# IoT పరికరం నుండి పండు నాణ్యతను తనిఖీ చేయండి

![ఈ పాఠం యొక్క స్కెచ్‌నోటు అవలోకనం](../../../../../translated_images/te/lesson-16.215daf18b00631fb.webp)

> స్కెచ్‌నోటు రచయిత: [నిత్య నరసింహన్](https://github.com/nitya). ఈ చిత్రం పెద్ద మెదిలిక కోసం క్లిక్ చేయండి.

## ముందస్తు-భాషణ క్విజ్

[ముందస్తు-భాషణ క్విజ్](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31)

## పరిచయం

గత పాఠంలో మీరు ఇమేజ్ క్లాసిఫైయర్ల గురించి, మంచి మరియు చెడు పండ్లను గుర్తించడానికి వాటిని ఎలా శిక్షణ ఇచ్చేది తెలుసుకున్నారు. ఈ ఇమేజ్ క్లాసిఫైయరును IoT అప్లికేషన్‌లో ఉపయోగించాలంటే, మీరు ఏదైనా కెమెరా ఉపయోగించి ఒక చిత్రాన్ని క్యాప్చర్ చేసి, ఆ చిత్రాన్ని క్లౌడ్‌కు పంపించి క్లాసిఫై చేయించాల్సి ఉంటుంది.

ఈ పాఠంలో మీరు కెమెరా సెన్సార్‌ల గురించి తెలుసుకుంటారు, మరియు IoT పరికరం ద్వారా చిత్రాన్ని ఎలా క్యాప్చర్ చేసుకోవాలో నేర్చుకుంటారు. ఇతో పాటు, మీ IoT పరికరం నుంచి ఇమేజ్ క్లాసిఫైయరును ఎలా పిలవాలో తెలుసుకుంటారు.

ఈ పాఠంలో మనం తెలుసుకుంటాం:

* [కెమెరా సెన్సార్లు](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [IoT పరికరం ఉపయోగించి చిత్రం క్యాప్చర్ చేయడం](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [మీ ఇమేజ్ క్లాసిఫైయరును ప్రచురించడం](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [మీ IoT పరికరం నుండి చిత్రాలను క్లాసిఫై చేయడం](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [మోడల్ మెరుగుపరుచుకోండి](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)

## కెమెరా సెన్సార్లు

కెమెరా సెన్సార్లు అనగా మీ IoT పరికరానికి కనెక్ట్ చేయగల కెమెరాలు. అవి స్థిర చిత్రాలు తీసుకోవచ్చు లేదా స్ట్రీమింగ్ వీడియోను క్యాప్చర్ చేయవచ్చు. కొన్ని రా ఇమేజ్ డేటాను ఇస్తాయి, మరికొన్ని JPEG లేదా PNG వంటి చిత్ర ఫైల్‌గా డేటాను కంప్రెస్ చేస్తాయి. సాధారణంగా IoT పరికరాలతో పనిచేసే కెమెరాలు చిన్నవీ, తక్కువ రిజల్యూషన్ ఉన్నవి, కానీ మీరు టాప్-ఎండ్ ఫోన్ల‌తో తులిస్తే ఎక్కువ రిజల్యూషన్ కెమెరాలు కూడా పొందవచ్చు. మీరు అనేక రకాల పరిలేఖక లెన్స్‌లు, బహుళ కెమెరా సెట్టప్‌లు, ఇన్స్‌ఫ్రా-రెడ్ థర్మల్ కెమెరాలు లేదా UV కెమెరాలు కూడా పొందవచ్చు.

![సన్నివేశ కాంతి లెన్స్ ద్వారా CMOS సెన్సార్‌పై ఫోకస్ అవుతుంది](../../../../../translated_images/te/cmos-sensor.75f9cd74decb1371.webp)

అధికাংশం కెమెరా సెన్సార్లు ఇమేజ్ సెన్సార్‌లను ఉపయోగిస్తాయి, ఇక్కడ ప్రతి పిక్సెల్ ఒక ఫోటోడయోడ్. ఒక లెన్స్ చిత్రం పైకి ఫోకస్ చేస్తుంది, మరియు పదిమంది లేదా మిలియన్ల ఫోటోడయోడ్లు ప్రతీకల మీద పడే కాంతిని గుర్తించి పిక్సెల్ డేటాగా రికార్డ్ చేస్తాయి.

> 💁 లెన్స్‌లు చిత్రాలను తిప్పివేయతాయి, కెమెరా సెన్సార్ ఆ చిత్రాన్ని తగినదిగా తిరిగి తిప్పుతుంది. ఇది మీ కన్నులలో కూడా అలానే ఉంటుంది - మీరు చూసేది మీ కన్నులో చివరన తిరగబడినట్టే గుర్తించబడుతుంది, మీ మెదడు దానిని సరి చేస్తుంది.

> 🎓 ఈ చిత్రం సెన్సార్‌ని ఆక్టివ్-పిక్సల్ సెన్సార్ (APS) అని పిలుస్తారు, మరియు అత్యంత ప్రజాదరణ పొందిన APS రకం కంప్లిమెంటరీ మెటల్-ఆక్సైడ్ సెమీకండక్టర్ సెన్సార్, లేదా CMOS. మీరు కెమెరా సెన్సార్‌ల కోసం CMOS సెన్సార్ అనే పదం విన్న ఉండవచ్చు.

కెమెరా సెన్సార్లు డిజిటల్ సెన్సార్లు, వాటి డేటాను డిజిటల్ రూపంలో పంపిస్తాయి, సాధారణంగా కమ్యూనికేషన్ కోసం లైబ్రరీ సహాయం ఉంటుంది. కెమెరాలు SPI వంటి ప్రోటోకాల్‌లను ఉపయోగించి పెద్ద పరిమాణంలో డేటాను పంపగలవు - చిత్రాలు సాధారణ సెన్సార్ నుంచి వచ్చిన ఒకే సంఖ్య కన్నా చాలా పెద్దవి.

✅ IoT పరికరాలకు సంబంధించి చిత్రం పరిమాణంపై ఉండే పరిమితులు ఏవే? ముఖ్యంగా మైక్రోకంట్రోలర్ హార్డ్వేర్ పరిమితులను గురించి ఆలోచించండి.

## IoT పరికరం ఉపయోగించి చిత్రం క్యాప్చర్ చేయడం

మీ IoT పరికరాన్ని ఉపయోగించి ఒక చిత్రం తీసి, దాన్ని క్లాసిఫై చేయించవచ్చు.

### పని - IoT పరికరం ఉపయోగించి చిత్రం క్యాప్చర్ చేయండి

మీ IoT పరికరం ఉపయోగించి చిత్రం క్యాప్చర్ చేయడానికి సంబంధిత మార్గదర్శకాన్ని అనుసరించండి:

* [Arduino - Wio Terminal](wio-terminal-camera.md)
* [సింగిల్-బోర్డ్ కంప్యూటర్ - Raspberry Pi](pi-camera.md)
* [సింగిల్-బోర్డ్ కంప్యూటర్ - వర్చువల్ పరికరం](virtual-device-camera.md)

## మీ ఇమేజ్ క్లాసిఫైయరును ప్రచురించండి

గత పాఠంలో మీరు మీ ఇమేజ్ క్లాసిఫైయరును శిక్షణ ఇచ్చారు. IoT పరికరం నుండి ఉపయోగించడానికి, మీరు మోడల్‌ని ప్రచురించాలి.

### మోడల్ ఆవృతులు

మీరు గత పాఠంలో మోడల్ శిక్షణ నడుపుతుండగా, **సమర్థత** טאబ్ పక్కన ఆవృతులు (Iterations) చూపిస్తుంది. మీరు మొదట శిక్షణ ఇచ్చినప్పుడు *Iteration 1* కనిపించేది. మీరు మోడల్ మెరుగుపర్చినప్పుడు *Iteration 2* కనిపించేది.

ప్రతి సారి మీరు మోడల్ శిక్షణ ఇచ్చేటప్పుడు కొత్త ఆవృతి వస్తుంది. ఇది మోడల్ యొక్క వివిధ వెర్షన్లు గుర్తుంచటానికి ఒక పద్ధతి, వేర్వేరు డేటా సెట్‌లపై శిక్షణ నడిపినవి. మీరు **త్వరిత పరీక్ష** చేయగానే, ఆవృతిని ఎంచుకునేందుకు డ్రాప్‌డౌన్ ఉంటుంది, దానివలన మీరు అన్ని ఆవృతాల ఫలితాలను పోల్చుకోవచ్చు.

మీకు ఒక iteration తృప్తికరంగా ఉంటే, దాన్ని ప్రచురించవచ్చు, నేను క్రొత్త ఆవృత పై పని చేస్తూ దానిని ప్రచురించాలి. ఇలా మీ పరికరాలు ఉపయోగించే ప్రచురిత వర్షన్ ఉంటుంది, తరువాత మీరు కొత్త iteration లపై పనిచేస్తారు.

### పని - ఒక iteration ప్రచురించు

iterationలు Custom Vision పోర్టల్ నుండి ప్రచురించబడతాయి.

1. Custom Vision పోర్టల్‌ను [CustomVision.ai](https://customvision.ai) వద్ద ప్రారంభించి సైన్ ఇన్ అవ్వండి, మీ `fruit-quality-detector` ప్రాజెక్టును తెరవండి.

1. పై భాగంలోని ఎంపికలలో నుండి **Performance** టాబ్ ఎంచుకోండి.

1. పక్కన *Iterations* జాబితా నుండి తాజా iteration ఎంచుకోండి.

1. ఆ iteration యొక్క **Publish** బటన్ ఎంచుకోండి.

    ![Publish బటన్](../../../../../translated_images/te/custom-vision-publish-button.b7174e1977b0c33b.webp)

1. *Publish Model* డైలాగ్‌లో, *Prediction resource* గా మీరు గత పాఠంలో సృష్టించిన `fruit-quality-detector-prediction` resource ఎంచుకోండి. పేరు `Iteration2` గా ఉంచి **Publish** బటన్ ఎంచుకోండి.

1. ప్రచురించిన తరువాత, **Prediction URL** బటన్ ఎంచుకోండి. ఇది prediction API వివరాలను చూపుతుంది, మీరు ఈ వివరాలు ఉపయోగించి మీ IoT పరికరం నుండి మోడల్ పిలవాలి. కింద భాగం *If you have an image file* అని ఉంటుంది, ఇది మీరు కోరుకుంటున్న వివరాలు. ఉల్లేఖించబడిన URLని కాపీ చేసుకోండి, ఇది ఇలా ఉంటుంది:

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

    এখানে `<location>` అనేది మీరు Custom Vision రిసోర్స్ సృష్టించిన ప్రదేశం, `<id>` అక్షరాలూ సంఖ్యలతో కూడిన పొడవైన ID ఉంటుంది.

    అదేవిధంగా *Prediction-Key* విలువను కూడా కాపీ చేసుకోండి. ఇది మోడల్ పిలవబడినప్పుడు పంపాల్సిన భద్రతా కీ. కేవలం ఈ కీ పంపే అప్లికేషన్లు మోడల్ ఉపయోగించడానికి అనుమతించబడతాయి; ఇతరులు తిరస్కరించబడతారు.

    ![Prediction API డైలాగ్ URL మరియు కీతో](../../../../../translated_images/te/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp)

✅ కొత్త iteration ప్రచురించినప్పుడు దాని పేరు వేరుగా ఉంటుంది. మీరు ఎలా భావిస్తారు, IoT పరికరం ఉపయోగిస్తున్న iteration ను ఎలా మార్చవచ్చు?

## మీ IoT పరికరం నుండి చిత్రాలను క్లాసిఫై చేయండి

ఇప్పుడు మీరు ఈ కనెక్షన్ వివరాలను ఉపయోగించి మీ IoT పరికరం నుండి ఇమేజ్ క్లాసిఫైయర్ పిలవవచ్చు.

### పని - మీ IoT పరికరం నుండి చిత్రాలను క్లాసిఫై చేయండి

మీ IoT పరికరం ఉపయోగించి చిత్రాలను క్లాసిఫై చేయడానికి సంబంధిత మార్గదర్శకాలను అనుసరించండి:

* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
* [సింగిల్-బోర్డ్ కంప్యూటర్ - Raspberry Pi/Virtual IoT device](single-board-computer-classify-image.md)

## మోడల్ మెరుగుపరచడం

మీ IoT పరికరంతో గమనించిన ఫలితాలు ఆశించిన విధంగా కాకపోవచ్చు. కంప్యూటర్ నుండి అప్‌లోడ్ చేసిన చిత్రాలతో పోలిస్తే, predictionలు ఎప్పుడూ అంత ఖచ్చితంగా ఉండవు. దీని కారణం మోడల్ శిక్షణ ఇస్తున్న డేటాతో prediction కోసం ఉపయోగిస్తున్న డేటా వేర్వేరు కావడం.

ఇమేజ్ క్లాసిఫైయర్‌కు ఉత్తమ ఫలితాలు పొందాలంటే, మీరు prediction కోసం ఉపయోగిస్తున్న చిత్రాలతో అనుభవించదగినవిగా మోడల్ శిక్షణ కోసం చిత్రాలను ఉపయోగించాలి. ఉదాహరణకు, మీరు శిక్షణ కోసం ఫోన్ కెమెరా ఉపయోగించారంటే, చిత్రం నాణ్యత, తীক্ষ్ణత, రంగు IoT పరికరానికి కనెక్ట్ చేసిన కెమెరాతో తేడా ఉండవచ్చు.

![2 అరటికాయల చిత్రాలు, ఒకటి IoT పరికరంలోని తక్కువ బ్యాష్ వెలుతురు మరియు తక్కువ రిజల్యూషన్, మరొకటి ఫోన్కి సంబంధించిన మంచి వెలుతురు మరియు అధిక రిజల్యూషన్](../../../../../translated_images/te/banana-picture-compare.174df164dc326a42.webp)

పై చిత్రంలో ఎడమ వైపు ఉన్న అరటికాయ చిత్రమైనది Raspberry Pi కెమెరాతో తీసుకున్నది, కుడి వైపులో అదే అరటికాయ, అదే స్థలంలో iPhone తో తీసుకుంది. నాణ్యతలో స్పష్టమైన తేడా ఉంది - iPhone చిత్రం తীক্ষ్ణంగా, ప్రకాశవంతమైన రంగులతో, మరింత విరుద్ధతతో ఉంది.

✅ మీ IoT పరికరం ద్వారా తీసుకున్న చిత్రాలకు అసమర్థమైన predictionలు రావడంలో ఇంకేమి కారణాలు ఉండవచ్చునని మీరు అనుకుంటున్నారా? IoT పరికరం ఉపయోగించే పరిసరాలు ఏవీ ఉండొచ్చు? చిత్రాన్ని క్యాప్చర్ చేయడంలో ఏవే కారణాలు ప్రభావం చూపుతాయో ఆలోచించండి.

మోడల్ మెరుగుపరచడానికి, IoT పరికరం ద్వారా తీసుకున్న చిత్రాలతో మళ్లీ శిక్షణ ఇవ్వవచ్చు.

### పని - మోడల్ మెరుగుపరుచుకోండి

1. మీ IoT పరికరం ఉపయోగించి పండా మరియు ముంగిలి పండ్ల బహుళ చిత్రాలను క్లాసిఫై చేయండి.

1. Custom Vision పోర్టల్‌లో, *Predictions* టాబ్‌లో ఉన్న చిత్రాలతో మోడల్ మళ్లీ శిక్షణ ఇవ్వండి.

    > ⚠️ మీరు కావాలంటే [పాఠం 1 లో మీ క్లాసిఫైయరును మళ్లీ శిక్షణ ఇవ్వడం సూచనలను చూడవచ్చు](../1-train-fruit-detector/README.md#retrain-your-image-classifier).

1. మీ చిత్రాలు శిక్షణకు ఉపయోగించిన అసలు చిత్రాలతో చాలా భిన్నంగా ఉంటే, *Training Images* టాబ్‌లో ఉన్న చిత్రాలను ఎంచుకుని **Delete** బటన్ ద్వారా అప్రయోజన చిత్రాలను తొలగించవచ్చు. చిత్రాన్ని ఎంచుకోవడానికి, కర్సర్ దాని మీద తీసుకుని వెళ్లండి, టిక్ గుర్తు కనిపిస్తుంది, దాన్ని ఎంచుకుని లేదా తిరిగి తీసేయండి.

1. మోడల్ యొక్క కొత్త iteration శిక్షణ ఇచ్చి, పైన తెలిపిన స్టెప్స్ ప్రకారం ప్రచురించండి.

1. మీ కోడ్‌లో ఎండ్పాయింట్ URL అప్డేట్ చేసి, యాప్‌ను మళ్లీ నడపండి.

1. మీరు prediction ఫలితాలతో తృప్తి చెందేవరకు ఈ దశలను పునరావృతం చేయండి.

---

## 🚀 సవాలు

చిత్ర రిజల్యూషన్ లేదా లైటింగ్ prediction మీద ఎంత ప్రభావం చూపిస్తాయి?

మీ పరికరం కోడ్‌లో చిత్రాల రిజల్యూషన్ మారుస్తూ చూసి, చిత్ర నాణ్యతపై ఎంత తేడా వస్తోందో చూడండి. అలాగే లైటింగ్‌ను కూడా మార్చి చూడండి.

ఫారమ్స్ లేదా ఫ్యాక్టరీలకు విక్రయించడానికి ఒక ప్రొడక్షన్ పరికరం మీరు తయారు చేయాలనుకుంటే, ప్రతిసారీ సరిపోయే ఫలితాలు ఆ పరికరం ఇవ్వాలంటే ఎలా నిర్ధారిస్తారు?

## ముగింపు-భాషణ క్విజ్

[ముగింపు-భాషణ క్విజ్](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/32)

## సమీక్ష & స్వయంసాధన

మీరు పోర్టల్ ఉపయోగించి మీ కస్టమ్ విజన్ మోడల్ శిక్షణ ఇచ్చారు. ఇది చిత్రాలు అందుబాటులో ఉండాలన్నది ఆధారపడి ఉంటుంది - నిజ ప్రపంచంలో మీరు మీ పరికరం కెమెరా క్యాప్చర్ చేసే చిత్రాలతో సరిపోయే శిక్షణ డేటా పొందటం సాధ్యం అయివుండకపోవచ్చు. దీన్ని మీరు మీ పరికరం ఉపయోగించి శిక్షణ API ఉపయోగించి నేరుగా శిక్షణ ఇచ్చుకోవచ్చు, ఇక్కడ మీరు మీ IoT పరికరం నుంచి తీసుకున్న చిత్రాలతో మోడల్ శిక్షణ ఇస్తారు.

* శిక్షణ API పై తెలుసుకోవడానికి [కస్టమ్ విజన్ SDK త్వరిత ప్రారంభం](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) చదవండి

## అసైన్మెంట్

[క్లాసిఫికేషన్ ఫలితాలకు స్పందించండి](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**నిరాకరణ**:  
ఈ డాక్యుమెంట్ AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడి ఉంది. మేము సరిగా ఉన్నదానికి ప్రమాణం ఇచ్చినప్పటికీ, ఆటోమేటెడ్ అనువాదాలలో పొరపాట్లు లేదా లోపాలు ఉండే అవకాశం ఉంది. మౌలిక దస్త్రం తన స్వంత భాషలోని అసలు మూలం గా పరిగణించబడాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫార్సు చేస్తున్నాము. ఈ అనువాదం వాడకం వల్ల కలిగే ఏదైనా అర్థవాంఛనలు లేదా తప్పుబాట్లకి మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->