ತರಬೇತಿಗೆ ಚಿತ್ರಗಳನ್ನು ಸೆರೆಹಿಡಿದಿದ್ದರೆ, ಇಮೇಜ್ ಗುಣಮಟ್ಟ, ತೀವ್ರತೆ ಮತ್ತು ಬಣ್ಣಗಳು ಐಒಟಿ ಸಾಧನದ ಕ್ಯಾಮೆರಾಗಿಂತ ಬೇರೆಯಾಗಿರುತ್ತವೆ.

![ಎರಡು ಬಾಳೆಹಣ್ಣುಚಿತ್ರಗಳು, ಐಒಟಿ ಸಾಧನದಿಂದ ಕಡಿಮೆ ರೆಸಲ್ಯೂಷನ್ ಮತ್ತು ಕೆಟ್ಟ ಬೆಳಕಿನ, ಮತ್ತು ಫೋನ್ನಿಂದ ಉತ್ತಮ ಬೆಳಕಿನ ಮತ್ತು ಉನ್ನತ ರೆಸಲ್ಯೂಷನ್](../../../../../translated_images/kn/banana-picture-compare.174df164dc326a42.webp)

ಮೇಲಿನ ಚಿತ್ರದಲ್ಲಿ, ಎಡಭಾಗದ ಬಾಳೆಹಣ್ಣು ಚಿತ್ರ ರಾಸ್ಪೆರಿ ಪೈ ಕ್ಯಾಮೆರಾ ಬಳಸಿ ತೆಗೆದಿದೆ, ಬಲ ಭಾಗದ ಚಿತ್ರ ಅದೇ ಸ್ಥಳದಲ್ಲಿ ಐಫೋನ್ ಮೂಲಕ ತೆಗೆದದ್ದು. ಗುಣಮಟ್ಟದಲ್ಲಿ ಸ್ಪಷ್ಟ ಭೇದವಿದೆ - ಐಫೋನ್ ಚಿತ್ರSharper ಆಗಿದ್ದು, ಬೆಳಕು ಉಜ್ವಲ ಹಾಗೂ ಬಣ್ಣಗಳು ಹೆಚ್ಚು ವಿಶಿಷ್ಟ.

✅ ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಸೆರೆಹಿಡಿದ ಚಿತ್ರಗಳಿಗೆ ತಪ್ಪು ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಕಾರಣವಾಗಲು ಮತ್ತೇನು ಇರಬಹುದು? ಐಒಟಿ ಸಾಧನ ಬಳಸುವ ಪರಿಸರವನ್ನು ಗಮನಿಸಿ, ಯಾವ ಅಂಶಗಳು ಸೆರೆಹಿಡಿದ ಚಿತ್ರ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಬಹುದು?

ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸಲು, ಐಒಟಿ ಸಾಧನದಿಂದ ಸೆರೆಹಿಡಿದ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ ಮರುತರಬೇತಿಯನ್ನು ನಡೆಸಬಹುದು.

### ಕಾರ್ಯ - ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸಿ

1. ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನ ಬಳಸಿ ಸುONENT ಬಾಳೆಹಣ್ಣು ಮತ್ತು ಹಸಿವು ಹಣ್ಣುಗಳ ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ.

1. Custom Vision ಪೋರ್ಟಲಿನಲ್ಲಿ, *Predictions* ಟ್ಯಾಬಿನಲ್ಲಿ ಇರುವ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಮಾಡಿ.

    > ⚠️ ಪ್ರಥಮ ಪಾಠದಲ್ಲಿ ನಿಮ್ಮ ವರ್ಗೀಕರಣವನ್ನು ಮರುತರಬೇತಿಸುವ ಸೂಚನೆಗಳಿಗೆ ನೀವು ಪಡೆಯಬಹುದು: [../1-train-fruit-detector/README.md#retrain-your-image-classifier](../1-train-fruit-detector/README.md#retrain-your-image-classifier).

1. ನಿಮ್ಮ ಚಿತ್ರಗಳು ಮೊದಲಿಗೆ ತರಬೇತಿಗೆ ಉಪಯೋಗಿಸಿದ ಚಿತ್ರಗಳಿಗಿಂತ ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದ್ದರೆ, *Training Images* ಟ್ಯಾಬ್ನಲ್ಲಿ ಅವುಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿ **Delete** ಬಟನ್‌ ಬಳಸಿ ಅಷ್ಟು ಚಿತ್ರಗಳನ್ನು ಅಳಿಸಿ. ಚಿತ್ರವನ್ನು ಆಯ್ಕೆಮಾಡಲು, ಮೌಸ್ ಅನ್ನು ಅದರ ಮೇಲಿಟ್ಟು ಟಿಕ್ ಬಾಕ್ಸ್ ಕಾಣುವಾಗ ಅದನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಆಯ್ಕೆ ಅಥವಾ ಅನಾಯ್ಕೆ ಮಾಡಿ.

1. ಹೊಸ ಪುನರಾವರಣೆ ತರಬೇತಿಗೆ ತರಿಸಿ ಮೇಲಿನ ಕ್ರಮಗಳು ಅನುಸರಿಸಿ ಪ್ರಕಟಿಸಿರಿ.

1. ನಿಮ್ಮ ಕೋಡಿನಲ್ಲಿ ಅಂತಿಮ URL ಅನ್ನು ನವೀಕರಿಸಿ, ಆ್ಯಪ್ ಅನ್ನು ಮತ್ತೆ ಸಂಚಲಿಸಿ.

1. ನೀವು ಫಲಿತಾಂಶಗಳನ್ನು ಸಂತೃಪ್ತಿಗೊಳಿಸುವವರೆಗೆ ಈಚಿನ ಕ್ರಮಗಳನ್ನು ಪುನರಾವರ್ತಿಸಿ.

---

## 🚀 ಚಾಲೆಂಜ್

ಚಿತ್ರ ರೆಸಲ್ಯೂಶನ್ ಅಥವಾ ಬೆಳಕು ಭವಿಷ್ಯವಾಣಿಗೆ ಎಷ್ಟು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ?

ನಿಮ್ಮ ಸಾಧನದ ಕೋಡ್‌ನಲ್ಲಿ ಚಿತ್ರಗಳ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಬದಲಾಯಿಸಿ ಚಿತ್ರ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಇರುವ ಪರಿಣಾಮವನ್ನು ನೋಡಿ. ಬೆಳಕನ್ನು ಮರು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ ಪ್ರಯತ್ನಿಸಿ.

ನೀವು ಫಾಸ್ಟ್ ಅಥವಾ ಕೈಗಾರಿಕೆಗಳಿಗೆ ಮಾರಾಟ ಮಾಡಲು ಉತ್ಪಾದನಾ ಸಾಧನವನ್ನು ರಚಿಸುವಲ್ಲಿ, ಅದು ಯಾವಾಗಲೂ ಸ್ಥಿರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡhow ಎಂತೆ ನೀವು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುತ್ತೀರಿ?

## ಪಠ್ಯೋತ್ತರ ಪ್ರಶ್ನೋತ್ತರ

[ಪಠ್ಯೋತ್ತರ ಪ್ರಶ್ನೋತ್ತರ](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/32)

## ಪರಿಶೀಲನೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ

ನೀವು ಛಾಯಾಚಿತ್ರಗಳಲ್ಲಿನ ನಿಮ್ಮ ಕಸ್ಟಮ್ ವೀಷನ್ ಮಾದರಿಯನ್ನು ಪೋರ್ಟಲ್ ಬಳಸಿ ತರಬೇತಿ ಮಾಡಿರೀರಿ. ಇದು ಚಿತ್ರಗಳ ಲಭ್ಯತೆಗೆ ಅವಲಂಬಿತವಾಗಿದೆ - ಮತ್ತು ನಿಮ್ಮ ಸಾಧನದ ಕ್ಯಾಮೆರಾ ಸೆರೆಹಿಡಿಯುವದಲ್ಲಿ ನೀವು ಹೊಂದಲಾರದ ತರಬೇತಿ ಡೇಟಾವನ್ನೂ ಪಡೆಯಲಾಗದೇ ಇರಬಹುದು. ನೀವು ತರಬೇತಿಗಾಗಿ ಬಿಟ್ಟು, ನಿಮ್ಮ ಐಒಟಿ ಸಾಧನದಿಂದ ಸೆರೆಹಿಡಿದ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ ಮೌಲ್ಯಮಾಪನ API ಮೂಲಕ ನೇರವಾಗಿ ತರಬೇತಿ ನೀಡಬಹುದು.

* [Custom Vision SDK ಬಳಸುತ್ತಿರುವ ತರಬೇತಿ API ಕುರಿತು ಈ ವೀಕ್ಷಣೆ ಓದಿ](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?WT.mc_id=academic-17441-jabenn&tabs=visual-studio&pivots=programming-language-python)

## ಹೋมಿಕೆಗೆ

[ವರ್ಗೀಕರಣ ಫಲಿತಾಂಶಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಿ](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ತ್ಯಾಜ್ಯ ಸೂಚನೆ**:  
ಈ ದಾಕ್ಯವನ್ನು AI ಭಾಷಾಂತರ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಉಪಯೋಗಿಸಿ ಭಾಷಾಂತರಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಗೆ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಭಾಷಾಂತರಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯ ದಸ್ತಾವೇಜು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗೆ, ವೃತ್ತಿಪರ ಮಾನವ ಭಾಷಾಂತರವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಭಾಷಾಂತರದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ഏതೆನಾದರೂ ತಪ್ಪು ವಿವರಗಳಿಲ್ಲದೆ ಅಥವಾ ತಪ್ಪಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಕಾರಣಗಳಿಂದ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->