# സ്റ്റോക്ക് കണ്ടെത്തിയ്ക്കുന്ന മോഡൽ ട്രെയ്ൻ ചെയ്യുക

![ഈ പാഠത്തിന്റെ സ്കെച്‍നോട്ട് അവലോകനം](../../../../../translated_images/ml/lesson-19.cf6973cecadf080c.webp)

> [Nitya Narasimhan](https://github.com/nitya) യുടെ സ്കെച്‍നോട്ട്. വലിയ പതിപ്പിനായി ചിത്രത്തില്‍ ക്ലിക്ക് ചെയ്യുക.

ഈ വീഡിയോയിൽ അഴ്യൂര്‍ കസ്റ്റം വിഷൻ സര്‍വീസിലുള്ള ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്റെ അവലോകനം ലഭ്യമാണ്, ഈ പാഠത്തില്‍ ഇത് আলোচনা ചെയ്യും.

[![Custom Vision 2 - Object Detection Made Easy | The Xamarin Show](https://img.youtube.com/vi/wtTYSyBUpFc/0.jpg)](https://www.youtube.com/watch?v=wtTYSyBUpFc)

> 🎥 വീഡിയോ കാണാൻ മുകളിൽ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക

## പ്രീ-ലെക്ചർ ക്വിസ്

[പ്രീ-ലെക്ചർ ക്വിസ്](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/37)

## പരിചയം

മുന്‍പ്രോജക്റ്റിൽ, നിങ്ങള്‍ AI ഉപയോഗിച്ച് ഒരു ഇമേജ് ക്ലാസിഫയര്‍ ട്രെയ്ൻ ചെയ്തു — ഒരു ചിത്രം പഴം പുഷ്പിച്ചിരിക്കുന്നതോ അല്ലയോ എന്ന് പറയാനുള്ള മോഡൽ. ചിത്രങ്ങളുമായി ഉപയോഗിക്കാവുന്ന മറ്റൊരു AI മോഡലാണ് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ. ഈ മോഡലുകൾ ഒരു ചിത്രത്തെ ടാഗ് അടിസ്ഥാനത്തിൽ ക്ലാസിഫയിക്കല്‍ ചെയ്യാതെ, ചിത്രത്തിൽ ഉള്ള വസ്തുക്കൾ തിരിച്ചറിയാനായി പരിശീലിപ്പിക്കപ്പെടുന്നു, അത് ചിത്രത്തിലും എവിടെ ആ വസ്തു ഉണ്ട് എന്നും കണ്ടെത്താൻ കഴിയും. ഇതിലൂടെ ചിത്രങ്ങളിൽ അടങ്ങിയിരിക്കുന്ന വസ്തുക്കളുടെ എണ്ണം എണ്ണാം.

ഈ പാഠത്തിൽ നിങ്ങൾക്ക് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്‍ പറ്റി പഠിക്കാം, പ്രത്യേകിച്ച് റീട്ടെയിലിൽ ഇത് എങ്ങനെ ഉപയോഗിക്കാമെന്ന്. കൂടാതെ, ക്ലൗഡിൽ ഒരു ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്യുന്നതെങ്ങനെ എന്ന് പഠിക്കാം.

ഈ പാഠത്തിൽ ഈവിഷയങ്ങൾ ഉൾപ്പെടും:

* [ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്‍](../../../../../5-retail/lessons/1-train-stock-detector)
* [റീട്ടെയിലിൽ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ഉപയോഗിക്കുക](../../../../../5-retail/lessons/1-train-stock-detector)
* [ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്യുക](../../../../../5-retail/lessons/1-train-stock-detector)
* [താങ്കളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ടെസ്റ്റുചെയ്യുക](../../../../../5-retail/lessons/1-train-stock-detector)
* [താങ്കളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ പുന:പ്രബലമാക്കുക](../../../../../5-retail/lessons/1-train-stock-detector)

## ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ

അഐ ഉപയോഗിച്ച് ചിത്രങ്ങളിൽ ഒബ്ജക്റ്റുകൾ കണ്ടെത്തുന്നത് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്‍ എന്നാണ്. കഴിഞ്ഞ പ്രോജക്റ്റിൽ നിങ്ങൾ ഉപയോഗിച്ച ഇമേജ് ക്ലാസിഫയർ പോലെ, ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ഒരു കുറഞ്ഞ ടാഗ് പ്രവചിക്കാൻ അല്ല, പക്ഷേ ഒരു ചിത്രം ഉള്ളിൽ ഒന്നോ കൂടുതൽ ഒബ്ജക്റ്റുകൾ കണ്ടെത്താൻ ആണ്.

### ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ vs ഇമേജ് ക്ലാസിഫിക്കേഷൻ

ഇമേജ് ക്ലാസിഫിക്കേഷൻ ഒരു ചിത്രം മുഴുവനായി ടാഗ് അടിസ്ഥാനത്തിൽ ശ്രേണീകരിക്കുകയാണ് — ആ ചിത്രത്തിന്റെ മുഴുവൻ ഭാഗവും ഓരോ ടാഗിനും വേണ്ട സാധ്യതകൾ. മോഡൽ ട്രെയ്ൻ ചെയ്യുമ്പോൾ ഉപയോഗിച്ച എല്ലാ ടാഗുകളും സംബന്ധിച്ച സാദ്ധ്യതകൾ ലഭിക്കും.

![കശുവണ്ടി മുട്ടും തക്കാളി പേസ്റ്റും ഉള്ള ചിത്രങ്ങളുടെ ക്ലാസിഫിക്കേഷൻ](../../../../../translated_images/ml/image-classifier-cashews-tomato.bc2e16ab8f05cf9a.webp)

മുകളിലെ ഉദാഹരണത്തിൽ, രണ്ടു ചിത്രങ്ങളാണ് ഒരു കശുവണ്ടി മുട്ട് ടബ് അല്ലെങ്കിൽ തക്കാളി പേസ്റ്റ് കാൻ ക്ലാസിഫൈ ചെയ്യാനായി ട്രെയ്ൻ ചെയ്ത മോഡൽ ഉപയോഗിച്ച് ക്ലാസിഫൈ ചെയ്തത്. ആദ്യ ചിത്രം കശുവണ്ടി മുട്ട് ടബാണ്, ഇതിന് ഇമേജ് ക്ലാസിഫയറിൽ നിന്നുള്ള ഫലങ്ങൾ:

| ടാഗ്           | സാധ്യത     |
| -------------- | ----------: |
| `cashew nuts`  | 98.4%       |
| `tomato paste` | 1.6%        |

രണ്ടാമത്തെ ചിത്രം തക്കാളി പേസ്റ്റ് കാനാണ്‌, ഫലങ്ങൾ:

| ടാഗ്           | സാധ്യത     |
| -------------- | ----------: |
| `cashew nuts`  | 0.7%        |
| `tomato paste` | 99.3%       |

ഈ തുകകൾ ഉപയോഗിച്ച് നിശ്ചിതതോറിലുള്ള പരിധിയും കണക്കില്‍ഉള്ളിൽ ചിത്രത്തില്‍ എന്തുള്ളൂ എന്നു പ്രവചിക്കാം. എന്നാൽ ഒരു ചിത്രത്തിൽ ഒരുাধিক തക്കാളിപേസ്റ്റ് കാനുകളും കശുവണ്ടികളും ഉണ്ടെങ്കിൽ, ഈ ഫലം ആവശ്യമായ വിധം ലഭിക്കാത്ത കാര്യമാകും. ഇതാ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ഇതിന് പരിഹാരമാണ്.

ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ മോഡലുകൾക്ക് ഒരു വസ്തു തിരിച്ചറിയാൻ പരിശീലിപ്പിക്കപ്പെടുന്നു. ചിത്രത്തിലെ ഓരോ വസ്തുവിനും ആ വെളിപ്പെടുത്തലുകൾ ഉണ്ടാക്കിയിട്ട് ഓരോ ചിത്രവും ഏത് ടാഗാണെന്ന് പറയാനുള്ള പകരം, ചിത്രത്തിലെ ഒരു ഭാഗത്ത് വെച്ച് വസ്തു ഉള്ള മേഖല ടാഗ് ചെയ്യുന്നു. ഒരേ ചിത്രം ഒന്ന് അല്ലെങ്കിൽ ഒട്ടനവധി വസ്തുക്കൾ ടാഗ് ചെയ്യാം. ഇതുവഴി മോഡൽ ആ വസ്തുവിന്റെ സ്വഭാവം പഠിക്കുന്നു, ചിത്രങ്ങളിലെ വസ്തുക്കൾ കണ്ടുപിടിക്കുന്നത് മാത്രമല്ല.

ഈ മോഡലിനെ ഉപയോഗിച്ച് പ്രവചനങ്ങൾ നടത്തുമ്പോൾ, ടാഗുകളും സാധ്യതകളും ഉള്ള ലിസ്റ്റ് ഒഴിവാക്കി, കണ്ടെത്തിയ വസ്തുക്കളുടെ പട്ടിക, അവയുടെ ബൗണ്ടറി ബോക്സ് (പരിമിത paisaje) എന്നിവയും ആ ബോക്സിൽ ആ വസ്തു ഉണ്ടാകാനുള്ള സാധ്യതയും ലഭിക്കും.

> 🎓 *ബൗണ്ടിംഗ് ബോക്സുകൾ* ഒരു വസ്തുവിന്റെ ചുറ്റും വരിച്ചിരിക്കുന്ന ചെറുകെട്ടുകളാണ്.

![കശുവണ്ടി മുട്ടും തക്കാളി പേസ്റ്റും ഉള്ള ചിത്രത്തിലെ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ](../../../../../translated_images/ml/object-detector-cashews-tomato.1af7c26686b4db0e.webp)

മുകളിൽ കാണുന്ന ചിത്രത്തിൽ കശുവണ്ടി മുട്ടും മൂന്ന് തക്കാളി പേസ്റ്റ് കാനുകളും ഉണ്ട്. ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ കശുവണ്ടി മുട്ട കണ്ടെത്തി, അതിനു ചുറ്റും ബൗണ്ടിംഗ് ബോക്സ് ചേർത്ത് 97.6% സാധ്യത രേഖപ്പെടുത്തി. കൂടാതെ മൂന്ന് തക്കാളി പേസ്റ്റ് കാനുകളും കണ്ടെത്തി, ഓരോ കാനിനും പ്രത്യേക ബൗണ്ടിംഗ് ബോക്സ് നൽകി, ഓരോ ബാക്സിനും തക്കാളി പേസ്റ്റ് കാനുണ്ടായിരിക്കാനുള്ള സാധ്യതയെ കുറിച്ച് ശതമാനം നൽകി.

✅ നിങ്ങളുടെ ചിത്രത്തെ അടിസ്ഥാനമാക്കി ഐഎ.ഐ (AI) മോഡലുകൾ ഉപയോഗിക്കാവുന്ന വ്യത്യസ്ത സാഹചര്യങ്ങളെയും ആലോചിക്കൂ. ഏത് സാഹചര്യങ്ങൾക്ക് ക്ലാസിഫിക്കേഷൻ ആവശ്യമായിരിക്കും, ഏത് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ആവശ്യമായിരിക്കും?

### ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ എങ്ങനെ പ്രവര്‍ത്തിക്കുന്നു

ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്‍ സങ്കീർണമായ മെഷീൻ ലേണിംഗ് മോഡലുകൾ ഉപയോഗിക്കുന്നു. ഈ മോഡലുകൾ ചിത്രം പലഭാഗങ്ങളായി വിഭജിച്ച്, ഓരോ ഭാഗമാവശ്യമായ ബൗണ്ടിംഗ് ബോക്സ് സെന്ററും ചിത്രത്തിലെ സെന്ററും തമ്മിൽ പൊരുത്തപ്പെട്ടിട്ടുണ്ടോ എന്ന് പരിശോധിക്കുന്നു. ചിത്രത്തിലെ കാർഷിക ഭാഗങ്ങളിൽ ഇമേജ് ക്ലാസിഫയർ ഓടിക്കുന്നതുപോലെ ഈ പ്രക്രിയയാണെന്ന് കരുതാം.

> 💁 ഇത് വളരെ ലളിതീകരിച്ച വിശദീകരണമാണ്. ഒബ്ജക്റ്റ് ഡിറ്റക്ഷനുള്ള നിരവധി സാങ്കേതിക തന്ത്രങ്ങൾ ഉണ്ട്. കൂടുതൽ വിവരങ്ങൾക്ക് [വിക്കിപീഡിയയിലെ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ പേജ്](https://wikipedia.org/wiki/Object_detection) കാണുക.

ഒടിട്ട, വ്യത്യസ്ത മോഡലുകൾ ഉണ്ട്. പ്രശസ്തമായ ഒരു മോഡൽ [YOLO (You only look once)](https://pjreddie.com/darknet/yolo/) ആണ്. ഇത് വളരെ വേഗത്തിലാണ് പ്രവർത്തിക്കുന്നത്, മനുഷ്യർ, നായകൾ, ബോട്ടിലുകൾ, കാറുകൾ പോലുള്ള 20 വ്യത്യസ്ത ക്ലാസ്സുകൾ കണ്ടെത്താൻ കഴിയും.

✅ YOLO മോഡൽ വിവരണം വായിക്കാൻ [pjreddie.com/darknet/yolo/](https://pjreddie.com/darknet/yolo/) സന്ദര്‍ശിക്കുക

ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ മോഡലുകൾ കസ്റ്റം വസ്തുക്കൾ തിരിച്ചറിയാൻ ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിച്ച് പുന:പരിശീലിപ്പിക്കാൻ കഴിയും.

## റീട്ടെയിലില്‍ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ഉപയോഗിക്കുക

റീട്ടെയിലിൽ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്റെ ഉപയോഗങ്ങൾ പലവിധമാണ്. ചില ഉദാഹരണങ്ങൾ:

* **സ്റ്റോക്ക് പരിശോധനയും എണ്ണവും** - സ്റ്റോക്ക് ഷെൽഫുകളിൽ കുറയുമ്പോൾ തിരിച്ചറിയൽ. കുറവ് കൂടിയാൽ സ്റ്റാഫ് അല്ലെങ്കിൽ റോബോട്ടുകൾക്ക് അറിയിപ്പുകൾ അയയ്ക്കാം.
* **മാസ്ക് ഡിറ്റക്ഷൻ** - പൊതുകൌമാരിക здарതകാലങ്ങളിൽ മാസ്ക് നിലവിലുള്ള സ്റ്റോറുകളിൽ ആളുകൾ മാസ്ക് ധരിച്ചിട്ടുണ്ടെന്ന് തിരിച്ചറിയുക.
* **ഓട്ടോമാറ്റഡ് ബില്ലിംഗ്** - സ്റ്റോർ ഷെൽഫുകളിൽ നിന്നെടുത്ത വസ്തുക്കൾ കണ്ടെത്തി ഉപഭോക്താക്കൾക്കു ശരിയായ ബിൽ നൽകുക.
* **ഹസാർഡ് തിരിച്ചറിയൽ** - നിലത്ത് പൊട്ടിയ സാധനങ്ങൾ, സുഗന്ധം ഗാഴ്‌സും പിടികൂടുകയും ക്ലീനിംഗ് സംഘങ്ങൾക്ക് അറിയിപ്പുകൾ അയയ്ക്കുകയും ചെയ്യുക.

✅ കുറച്ച് ഗവേഷണം നടത്തുക: റീട്ടെയിലിൽ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്‍റെ കൂടുതൽ ഉപയോഗങ്ങൾ ഏതൊക്കെയാണെന്ന് അന്വേഷിക്കൂ?

## ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്യുക

കസ്റ്റം വിഷൻ ഉപയോഗിച്ച് ഇമേജ് ക്ലാസിഫയർ ട്രെയ്ൻ ചെയ്ത വിധമേ ഉണ്ടാകൂ, ഇനിയും ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്യാമെന്ന് അറിയുക.

### ടാസ്ക് - ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ സൃഷ്ടിക്കുക

1. ഈ പ്രോജക്റ്റിന് `stock-detector` എന്ന പേരിൽ ഒരു റിസോഴ്‌സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക

1. `stock-detector` റിസോഴ്‌സ് ഗ്രൂപ്പ് ൽ ഫ്രീ കസ്റ്റം വിഷൻ ട്രെയിനിംഗ് റിസോഴ്‌സ്, കൂടാതെ ഫ്രീ കസ്റ്റം വിഷൻ പ്രവചന റിസോഴ്‌സ് സൃഷ്ടിക്കുക. അവയ്ക്ക് `stock-detector-training` എന്ന പേരും `stock-detector-prediction` എന്ന പേരും നൽകുക.

    > 💁 ഒന്നേ.Exceptions നെറ്റ്യാനും predict റിസോഴ്‌സ് മാത്രം പ്രോജക്റ്റിൽ ഉണ്ടാകാവുന്നതറിഞ്ഞിരിക്കുന്നത്, മുമ്പത്തെ പാഠങ്ങളിൽ നിന്നു project ക്ലീൻ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക.

    > ⚠️ [പ്രോജക്റ്റ് 4, പാഠം 1 ലെ ട്രെയ്‌നിംഗ്, പ്രവചന റിസോഴ്‌സുകൾ സൃഷ്ടിക്കുന്ന വഴികൾ](../../../4-manufacturing/lessons/1-train-fruit-detector/README.md#task---create-a-cognitive-services-resource) ആധാരമാക്കി റഫർ ചെയ്യാം.

1. [CustomVision.ai](https://customvision.ai) പോർട്ടൽ തുറന്ന് മൈക്രോസോഫ്റ്റ് അക്കൗണ്ടിൽ സൈൻ ഇൻ ചെയ്യുക.

1. മൈക്രോസോഫ്റ്റ് ഡോക്സിലെ [Build an object detector quickstart](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#create-a-new-project) ലെ Create a new Project വിഭാഗം അനുസരിച്ച് പുതിയ Custom Vision പ്രോജക്റ്റ് സൃഷ്ടിക്കുക. UI മാറാവുന്നതിനാൽ പരിസ്ഥിതിയിലെ ഏറ്റവും പുതിയ വിവരങ്ങൾ ഓൺലൈൻ ഡോക്സിൽ കാണുക.

    നിങ്ങളുടെ പ്രോജക്റ്റിന് `stock-detector` എന്ന് പേര് വെക്കുക.

    പ്രോജക്റ്റ് സൃഷ്ടിക്കുമ്പോൾ മുൻപ് `stock-detector-training` റിസോഴ്‌സ് ഉപയോഗിക്കുക. പ്രോജക്ട് ടൈപ്പ് Object Detection ആക്കി, ഡോമെയ്ൻ Products on Shelves ആയി തിരഞ്ഞെടുക്കുക.

    ![custom vision project ക്രിയേഷൻ സജ്ജീകരണങ്ങൾ](../../../../../translated_images/ml/custom-vision-create-object-detector-project.32d4fb9aa8e7e737.webp)

    ✅ Products on shelves ഡോമെയ്ന് സ്റ്റോക്ക് കണ്ടെത്തൽ ലക്ഷ്യമാക്കുന്നവയാണ്. വിവിധ ഡോമെയ്നുകൾക്കുറിച്ച് [Select a domain](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection) കാണുക.

✅ താങ്കളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടറിന്റെ Custom Vision UI ആഴത്തിൽ പരിശോധിക്കാൻ കുറച്ച് സമയം എടുത്ത് നോക്കുക.

### ടാസ്ക് - ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്യുക

ട്രെയ്‌നിംഗിനായി നിങ്ങൾക്ക് തീർച്ചയായും കണ്ടെത്തേണ്ട വസ്തുക്കൾ ഉള്ള ചിത്രം സമയമായിരിക്കണം.

1. കണ്ടെത്തേണ്ട വസ്തു ഉള്ള ചിത്രങ്ങൾ ശേഖരിക്കുക. ഓരോ വസ്തുവിനും കുറഞ്ഞത് 15 വ്യത്യസ്ത കോണിലും വെളിച്ച സാഹചര്യങ്ങളിലും ഉള്ള ചിത്രം വേണം, എന്നാൽ എത്രയും കൂടുതൽ എങ്കിലും മതി. ഈ ഡിറ്റക്ടർ *Products on shelves* ഡോമെയിനിൽ ആകുന്നു, അതുകൊണ്ട് വസ്തുക്കൾ സ്റ്റോര്‍ ഷെൽഫ് പോലെയുള്ള സ്ഥലങ്ങളിൽ സജ്ജീകരിക്കുക. ആകെ ഏതാനും പരിശോധന ചിത്രങ്ങളും വേണം. ഒരേ സമയം ഒന്നിലധികം വസ്തുക്കൾ കണ്ടെത്തുന്ന സാഹചര്യത്തിലെ പരീക്ഷണ ചിത്രങ്ങളും ആവശ്യമാണ്.

    > 💁 ഒരേ ചിത്രം നിരവധി വസ്തുക്കൾ ഉള്ളെങ്കിൽ, ആ ചിത്രങ്ങള്‍ എല്ലാ വസ്തുക്കൾക്കുമായി 15 ചിത്രങ്ങളുടെ കണക്കിൽ ഉൾപ്പെടും.

    ചിത്രങ്ങൾ png അല്ലെങ്കിൽ jpeg ആകണം, 6MB കവിതയിൽ ചെറിയത്. iPhone പോലെ ഉയർന്ന റെസല്യൂഷൻ HEIC ഫോർമാറ്റിലുള്ള ചിത്രങ്ങൾ ഉണ്ടെങ്കിൽ, അവ മാറ്റി സ്വല്പം ചുരുക്കണം. കൂടുതൽ ചിത്രങ്ങൾ മികച്ചതാണ്, զոր പുഷ്പിച്ച പഴവും പുഷ്പിക്കാത്ത പഴവും ഒട്ടും ചിത്രങ്ങളിൽ ഉൾപ്പെടുത്തണം.

    മോഡൽ ഷെൽഫുകളിൽ ഉൽപ്പന്നങ്ങളിൽ പ്രത്യേകിച്ചുള്ളതാണ്, അതുകൊണ്ട് വസ്തുക്കളുടെ ഫോട്ടോകൾ ഷെൽഫിൽ പോലെ എടുക്കാൻ ശ്രമിക്കണം.

    [images](../../../../../5-retail/lessons/1-train-stock-detector/images) ഫോൾഡറിൽ കശുവണ്ടി മുട്ടും തക്കാളിപേസ്റ്റും ഉള്ള ഉദാഹരണ ചിത്രങ്ങൾ ലഭ്യമാണ്.

1. മൈക്രോസോഫ്റ്റ് ഡോക്സിൽ [Build an object detector quickstart](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) ലെ Upload and tag images വിഭാഗം അനുസരിച്ച് ട്രെയിനിംഗ് ചിത്രങ്ങൾ അപ്ലോഡ് ചെയ്ത് അനുയോജ്യമായ ടാഗുകൾ സൃഷ്ടിക്കുക.

    ![രിപ്, അൺറിപ് ബനാന ചിത്രങ്ങൾ അപ്ലോഡ് ചെയ്യുന്ന ഡയലോഗ്](../../../../../translated_images/ml/image-upload-object-detector.77c7892c3093cb59.webp)

    വസ്തുക്കളുടെ ബൗണ്ടിംഗ് ബോക്സുകൾ വരച്ച് ടാഗ് ചെയ്യുമ്പോൾ വസ്തുക്കളുടെ ചുറ്റും കഠിനമായിട്ടായി വരയ്ക്കുക. എല്ലാ ചിത്രങ്ങളും അടയാളപ്പെടുത്താൻ സമയം വരും, എന്നാൽ ടൂൾ സ്വയം ബോക്സുകൾ കണ്ടെത്തുന്നതിനാൽ ഇത് വേഗത കൂട്ടും.

    ![തക്കാളി പേസ്റ്റ് ടാഗ് ചെയ്യൽ](../../../../../translated_images/ml/object-detector-tag-tomato-paste.f47c362fb0f0eb58.webp)

    > 💁 ഓരോ വസ്തുവിനും 15-മീറ്റർ കൂടുതൽ ചിത്രങ്ങളുണ്ടെങ്കിൽ 15 വരെയും ട്രെയ്ൻ ചെയ്ത് **Suggested tags** ഫീച്ചർ ഉപയോഗിക്കാം. പരിശീലന മോഡൽ അറ്റാഗ് ചെയ്തിട്ടില്ലാത്ത ചിത്രത്തിലെ വസ്തുക്കൾ കണ്ടെത്തും, നിങ്ങൾ അവ സ്ഥിരീകരിക്കാം അല്ലെങ്കിലും ബോക്സുകൾ വീണ്ടും വരയ്ക്കാം. ഇതുവഴി *ചെറിയ* സമയത്തിലാകും പ്രവര്‍ത്തി പൂര്‍ത്തിയാക്കുക.

1. [Build an object detector quickstart](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#train-the-detector) ലെ Train the detector വിഭാഗം അനുസരിച്ച് ടാഗു ചെയ്ത ചിത്രങ്ങളിൽ മോഡൽ ട്രെയ്ൻ ചെയ്യുക.

    ട്രെയ്‌നിംഗ് തരം തിരഞ്ഞെടുക്കാൻ നൽകും. **Quick Training** തിരഞ്ഞെടുക്കുക.

ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ചില കാലപ്പഴുക്കുകൾക്ക് ശേഷമാണ് ട്രെയ്ൻ ആയതെന്നു കാണുന്നത്.

## താങ്കളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ടെസ്റ്റുചെയ്യുക

ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്തശേഷം, പുതിയ ചിത്രങ്ങളിൽ വസ്തുക്കൾ കണ്ടെത്താൻ മിംഗ് പരിശോധന നടത്താം.

### ടാസ്ക് - ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ടെസ്റ്റ് ചെയ്യുക

1. **Quick Test** ബട്ടൺ ഉപയോഗിച്ച് പരീക്ഷണ ചിത്രങ്ങൾ അപ്ലോഡ് ചെയ്ത് വസ്തുക്കളുടെ കണ്ടെത്തൽ പരിശോധിക്കുക. മുമ്പ് ഉപയോഗിച്ചിരിക്കുന്ന ട്രെയിനിംഗ് ചിത്രങ്ങൾ അല്ലാതെ പരീക്ഷണ ചിത്രങ്ങൾ ഉപയോഗിക്കുക.

    ![3 തക്കാളി പേസ്റ്റ് കാനുകൾ 38%, 35.5%, 34.6% സാധ്യതകളോടെ കണ്ടെത്തി](../../../../../translated_images/ml/object-detector-detected-tomato-paste.52656fe87af4c37b.webp)

1. നിങ്ങളുടെ നിലവിലുള്ള എല്ലാ പരീക്ഷണ ചിത്രങ്ങളും പരീക്ഷിച്ച് കോടിച്ചതുകളും കാണുക.

## താങ്കളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ പുന:ട്രെയ്ൻ ചെയ്യുക

ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ടെസ്റ്റുചെയ്യുമ്പോൾ പ്രതീക്ഷിച്ച ഫലം ഉണ്ടാകാതിരിക്കാം, പണ്ടത്തെ പ്രോജക്റ്റിലെ ഇമേജ് ക്ലാസിഫയർ പോലെ. തെറ്റായ ഫലങ്ങൾ ഉള്ള ചിത്രങ്ങൾ ഉപയോഗിച്ച് ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ പുന:പരിശീലനം നടത്താം.

ക്വിക്ക് ടെസ്റ്റ് ഓപ്ഷന് ഉപയോഗിച്ച് ഓരോ പ്രവചനവും ചെയ്തപ്പോൾ ചിത്രം കൂടാതെ ഫലങ്ങളും സംഭരിച്ചു വെക്കുന്നു. ഈ ചിത്രങ്ങൾ ഉപയോഗിച്ച് മോഡൽ പുന:ചിലവഴിക്കാം.

1. പരീക്ഷണ ചിത്രങ്ങൾ തിരയാൻ **Predictions** ടാബ് ഉപയോഗിക്കുക

1. ശരിയായ കണ്ടെത്തലുകൾ സ്ഥിരീകരിക്കുക, തെറ്റായ കണ്ടെത്തലുകൾ ഡിലീറ്റ് ചെയ്യുക, കാണാൻപിച്ചു കൂടാതെ ഗണിതങ്ങളുടെ കണ്ടെത്തൽ ചേർക്കുക.

1. മോഡൽ വീണ്ടും ട്രെയ്ൻ ചെയ്ത് വീണ്ടും പരീക്ഷിക്കുക.

---

## 🚀 സവാൽ
ദൃശ്യമായി സമാനമായ വസ്തുക്കളായ, ഒരെളിയ ബ്രാൻഡിലെ ടൊമാറ്റോ പേസ്റ്റ് കാൻസുകളും ചോപ്പ്ഡ് ടൊമാറ്റോസും പോലുള്ളവ ഉപയോഗിച്ചാൽ ഒബ്ജക്റ്റ് ഡിറ്റക്ടറുമായി എന്താകുമെന്ന് ആലോചിച്ചിരുന്നോ?

നിങ്ങൾക്കു സമാനമായി കാണുന്ന ഏതെങ്കിലും വസ്തുക്കൾ ഉണ്ടെങ്കിൽ, അവയുടെ ചായങ്ങൾ നിങ്ങളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടറിലേക്ക് ചേർത്ത് പരീക്ഷിച്ച് കാണുക.

## ലക്‌ഷ്യതലികയില്‍ നിന്ന് പിന്മടങ്ങൽ ക്വിസ്

[Post-lecture quiz](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/38)

## അവലോകനവും സ്വയം പഠനവും

* നിങ്ങൾ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ട്രെയ്ൻ ചെയ്തപ്പോള്‍, രൂപീകരിച്ച മോഡലിന് മൂല്യം നല്കുന്ന *Precision*, *Recall*, *mAP* എന്നിവയുടെ മൂല്യങ്ങൾ നിങ്ങൾക്ക് കാണാമായിരുന്നു. ഈ മൂല്യങ്ങൾ എന്താണെന്ന് മനസ്സിലാക്കാൻ [Microsoft ഡോക്യുമെന്റുകളിലെ Build an object detector ക്വിക്‌സ്റ്റാർട്ടിന്റെ Evaluate the detector ഭാഗം](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#evaluate-the-detector) വായിക്കുക  
* ഒബ്ജക്റ്റ് ഡിറ്റക്ഷന്റെ വിവരങ്ങൾ അധികം അറിയാൻ [വിക്കിപീഡിയയിലെ Object detection പേജ്](https://wikipedia.org/wiki/Object_detection) വായിക്കുക

## അസൈൻമെന്റ്

[Compare domains](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ഡിസ്ക്ലെയിമർ**:  
ഈ ഡോക്യുമെന്റ് എഐ ട്രീൻസിലേഷൻ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷ ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് പരിശ്രമിക്കുന്നെങ്കിലും, യാന്ത്രിക പരിഭാഷയിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് പിന്നീട് ശ്രദ്ധിക്കുക. അസൽ ഭാഷയിൽ ഉള്ള മെറ്റീരിയലിനെ പ്രാമാണിക ഉറവിടമെന്ന നിലയിൽ കണക്കാക്കണം. നിർണ്ണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗിക്കുന്നതിനാൽ ഉദ്ഭവിക്കുന്ന ബോധാഘാതങ്ങൾക്കോ തെറ്റിദ്ധാരണകളോ ഞങ്ങൾ ഉത്തരവാദിത്വമില്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->