# ఫలాల నాణ్యత డిటెక్టర్ ను శిక్షణ ఇవ్వడం

![ఈ పాఠం యొక్క స్కెచ్‌నోట్ అవలోకనం](../../../../../translated_images/te/lesson-15.843d21afdc6fb2bb.webp)

> స్కెచ్‌నోట్ [నిత్య నరసింహన్](https://github.com/nitya) ద్వార. పెద్ద పరిమాణం కోసం చిత్రాన్ని క్లిక్ చేయండి.

ఈ వీడియో Azure కస్టమ్ విజన్ సేవ యొక్క అవగాహనను ఇస్తుంది, ఇది ఈ పాఠంలో కవర్ చేయబడుతుంది.

[![Custom Vision – Machine Learning Made Easy | The Xamarin Show](https://img.youtube.com/vi/TETcDLJlWR4/0.jpg)](https://www.youtube.com/watch?v=TETcDLJlWR4)

> 🎥 వీడియో చూడటానికి పై చిత్రాన్ని క్లిక్ చేయండి

## ముందస్తు లెక్షర్ క్విజ్

[ముందస్తు లెక్షర్ క్విజ్](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/29)

## పరిచయం

ఇటీవల కృత్రిమ మేధస్సు (AI) మరియు మెషీన్ లెర్నింగ్ (ML) లో పెరిగిన అభివృద్ధి, ప్రస్తుతం ఉన్న డెవలపర్లు కోసం విస్తృత సామర్థ్యాలను అందిస్తోంది. ML మోడళ్లు చిత్రాల్లోని వేర్వేరు వస్తువులను గుర్తించటానికి శిక్షణ పొందవచ్చు, అందులో పక్వం కాని పండ్లు కూడా ఉన్నాయి, మరియు దీన్ని IoT పరికరాలలో ఉపయోగించి పంటను మొల stage తంలోనే లేదా పరిశుద్ధకరణ సమయంలో ఫ్యాక్టరీలు లేదా గిడ్డంగుల్లో సరే సరే వర్గీకరించవచ్చు.

ఈ పాఠంలో మీరు చిత్రం వర్గీకరణను గురించి నేర్చుకుంటారు - వేర్వేరు వస్తువుల చిత్రాలను వేరు చేయడానికి ML మోడళ్లు ఎలా ఉపయోగించే 방법ం. మంచి పండు, చెడు పండు, పెరుగుదలలో లేని పండు, గాయం చెందిన పండు, లేదా పాడైపోయిన పండును వేరు చేసేలా చిత్ర వర్గీకరణ శిక్షణ ఎలా ఇవ్వాలో నేర్చుకుంటారు.

ఈ పాఠంలో కవర్ చేసేవి:

* [ఆహారం వర్గీకరణ కోసం AI మరియు ML ఉపయోగించడం](../../../../../4-manufacturing/lessons/1-train-fruit-detector)
* [మెషీన్ లెర్నింగ్ ద్వారా చిత్రం వర్గీకరణ](../../../../../4-manufacturing/lessons/1-train-fruit-detector)
* [చిత్ర వర్గీకరణ శిక్షణ](../../../../../4-manufacturing/lessons/1-train-fruit-detector)
* [మీ చిత్రం వర్గీకరణను పరీక్షించండి](../../../../../4-manufacturing/lessons/1-train-fruit-detector)
* [మీ చిత్రం వర్గీకరణని తిరిగి శిక్షణనివ్వండి](../../../../../4-manufacturing/lessons/1-train-fruit-detector)

## ఆహారం వర్గీకరణ కోసం AI మరియు ML ఉపయోగించడం

ప్రపంచ జనాభాను పోషించడం కష్టమే, ప్రత్యేకించి ఆహారాన్ని అందరికీ అందుబాటులో ఉంచే ధరకే. ఒక పెద్ద వ్యయం ఆ పని శ్రమ. అందుకే రైతులు ఎక్కువగా ఆటోమేషన్ మరియు IoT వంటి పరికరాలను ఉపయోగించి వారి శ్రమ ఖర్చులను తగ్గిస్తున్నారు. చేతితో దిగుమతి తీసుకునేవారు చాలా శ్రమగా ఉంటుంది (మరియు తరచుగా కష్టమైన పని), మరియు ఇది యంత్రాలతో భర్తీ అవుతోంది, ముఖ్యంగా సంపన్న దేశాలలో. యంత్రాలతో దిగుమతి తీసుకోవడం వలన ఖర్చు తగ్గినా, ఇది ఆహారం వర్గీకరణ చేయడానికి సరైన మార్గం కాదు.

ప్రతి పంట సమానంగా ఉండు పడి ఉండదు. ఉదాహరణకు, టొమాటోలు మునుపటి వండకాల సమయంలో కొంత పచ్చగా ఉండవచ్చు, ఎక్కువ భాగం వంటికి సిద్దమైనప్పుడు కూడా. ఈ పంటను తొందరగా తీసుకోవడం వృథా, కానీ రైతుకు అన్నీ యంత్రాలతో దిగుమతి తీసుకోవటం మరియు పచ్చ పంటను తరువాత వదలిపెట్టటం తక్కువ ఖర్చుతో ఉంటుంది.

✅ మీ దగ్గర నటిస్తున్న పండ్లు లేదా కూరగాయలు చూసి వీటన్నీ ఒకే ఉండు పడి ఉన్నాయా? లేక వేర్వేరు మట్టమైన స్థితులున్నాయా?

ఆటోమేటెడ్ హార్వెస్టింగ్ వల్ల పంట వర్గీకరణ హార్వెస్ట్ నుండి ఫ్యాక్టరీకు మారింది. ఆహారం పొడుగు కన్వేయర్ బెల్టులపై ప్రయాణిస్తుంది, అక్కడ బృందాలు తగిన నాణ్యతకు సరిపోని వాటిని తీసేసేవారు. యంత్రాలతో దిగుమతి తీసుకోవడం ఖర్చు తగ్గించదల్చినా, ఆహారం వర్గీకరణ చేయడం ఇంకా ఖర్చుతో ఉంది.

![ఎరుపు టొమాటో కనిపిస్తే అది అడ్డంకి లేకుండా ప్రయాణం కొనసాగుతుంది. పచ్చ టొమాటో కనుకపోతే లీవర్ ద్వారా వ్యర్థ బల్లలోకి అడ్డుకుంటారు](../../../../../translated_images/te/optical-tomato-sorting.61aa134bdda4e5b1.webp)

తరవాయి, ఈ యంత్రాలను సort చేస్తారు, లేదా హార్వెస్టర్ లోనే నిర్మించబడినవి, లేక ప్రాసెసింగ్ ప్లాంట్లలో. మొదటి తరం యంత్రాలు రంగులను గుర్తించడానికి ఆప్టికల్ సెన్సార్లను ఉపయోగించాయి, πράణమాత్రం లీవర్స్ లేదా గాలి పుష్పాల ద్వారా పచ్చ టొమాటోల‌ను వ్యర్థ బిన్ లోకి లించాయి, ఎరుపు టొమాటోల‌ను కన్వేయర్ బెల్ట్ నెట్‌వర్క్ మీద కొనసాగించడం జరిగింది.

ఈ వీడియోలో, టొమాటోలు ఒక కన్వేయర్ బెల్ట్ నుండి మరొకదాన్ని పడిపోయేందుకు పచ్చ టొమాటోలు గుర్తించి లీవర్లు ఉపయోగించి బల్కు చిక్కింపబడతాయి.

✅ ఈ ఆప్టికల్ సెన్సార్లు సరైన పని చేయడానికి ఫ్యాక్టరీ లేదా పచ్చి స్థలం లో ఏ పరిస్థితులు కావాలి?

ఇటివరకు ఈ వర్గీకరణ యంత్రములు AI మరియు ML ప్రయోజనాలను అందుకుంటున్నాయి, ఉత్పత్తి బాగున్నదో లేదా చెడ్డదో వేరు చేయడానికి శిక్షణ పొందిన మోడళ్లను ఉపయోగించడం ద్వారా, పచ్చ టొమాటో vs ఎరుపు వంటి స్పష్టమైన రంగు వెడల్పులను మాత్రమే కాకుండా, వ్యాధి లేదా గాయం గుర్తించే సూచనల ద్వారా సున్నితమైన భిన్నతల ఆధారంగా వర్గీకరిస్తున్నాయి.

## మెషీన్ లెర్నింగ్ ద్వారా చిత్రం వర్గీకరణ

చాంపురాణిక ప్రోగ్రామింగ్ అభ్యాసంలో మీరు డేటాను తీసుకుని, ఆ డేటాకు అల్గారిదమ్ను దించుకొని ఫలితాన్ని పొందుతారు. ఉదాహరణకు, గత ప్రాజెక్టులో మీరు GPS కోఆర్డినేట్స్ మరియు జియోఫెన్స్ ను తీసుకుని, Azure మ్యాప్స్ అందించిన అల్గారిదమ్ ని వర్తింపజేసి గమనించగలిగింది పాయింట్ జియోఫెన్స్ లో ఉన్నదా లేనదా అనే ఫలితాన్ని పొందారు. మీరు ఎక్కువ డేటా ఇస్తే, ఎక్కువ ఫలితాలు వస్తాయి.

![సాంప్రదాయ అభివృద్ధిలో డేటా + అల్గారిదము => అవుట్పుట్. మెషీన్ లెర్నింగ్ లో డేటా + అవుట్పుట్ డేటా => శిక్షణ ఇచ్చి మోడల్ సృష్టించబడుతుంది, కొత్త ఇన్పుట్ తో కొత్త అవుట్పుట్ ప్రతిపాదిస్తుంది](../../../../../translated_images/te/traditional-vs-ml.5c20c169621fa539.webp)

మెషీన్ లెర్నింగ్ దీనిని తలనిమ్మినది - మీ వద్ద డేటా మరియు తెలిసిన అవుట్పుట్లు ఉంటాయి, మరియు మెషీన్ లెర్నింగ్ అల్గారితమ్ ఆ డేటాను ఉపయోగించి నేర్చుకుంటుంది. మీరు ఆ శిక్షణ పొందిన అల్గారితమ్‌ను, *మెషీన్ లెర్నింగ్ మోడల్* లేదా *మోడల్* అని పిలుస్తారు, కొత్త డేటాను ఇస్తే కొత్త అవుట్పుట్ వస్తుంది.

> 🎓 మెషీన్ లెర్నింగ్ అల్గారితమ్ డేటా ద్వారా నేర్చుకునే ప్రక్రియను *training* అంటారు. ఇన్పుట్లు మరియు తెలిసిన అవుట్పుట్లను *training data* అంటారు.

ఉదాహరణకు, మీరు మోడల్ కు మిలియన్ల సంఖ్యలో పక్వం కాని అరటిపండు చిత్రాలు ఇన్పుట్ గా ఇచ్చి training output గా `unripe` అని పెట్టగలరు, మరియు మిలియన్ల పక్వ అరటిపండు చిత్రాలను training output గా `ripe` గా ఉంచగలరు. ఆ మోడల్ ఆ డేటా ఆధారంగా తయారవుతుంది. తరువాత ఆ మోడల్ కు కొత్త అరటికాయ చిత్తరువు ఇచ్చి అది పక్వం లేదా పక్వం కానని అంచనా వేస్తుంది.

> 🎓 ML మోడళ్లు ఇచ్చే ఫలితాలను *అంచనాలు* అంటారు

![రెండు అరటికాయలు, ఒకటి 99.7% పక్వంగా అంచనా, 0.3% పక్వంకాని; మరోటి 1.4% పక్వం, 98.6% పక్వంకాని](../../../../../translated_images/te/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50e.webp)

ML మోడళ్లు 'అవును' లేదా 'కాదు' అని చెప్పవు, బదులు అవుట్పుట్ లో అవకాశాలు ఇస్తాయి. ఉదాహరణకు, ఒక చిత్రాన్ని మోడల్ కు ఇస్తే అది `ripe` 99.7% లో మరియు `unripe` 0.3% లో అంచనా వేస్తుంది. మీరు కోడ్ లో ఉత్తమ అంచనాను ఎంచుకుని అరటికాయ పక్వంగా ఉందని నిర్ణయిస్తారు.

ఇలాంటి చిత్రాలను గుర్తించే ML మోడల్ ను *image classifier* అంటారు - దీన్ని లేబుల్డ్ చిత్రాలు ఇస్తారు, ఫిర్యాదు లేబుల్స్ ఆధారంగా కొత్త చిత్రాలను వర్గీకరిస్తుంది.

> 💁 ఇది ఒక సాదారణీకరణ మాత్రమే, మరియు చాలా ఇతర ప్రయోజనాలు ఉన్నా, కొన్ని సందర్భాల్లో లేబుల్స్ అవసరం కానివి, ఉదాహరణకు unsupervised learning. ML గురించి మరింత తెలుసుకోవాలంటే [ML for beginners, 24 పాఠాల మెషీన్ లెర్నింగ్ కోర్సు](https://aka.ms/ML-beginners) చూడండి.

## చిత్రం వర్గీకరణ శిక్షణ

చిత్ర వర్గీకరణ మోడల్ శిక్షణ సాధారణంగా మిలియన్ల చిత్రాలు అవసరం. కానీ మీరు ఇప్పటికే మిలియన్ల లేదా బిలియన్ల వివిధ చిత్రాలపై శిక్షణ పొందిన చిత్రం వర్గీకరణ మోడల్ కలిగి ఉంటే, చిన్న శ్రేణి చిత్రాలతో తిరిగి శిక్షణ ఇవ్వడం ద్వారా మంచి ఫలితాలు పొందవచ్చు, దీనిని *transfer learning* అంటారు.

> 🎓 transfer learning అంటే ఇప్పటికే ఉన్న ML మోడల్ నుండి నేర్చుకున్న విషయాలను కొత్త డేటాను ఆధారంగా కొత్త మోడల్ కు బదిలీ చేయడం.

ఒకసారి చిత్రం వర్గీకరణ మోడల్ విస్తృత రకం చిత్రాలలో శిక్షణ పొందిన తర్వాత, ఆ మోడల్ లోనివి ఆకారాలు, రంగులు, నమూనాలను గుర్తించడంలో సమర్థంగా ఉంటాయి. transfer learning అనేది మోడల్ ఇప్పటికే నేర్చుకున్న విషయాలను ఉపయోగించి కొత్త చిత్రాలను గుర్తించాలని అవకాశమిస్తుంది.

![ఒకసారి ఆకారాలను గుర్తిస్తే వేర్వేరు ఆకృతులలో పెట్టి పడవ లేదా పిల్లి గుర్తించవచ్చు](../../../../../translated_images/te/shapes-to-images.1a309f0ea88dd66f.webp)

దాన్ని పిల్లల ఆకారాల్లోన్న పుస్తకంగా భావించవచ్చు, మీరు సెమీ-సర్కిల్, రెక్టాంగిల్, మరియు ట్రయాంగిల్ గుర్తించి, వాటి ఆకృతిని బట్టి పడవ లేదా పిల్లిని గుర్తించవచ్చు. చిత్రం వర్గీకరణ ఆకారాలను తెలుసుకుంటుంది, transfer learning మోడల్ కి అన్ని ఆకారాల సమ్మేళనం ఏమిటో నేర్పిస్తుంది — పడవ, పిల్లి లేదా పక్వ అరటికాయ.

ఇందుకు అనుకూల అనేక టూల్స్ ఉన్నాయి, అందులో క్లౌడ్ ఆధారిత సేవలు కూడా ఉన్నాయి, ఇవి మీ మోడల్ శిక్షణను సులభం చేస్తాయి మరియు వెబ్ API ల ద్వారా వాటిని ఉపయోగించవచ్చు.

> 💁 ఈ మోడళ్లు శిక్షణకు గణనీయమైన కంప్యూటింగ్ శక్తి అవసరం, సాధారణంగా గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్స్ (GPUలు) ద్వారా. మీ Xbox లో గేమ్స్ అదిరిపోయేలా చూపించే ప్రత్యేక హార్డ్‌వేర్ కూడా మెషీన్ లెర్నింగ్ మోడళ్లు శిక్షణకు ఉపయోగపడుతుంది. క్లౌడ్ ద్వారా మీరు అవసరమైన సమయంలో GPUలతో ఉన్న శక్తివంతమైన కంప్యూటర్లను అద్దె తీసుకోవచ్చు.

## Custom Vision

Custom Vision అనేది క్లౌడ్ ఆధారిత చిత్రం వర్గీకరణ శిక్షణ సాధనం. ఇది చిన్న సంఖ్యలో చిత్రాలతో కూడా వర్గీకరణ శిక్షణ ఇవ్వడానికి అవకాశం కల్పిస్తుంది. మీరు చిత్రాలను వెబ్ పోర్టల్, వెబ్ API లేదా SDK ద్వారా అప్‌లోడ్ చేసి, ప్రతి చిత్రానికి ఆమె యొక్క వర్గీకరణను సూచించే *ట్యాగ్* ఇస్తారు. అప్పుడు మోడల్ శిక్షణ, పరీక్షించి ఆ తగినంతగా పనికిరావడానికి చూస్తారు. మీరు గంతమైన మోడల్ తో పని చేస్తే, అందుబాటులో ఉండే వెబ్ API లేదా SDK ద్వారా వర్షన్లు ప్రచురించవచ్చు.

![Azure Custom Vision లోగో](../../../../../translated_images/te/custom-vision-logo.d3d4e7c8a87ec9da.webp)

> 💁 classification కి 5 చిత్రాలకే మీ Custom Vision మోడల్ శిక్షణ చేయొచ్చు, కానీ ఎక్కువ సంఖ్య మెరుగైన ఫలితాలు ఇస్తుంది. కనీసం 30 చిత్రాలు ఉండడం మంచిదని సూచిస్తారు.

Custom Vision Microsoft Cognitive Services యొక్క భాగం. ఇవి AI టూలులు, ఎటువంటి శిక్షణ లేకుండా లేదా తక్కువ శిక్షణతో ఉపయోగించుకోవచ్చు. వీటిలో మాట గుర్తింపు, అనువాదం, భాషా అవగాహన మరియు చిత్రం విశ్లేషణ ఉన్నాయి. ఇవి Azure లో ఉచిత స్థాయిలో అందుబాటులో ఉంటాయి.

> 💁 ఉచిత స్థాయి శిక్షణ, మోడల్ సృష్టి, అభివృద్ధి పనులకు సరిపోతుంది. ఉచిత స్థాయి పరిమితుల గురించి [Custom Vision Limits and quotas మైক্রోసాఫ్ట్ డోక్యూమెంటేషన్](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/limits-and-quotas?WT.mc_id=academic-17441-jabenn) చూడండి.

### పని - కోగ్నిటివ్ సర్వీసెస్ వనరును సృష్టించండి

Custom Vision ఉపయోగించడానికి, మీరు ముందుగా Azure CLI నుండి రెండు cognitive services వనరులను సృష్టించాలి, ఒకటి Custom Vision శిక్షణ కోసం, మరొకటి Custom Vision అంచన కోసం.

1. ఈ ప్రాజెక్ట్ కోసం `fruit-quality-detector` అనే రిసోర్స్ గ్రూప్ సృష్టించండి

1. ఉచిత Custom Vision శిక్షణ వనరును క్రింది ఆజ్ఞతో సృష్టించండి:

    ```sh
    az cognitiveservices account create --name fruit-quality-detector-training \
                                        --resource-group fruit-quality-detector \
                                        --kind CustomVision.Training \
                                        --sku F0 \
                                        --yes \
                                        --location <location>
    ```

    `<location>` స్థానంలో మీరు రిసోర్స్ గ్రూప్ సృష్టించిన ప్రాంతాన్ని భర్తీ చేయండి.

    ఇది మీ రిసోర్స్ గ్రూప్ లో `fruit-quality-detector-training` అనే Custom Vision శిక్షణ వనరును సృష్టిస్తుంది. ఇది `F0` SKU ఉపయోగిస్తుంది, ఇది ఉచిత స్థాయి. `--yes` ఆప్షన్ మిమ్మల్ని cognitive services నిబంధనలను అంగీకరించినట్లు ప్రవేశపెట్టుతుంది.

> 💁 మీరు ఇప్పటికే ఉచిత cognitive services అకౌంట్ ఉంటే `S0` SKU ఉపయోగించండి.

1. ఉచిత Custom Vision అంచనా వనరును క్రింది ఆజ్ఞతో సృష్టించండి:

    ```sh
    az cognitiveservices account create --name fruit-quality-detector-prediction \
                                        --resource-group fruit-quality-detector \
                                        --kind CustomVision.Prediction \
                                        --sku F0 \
                                        --yes \
                                        --location <location>
    ```

    `<location>` స్థానంలో మీరు రిసోర్స్ గ్రూప్ సృష్టించిన ప్రాంతాన్ని భర్తీ చేయండి.

    ఇది మీ రిసోర్స్ గ్రూప్‌లో `fruit-quality-detector-prediction` అనే Custom Vision అంచనా వనరును సృష్టిస్తుంది. ఇది `F0` SKU ఉపయోగిస్తుంది, ఉచిత స్థాయి. `--yes` ఆప్షన్ నిబంధనలను అంగీకరించాను అని తెలియజేస్తుంది.

### పని - చిత్రం వర్గీకరణ ప్రాజెక్టును సృష్టించండి

1. [CustomVision.ai](https://customvision.ai) వద్ద Custom Vision పోర్టల్‌ను ప్రారంభించి, Azure ఖాతా కోసం ఉపయోగించిన Microsoft అకౌంట్ తో సైన్ ఇన్ చేయండి.

1. [create a new Project](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#create-a-new-project) సెక్షన్ ను అనుసరించి కొత్త Custom Vision ప్రాజెక్టును సృష్టించండి. UI మారవచ్చు, ఇవి ఎప్పుడూ కొత్త సమాచారం ఇస్తాయి.

    మీ ప్రాజెక్టుకు `fruit-quality-detector` అని పేరు పెట్టండి.

    ప్రాజెక్ట్ సృష్టించే సమయంలో మీరు తాజాగా సృష్టించిన `fruit-quality-detector-training` వనరును ఉపయోగించండి. *Classification* ప్రాజెక్ట్ రకం, *Multiclass* వర్గీకరణ రకం, మరియు *Food* డొమైన్ ఉపయోగించండి.

    ![Custom vision ప్రాజెక్ట్ సెట్టింగ్స్ - పేరు: fruit-quality-detector, వివరణ లేదు, వనరు: fruit-quality-detector-training, ప్రాజెక్ట్ రకం: classification, వర్గీకరణ రకం: multi class, డొమైన్: food](../../../../../translated_images/te/custom-vision-create-project.cf46325b92d8b131.webp)

✅ మీ చిత్రం వర్గీకరణ కోసం Custom Vision UI ని అన్వేషించండి.

### పని - మీ చిత్రం వర్గీకరణ ప్రాజెక్టును శిక్షణ ఇవ్వండి

చిత్ర వర్గీకరణ శిక్షణ ఇవ్వడానికి, మంచి మరియు చెడు నాణ్యత కలిగిన పండ్ల బేసిగా అనేక చిత్రాలు అవసరం, ఉదాహరణకు పక్వం మరియు అతి పక్వంగా ఉన్న అరటికాయలు.

> 💁 ఈ వర్గీకరణలు ఏదైనా చిత్రాలను వర్గీకరించగలవు, కనుక మీ దగ్గర బొటన రకమైన రెండు పండ్లు లేకపోతే, రెండు వేర్వేరు రకమైన పండ్లు లేదా పిల్లలు మరియు நாய்கள் చిత్రాలను ఉపయోగించవచ్చు!

ప్రతి చిత్రం లో పండే మాత్రమే ఉండాలి, బ్యాక్‌గ్రౌండ్ స్థిరమైనది లేక విభిన్నం కావచ్చు. బ్యాక్‌గ్రౌండులో కానీ పక్వంగా లేదా పక్వంకాని గుర్తించే ఏ విషయాలు ఉండకూడదు.
> 💁 ప్రతీ ట్యాగ్‌కు వర్గీకరించదలచిన విషయం సంబంధం లేకపోయే నిర్దిష్ట నేపథ్యాలు లేదా నిర్దిష్ట వస్తువులు ఉండకూడదు, లేకపోతే వర్గీకర్త నేపథ్యం ఆధారంగా వర్గీకరిస్తుంది. చర్మ క్యాన్సర్ కోసం తయారుచేసిన ఒక వర్గీకర్త మోల్స్‌పై శిక్షణ పొందింది, ఆరోగ్యవంతమైన మరియు క్యాన్సర్ ఉన్న మోల్స్ రెండింటి పై. క్యాన్సర్ ఉన్న మోల్స్ అన్నింటికీ పరిమాణాన్ని కొలిచేందుకు వాటి దగ్గర尺ులు ఉండేవి. ఆ వర్గీకర్త చిత్రాలలో尺ులను గుర్తించడంలో సుమారు 100% ఖచ్చితత్వం కలిగింది కానీ క్యాన్సర్ ఉన్న మోల్స్‌ను కాదు.

చిత్ర వర్గీకర్తలు చాలా తక్కువ రిజల్యూషన్‌లో నడుస్తాయి. ఉదాహరణకు Custom Vision శిక్షణ మరియు ముందస్తు అంచనా చిత్రాలను 10240x10240 వరకు తీసుకోగలదు, కానీ 227x227 అనగా చిన్న చిత్రాలపై మోడల్ శిక్షణ మరియు అమలు చేస్తుంది. పెద్ద చిత్రాలు ఈ పరిమాణానికి తగ్గింపబడతాయి, కాబట్టి మీరు వర్గీకరించదలచిన విషయం చిత్రంలో ఎక్కువ భాగం అధికంగా ఉండేలా చూసుకోండి, లేకపోతే అది చిన్న చిత్రం లో తక్కువగా కనబడుతుంది.

1. మీ వర్గీకర్త కోసం చిత్రాలను సేకరించండి. ప్రతి లేబుల్ కోసం కనీసం 5 చిత్రాలు ఉండాలి శిక్షణకి, కానీ ఎక్కువ అయితే మంచిది. వర్గీకర్తను పరీక్షించేందుకు కొన్ని అదనపు చిత్రాలు కూడా కావాలి. ఇవి అంతే అంశం యొక్క భిన్న చిత్రాలు కావాలి. ఉదాహరణకు:

    * రెండూ పండిన అరటికాయలతో, ప్రతి ఒకటి నుండి వివిధ కోణాల్లో కొంతమందిని తీసుకోండి, కనీసం 7 చిత్రాలు తీసుకోండి (5 శిక్షణ కోసం, 2 పరీక్ష కోసం), కానీ సాధ్యమైతే ఎక్కువగా తీసుకోండి.

        ![Photos of 2 different bananas](../../../../../translated_images/te/banana-training-images.530eb203346d73bc.webp)

    * అదే విధంగా 2 పండని అరటికాయలతో మరలా చేయండి

    మీ వద్ద కనీసం 10 శిక్షణ చిత్రాలు ఉండాలి, వాటిలో కనీసం 5 పండినవి, 5 పండని, మరియు 4 పరీక్ష చిత్రాలు ఉండాలి, 2 పండినవి, 2 పండని. మీ చిత్రాలు png లేదా jpeg ఫార్మాట్లో ఉండాలి, 6MB కంటే చిన్నవి కావాలి. ఉదాహరణకు iPhone తో తీసుకున్నట్లైతే అవి ఎక్కువ రిజల్యూషన్ HEIC చిత్రాలు ఉండవచ్చు, కాబట్టి అవి మార్చి, తగ్గించాల్సి వస్తుంది. చిత్రాలు అంటే అధికంగా ఉండటం మంచిది, మరియు పండిన మరియు పండని ఫలాలలో సమాన సంఖ్యగా ఉండేలా చూసుకోండి.

    మీ వద్ద పండిన మరియు పండని ముడి పండు లేకపోతే మీరు వేరే పండ్లు లేదా ఎటువంటి రెండు వస్తువులు ఉపయోగించవచ్చు. మీరు [images](../../../../../4-manufacturing/lessons/1-train-fruit-detector/images) ఫోల్డర్ లో పండిన మరియు పండని అరటికాయల ఉదాహరణ చిత్రాలను కూడా ఉపయోగించవచ్చు.

1. [Microsoft డాక్స్ లో build a classifier quickstart యొక్క upload and tag images భాగాన్ని](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) అనుసరించండి, మీ శిక్షణ చిత్రాలను అప్‌లోడ్ చేయండి. పండిన ఫలాన్ని `ripe`, పండని ఫలాన్ని `unripe` అని ట్యాగ్ చేయండి.

    ![The upload dialogs showing the upload of ripe and unripe banana pictures](../../../../../translated_images/te/image-upload-bananas.0751639f3815e0ec.webp)

1. [Microsoft డాక్స్‌లో build a classifier quickstart యొక్క train the classifier భాగాన్ని](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) అనుసరించి, మీ అప్‌లోడ్ చేసిన చిత్రాలపై చిత్ర వర్గీకర్తను శిక్షణ చేయండి.

    మీకు శిక్షణ రకం ఎంపిక వస్తుంది. **Quick Training** ను ఎంచుకోండి.

తర్వాత వర్గీకర్త శిక్షణ పొందుతుంది. దీని పూర్తి కావడానికి కొన్ని నిమిషాలు పడుతుంది.

> 🍌 మీరు వర్గీకర్త శిక్షణ సమయంలో మీ ఫలాన్ని తినాలని నిర్ణయించుకుంటే, ముందు పరీక్షించడానికి సరిపడా చిత్రాలు ఉండేలా చూసుకోండి!

## మీ చిత్రం వర్గీకర్తను పరీక్షించండి

మీ వర్గీకర్త శిక్షణ పూర్తయ్యాక, దానిని కొత్త చిత్రాన్ని వర్గీకరించడానికి ఉపయోగించి పరీక్షించవచ్చు.

### కార్యం - మీ చిత్ర వర్గీకర్తను పరీక్షించండి

1. [Microsoft డాక్స్ లో test your model డాక్యుమెంటేషన్](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) ను అనుసరించి మీ చిత్రం వర్గీకర్తను పరీక్షించండి. మీరు ముందు తయారు చేసిన పరీక్ష చిత్రాలను ఉపయోగించండి, శిక్షణకు ఉపయోగించిన చిత్రాలను కాదు.

    ![A unripe banana predicted as unripe with a 98.9% probability, ripe with a 1.1% probability](../../../../../translated_images/te/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64.webp)

1. మీరు ఉపయోగించే అందుబాటులో ఉన్న అన్ని పరీక్ష చిత్రాలను ప్రయత్నించి, ప్రాబబిలిటీని పరిశీలించండి.

## మీ చిత్రం వర్గీకర్తను మళ్లీ శిక్షణ చేయండి

మీ వర్గీకర్తను పరీక్షించినప్పుడు, మీరు ఆశించిన రిజల్ట్లు రావకపోవచ్చు. చిత్రం వర్గీకర్తలు చిత్రంలోని అంశాలు ఏవో అంచనా వేయడానికి మెషీన్ లెర్నింగ్ ఉపయోగిస్తాయి, చిత్రంలోని అంశాల ఫీచర్లు నిర్దిష్ట లేబుల్ కు సరిపోతాయని ప్రాబబిలిటీ ఆధారంగా చెప్పగలవు. ఇది చిత్రంలో ఏమి ఉన్నదో అర్థం చేసుకోదు— అరటికాయ ఏమిటో తెలుసుకోదు లేక అరటికాయి బోటు కాకుండా ఎందుకు అరటికాయో అర్థం చేసుకోదు. మీరు వర్గీకర్తను తప్పుగా గుర్తించిన చిత్రాలతో మళ్లీ శిక్షణ ఇవ్వడం ద్వారా మెరుగుపరుచుకోవచ్చు.

ప్రతి సారి మీరు quick test ఎంపికతో అంచనాను నిర్వహించినప్పుడు, ఆ చిత్రం మరియు ఫలితాలు నిల్వ అవుతాయి. మీరు ఈ చిత్రాలను ఉపయోగించి మీ మోడల్‌ను మళ్లీ శిక్షణ చేయవచ్చు.

### కార్యం - మీ చిత్రం వర్గీకర్తను మళ్లీ శిక్షణ చేయండి

1. [Microsoft డాక్స్ లో use the predicted image for training డాక్యుమెంటేషన్](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#use-the-predicted-image-for-training) ను అనుసరించి మీ మోడల్‌ను మళ్లీ శిక్షణ చేయండి, ప్రతి చిత్రానికి సరైన ట్యాగ్ ఉపయోగించి.

1. ఒకసారి మీ మోడల్ మళ్లీ శిక్షణ అయిన తరువాత, కొత్త చిత్రాలు పై పరీక్షించండి.

---

## 🚀 సవాలు

మీరు అరటికాయలపై శిక్షణ పొందిన మోడల్ తో స్ట్రాబెర్రీ యొక్క చిత్రం, లేదా ఇన్ఫ్లేటబుల్ అరటికాయ, అరటికాయి దుస్తులు ధరించిన వ్యక్తి, లేదా Simpsons గుణాత్మకంగా ఉండే పసుపు కార్టూన్ పాత్ర వంటి చిత్రాన్ని ఉపయోగిస్తే ఏమవుతుంది అనుకుంటున్నారు?

ప్రయత్నించండి మరియు అంచనాలు ఏమిటో చూడండి. మీరు ప్రయత్నించడానికి చిత్రాలను [Bing Image search](https://www.bing.com/images/trending) ద్వారా కనుగొనవచ్చు.

## పోస్ట్-ఎలక్చర్ క్విజ్

[Post-lecture quiz](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/30)

## సమీక్ష & స్వీయ అధ్యయనం

* మీరు వర్గీకర్తను శిక్షణ చేసేటప్పుడు, తయారైన మోడల్‌ను రేటు చేసే *Precision*, *Recall*, మరియు *AP* విలువలను గుర్తించారూ. ఈ విలువలు ఏమిటో తెలుసుకోవడానికి [Microsoft డాక్స్ లో build a classifier quickstart లో evaluate the classifier భాగాన్ని](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#evaluate-the-classifier) చదవండి.
* మీ వర్గీకర్తను మెరుగుపరచుకోవడానికి [Microsoft docs లో మీ Custom Vision మోడల్‌ను మెరుగుపరచడం ఎలా](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-improving-your-classifier?WT.mc_id=academic-17441-jabenn) చదవండి.

## అసైన్మెంట్

[పలుమార్లు పండ్లు మరియు కూరగాయల కోసం మీ వర్గీకర్త శిక్షణ ఇవ్వండి](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ఇతరులు బాధ్యతుంచరు**:
ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మనం ఖచ్చితత్వాన్ని లక్ష్యంగా పెట్టుకున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా అస్సలు సరైనది కాకపోవచ్చు. ప్రారంభ డాక్యుమెంట్ తన స్వదేశ భాషలో అధికారిక మూలం గా పరిగణించాలి. ముఖ్యమైన సమాచారం కోసం, నిపుణుల మానవ అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదం వల్ల కలిగే ఏమైనా అవగాహనా లోపాలు లేదా తప్పుదోవ పళ్ల కారణంగా మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->