# స్టాక్ డిటెక్టర్ ను శిక్షణ ఇవ్వండి

![ఈ పాఠం యొక్క స్కెచ్నోట్ అవలోకనం](../../../../../translated_images/te/lesson-19.cf6973cecadf080c.webp)

> స్కెచ్నోట్ [నిత్య నరసింహన్](https://github.com/nitya) ద్వారా. పెద్ద వెర్షన్ కోసం చిత్రంపై క్లిక్ చేయండి.

ఈ వీడియో Azure Custom Vision సర్వీస్ ద్వారా ఆబ్జెక్ట్ డిటెక్షన్ యొక్క అవలోకనం ఇస్తుంది, ఇది ఈ పాఠంలో కవర్ అవుతుంది.

[![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)

> 🎥 వీడియో చూడడానికి పై చిత్రంపై క్లిక్ చేయండి

## పాఠం ముందు క్విజ్

[పాఠం ముందు క్విజ్](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/37)

## పరిచయం

మునుపటి ప్రాజెక్టులో, మీరు AI ఉపయోగించి ఒక ఇమేజ్ క్లాసిఫైయర్ ని శిక్షణ ఇచ్చారు – ఇది ఒక చిత్రం లో పండ్ల పకడ్బందీ లేకపోకుండా ఏదైనా వస్తువును చెబుతుంది. మరో రకమైన AI మోడల్ ఇమేజిలతో ఉపయోగించదగినది ఆబ్జెక్ట్ డిటెక్షన్. ఈ మోడల్స్ ఒక చిత్రాన్ని ట్యాగ్ ద్వారా వర్గీకరించవు, భిన్నంగా అవి వస్తువులను గుర్తించడానికి శిక్షణ పొందుతాయి, మరియు చిత్రాలలో వస్తువులు ఎక్కడ ఉన్నాయో కనుగొంటాయి. ఇది చిత్రాలలో వస్తువులను లెక్కించడానికి అనుమతిస్తుంది.

ఈ పాఠంలో మీరు ఆబ్జెక్ట్ డిటెక్షన్ గురించి నేర్చుకుంటారు, దీనిని రిటైల్ లో ఎలా ఉపయోగించాలో, మరియు క్లౌడ్ లో ఆబ్జెక్ట్ డిటెక్టర్ ఎలా శిక్షణ ఇచ్చాలో తెలుసుకుంటారు.

ఈ పాఠంలో చర్చించే విషయాలు:

* [ఆబ్జెక్ట్ డిటెక్షన్](../../../../../5-retail/lessons/1-train-stock-detector)
* [రిటైల్‌లో ఆబ్జెక్ట్ డిటెక్షన్ ఉపయోగము](../../../../../5-retail/lessons/1-train-stock-detector)
* [ఆబ్జెక్ట్ డిటెక్టర్ కు శిక్షణ ఇవ్వడం](../../../../../5-retail/lessons/1-train-stock-detector)
* [మీ ఆబ్జెక్ట్ డిటెక్టర్ ని పరీక్షించడం](../../../../../5-retail/lessons/1-train-stock-detector)
* [మీ ఆబ్జెక్ట్ డిటెక్టర్ ని తిరిగి శిక్షణ ఇవ్వడం](../../../../../5-retail/lessons/1-train-stock-detector)

## ఆబ్జెక్ట్ డిటెక్షన్

ఆబ్జెక్ట్ డిటెక్షన్ అనేది AI ఉపయోగించి చిత్రాల్లో వస్తువులను గుర్తించడం. మీరు గత ప్రాజెక్టులో శిక్షణ ఇచ్చిన ఇమేజ్ క్లాసిఫైయర్ తో భిన్నంగా, ఆబ్జెక్ట్ డిటెక్షన్ అంతా చిత్రానికి ఒక ట్యాగ్ ను వ్రాయడం కాదు, కానీ చిత్రంలో ఒకటి లేదా ఎక్కువ వస్తువులను కనుగొనడమే.

### ఆబ్జెక్ట్ డిటెక్షన్ vs ఇమేజ్ క్లాసిఫికేషన్

ఇమేజ్ క్లాసిఫికేషన్ అంటే ఒక చిత్రం మొత్తం ఏ ట్యాగ్ కి సరిపోతుందో అంచనా వేయడం. ప్రతి ట్యాగ్ కి సంబందించిన శాతం పొందుతారు.

![కాజూనట్స్ మరియు టమోటో పేస్ట్ యొక్క ఇమేజ్ క్లాసిఫికేషన్](../../../../../translated_images/te/image-classifier-cashews-tomato.bc2e16ab8f05cf9a.webp)

పై ఉదాహరణలో, రెండు చిత్రాలు ఒక మోడల్ తో వర్గీకరించబడ్డాయి, ఇది కాజూనట్స్ టబ్ లేదా టమోటో పేస్ట్ క్యాన్ వర్గీకరిస్తుంది. మొదటి చిత్రం కాజూనట్స్ టబ్, దీని ఫలితాలు:

| ట్యాగ్          | ప్రాబబిలిటీ  |
| -------------- | -----------: |
| `cashew nuts`  | 98.4%        |
| `tomato paste` | 1.6%         |

రెండవ చిత్రం టమోటో పేస్ట్ క్యాన్, ఫలితాలు:

| ట్యాగ్          | ప్రాబబిలిటీ  |
| -------------- | -----------: |
| `cashew nuts`  | 0.7%         |
| `tomato paste` | 99.3%        |

ఈ విలువలను ఉపయోగించి ఒక వెడల్పు ఆంచనా వేసుకోవచ్చు. కానీ ఒక చిత్రంలో పలు టమోటో క్యాన్లు లేదా కాజూనట్స్, టమోటో రెండు ఉంటే? ఫలితాలు తప్పు కావచ్చు. అప్పుడు ఆబ్జెక్ట్ డిటెక్షన్ అవసరం.

ఆబ్జెక్ట్ డిటెక్షన్ అనేది మోడల్ కు వస్తువులను గుర్తించడానికి శిక్షణ ఇస్తుంది. చిత్రాలలో వస్తువు ఉన్న ప్రాంతాన్ని హైలైట్ చేసి ఆ ప్రాంతానికి ట్యాగ్ వేయాలి. ఒక వస్తువు లేదా పలు వస్తువులు ట్యాగ్ చేయవచ్చు. ఆ విధంగా మోడల్ ఆ వస్తువు తాను ఎలా కనిపిస్తుందో నేర్చుకుంటుంది.

మరింత, కొంత వేరియబుల్ స్థానిక సంధులు మరియు శాతం తో వస్తువులను గుర్తిస్తుంది.

> 🎓 *బౌండింగ్ బాక్సులు* అనేది వస్తువుల చుట్టూ ఉన్న బాక్సులు.

![కాజూనట్స్ మరియు టమోటో పేస్టు ఆబ్జెక్ట్ డిటెక్షన్](../../../../../translated_images/te/object-detector-cashews-tomato.1af7c26686b4db0e.webp)

పై చిత్రంలో కాజూనట్స్ మరియు మూడు టమోటో పేస్ట్ కేన్లు ఉన్నాయి. ఆబ్జెక్ట్ డిటెక్టర్ 97.6% శాతం ఛాన్స్ తో కాజూనట్స్ బాక్స్ చూపిస్తుంది. ఇంకా మూడు టమోటో క్యాన్ల బాక్సులు చూపిస్తుంది వైవిధ్య శాతం తో.

✅ మీరు ఎలాంటి ఇమేజ్ AI మోడల్స్ ఉపయోగిస్తారో విభిన్న సందర్భాలను ఆలోచించండి. వాటిలో ఏవి క్లాసిఫికేషన్ అవసరం, ఏవి ఆబ్జెక్ట్ డిటెక్షన్ అవసరం?

### ఆబ్జెక్ట్ డిటెక్షన్ ఎలా పనిచేస్తుంది

ఆబ్జెక్ట్ డిటెక్షన్ లో క్లిష్టమైన ML మోడల్స్ ఉపయోగిస్తారు. చిత్రాన్ని అనేక సెల్‌లుగా విడగొట్టి, బౌండింగ్ బాక్స్ మధ్య భాగం ఉత్తమ ట్యాగ్ తో సమ్మతిస్తుందో చెక్చేస్తుంది. ఇది చిత్రం లో విభిన్న భాగాలపై క్లాసిఫైయర్ నడుపుతున్నట్లు భావించవచ్చు.

> 💁 ఇది చాలా సరళీకరణ. ఆబ్జెక్ట్ డిటెక్షన్ కోసం అనేక సాంకేతికతలు ఉన్నాయి. మరింత తెలుసుకోవడానికి [Wikipedia లో ఆబ్జెక్ట్ డిటెక్షన్ పేజీ](https://wikipedia.org/wiki/Object_detection) చదవండి.

వివిధ మోడల్స్ ఆబ్జెక్ట్ డిటెక్షన్ కి ఉన్నాయి. ప్రసిద్ధి పొందినది [YOLO (You only look once)](https://pjreddie.com/darknet/yolo/), ఇది చాలా వేగంగా 20 తరహాల వస్తువులను గుర్తిస్తుంది, ఉదాహరణకు మనుషులు, కుక్కలు, బాటిల్స్, చక్రాలు.

✅ YOLO మోడల్ గురించి [pjreddie.com/darknet/yolo/](https://pjreddie.com/darknet/yolo/) లో చదవండి

ఆబ్జెక్ట్ డిటెక్షన్ మోడల్స్ కస్టమ్ వస్తువులను గుర్తించడానికి ట్రాన్స్‌ఫర్ లెర్నింగ్ తో తిరిగి శిక్షణ చేయవచ్చు.

## రిటైల్ లో ఆబ్జెక్ట్ డిటెక్షన్ ఉపయోగం

రిటైల్ లో అనేక విధాల ఆబ్జెక్ట్ డిటెక్షన్ ఉపయోగాలు ఉన్నాయి. కొన్ని:

* **స్టాక్ పరిశీలన మరియు లెక్కింపు** - షెల్ఫ్‌లో స్టాక్ తక్కువగా ఉన్నప్పుడు గుర్తించడం. తక్కువగా ఉంటే సిబ్బందికి లేదా రోబోట్లకు సూచనలు పంపడం.
* **మాస్క్ డిటెక్షన్** - ప్రజారోగ్య పరిస్థితుల్లో మాస్క్ విధానం ఉన్న స్టోర్లలో మాస్క్ ధరించిన ప్రజలను గుర్తించడం.
* **ఆటోమేటెడ్ బిల్లింగ్** - షెల్ఫ్ నుండి తీసుకోబడిన వస్తువులను గుర్తించి సరైన చెల్లింపు.
* **హెజార్డ్ గుర్తింపు** - నేలపై పడ్డ వస్తువులు, లిక్విడ్ చల్లడం గుర్తింపు, శుభ్రపరిచే సిబ్బందికి అలర్ట్.

✅ మరిన్ని రిటైల్ లో ఆబ్జెక్ట్ డిటెక్షన్ ఉపయోగాలపై పరిశోధన చేయండి.

## ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ

Custom Vision ఉపయోగించి, మీరు ఇమేజ్ క్లాసిఫైయర్ శిక్షణ ఇచ్చిన విధంగా ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ ఇవ్వవచ్చు.

### పని - ఆబ్జెక్ట్ డిటెక్టర్ సృష్టించు

1. ఈ ప్రాజెక్ట్‌కు `stock-detector` అని రిసోర్స్ గ్రూప్ సృష్టించండి

1. `stock-detector` రిసోర్స్ గ్రూప్‌లో ఉచిత Custom Vision ట్రైనింగ్ మరియు ప్రిడిక్షన్ రిసోర్సులను సృష్టించండి. వాటికి `stock-detector-training` మరియు `stock-detector-prediction` పేర్లు పెట్టండి.

    > 💁 మీరు ఒక్కో ఉచిత ట్రైనింగ్ మరియు ప్రిడిక్షన్ మాత్రమే కలిగి ఉండవచ్చు, కాబట్టి పూర్వ పాఠాల ప్రాజెక్ట్ నుండి పరిశుభ్రం చేశారు కాదో కనుక చూసుకోండి.

    > ⚠️ అవసరమైతే [ప్రాజెక్ట్ 4, పాఠం 1 నుండి ట్రైనింగ్ మరియు ప్రిడిక్షన్ రిసోర్సులు సృష్టించడాని సూచనలు](../../../4-manufacturing/lessons/1-train-fruit-detector/README.md#task---create-a-cognitive-services-resource) అను దస్త్రం చూడండి.

1. [CustomVision.ai](https://customvision.ai) పోర్టల్ తెరువు, మీ Azure ఖాతాకు ఉపయోగించిన Microsoft అకౌంట్ తో సైన్ ఇన్ అవండి.

1. [Microsoft docs లోని Build an object detector quickstart లోని Create a new Project విభాగాన్ని](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#create-a-new-project) అనుసరించి కొత్త Custom Vision ప్రాజెక్ట్ సృష్టించండి. UI మారొచ్చు, అందువలన ఈ డాక్యుమెంట్లు నిత్యం నవీకరించబడతాయి.

    మీ ప్రాజెక్ట్ పేరును `stock-detector` గా పెట్టండి.

    ప్రాజెక్ట్ సృష్టించే సమయంలో, ముందుగా సృష్టించిన `stock-detector-training` రిసోర్స్ ఉపయోగించండి. *Object Detection* ప్రాజెక్ట్ టైపును ఎంచుకోండి, మరియు *Products on Shelves* డొమైన్ ఉపయోగించండి.

    ![ఫ్రూట్-క్వాలిటీ-డిటెక్టర్ పేరుతో కస్టమ్ విజన్ ప్రాజెక్ట్ సెట్టింగులు చూపింపు](../../../../../translated_images/te/custom-vision-create-object-detector-project.32d4fb9aa8e7e737.webp)

    ✅ Products on shelves డొమైన్ స్టోర్ షెల్ఫ్‌లలో స్టాక్ గుర్తించడానికి ప్రత్యేకంగా రూపొందించబడింది. వివిధ డొమైలను Microsoft Docs లో [Select a domain డాక్యుమెంటేషన్](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection) చదవండి.

✅ మీ ఆబ్జెక్ట్ డిటెక్టర్ కోసం Custom Vision UI ను కొంత పరిశీలించండి.

### పని - మీ ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ ఇవ్వండి

మీ మోడల్ శిక్షణ కోసం గుర్తించవలసిన వస్తువులు ఉన్న చిత్రాల సెట్ అవసరం.

1. గుర్తించవలసిన వస్తువు ఉన్న చిత్రాలను సేకరించండి. 15 కన్నా ఎక్కువ చిత్రాలు ఉండాలి, కొన్ని వేర్వేరు కోణాలు, వెలుతురు పరిస్థితుల్లో ఉండాలి, కానీ ఎక్కువ మంచి. ఈ డిటెక్టర్ *Products on shelves* డొమైన్ ఉపయోగించుతుంది కనుక వస్తువులను షెల్ఫ్ మీద ఉండేలా ఏర్పాటు చేయండి. కొన్ని పరీక్షా చిత్రాలు కూడా అవసరం. 1 కంటే ఎక్కువ వస్తువులు ఉంటే, వాటన్నింటిని కలిగి ఉండే పరీక్షా చిత్రాలు అవసరం.

    > 💁 పలు వస్తువులు ఉన్న చిత్రాలు అన్నీ ఆ 15 చిత్రం గణనలో మార్పులు చేస్తాయి.

    చిత్రాలు PNG లేదా JPEG, 6MB కంటే తక్కువ ఉండాలి. ఉదాహరణకి iPhone లో HEIC ఉంటే మార్చాలి. ఎక్కువ చిత్రాలు మంచివి, పండిన మరియు పండనివి సమానంగా ఉండాలి.

    మోడల్ షెల్ఫ్ లో ఉంచిన ఉత్పత్తుల కోసం అటువంటి చిత్రాలు తీసుకోండి.

    కొన్ని కాజూనట్స్, టమోటో పేస్ట్ చిత్రాలు [images](../../../../../5-retail/lessons/1-train-stock-detector/images) ఫోల్డర్‌లో మీకు లభ్యం.

1. [Build an object detector quickstart Microsoft docs లో Upload and tag images విభాగం](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) ను అనుసరించి శిక్షణ చిత్రాలు అప్‌లోడ్ చేయండి. మీరు గుర్తించాలనుకునే వస్తువుల ఆధారంగా సరైన ట్యాగ్లు సృష్టించండి.

    ![పండిన మరియు పండని అరటిపండ్లు అప్‌లోడ్ డైలాగ్](../../../../../translated_images/te/image-upload-object-detector.77c7892c3093cb59.webp)

    వస్తువులకు బౌండింగ్ బాక్స్ గీయండి, వాటి చుట్టూ సన్నగా ఉండేలా చేయండి. ప్రతి చిత్రం కోసం బాక్స్ గీయడం కొంత సమయం పట్టొచ్చు, కానీ సాధనం బౌండింగ్ బాక్సులను గుర్తించి వేగవంతం చేస్తుంది.

    ![టమోటో పేస్ట్ ట్యాగ్ చేయడం](../../../../../translated_images/te/object-detector-tag-tomato-paste.f47c362fb0f0eb58.webp)

    > 💁 15 కన్నా ఎక్కువ చిత్రాలు ఉన్నట్లయితే, 15 తర్వాత శిక్షణ ఇస్తే, **Suggested tags** ఫీచర్ ఉపయోగించవచ్చు. ఇది శిక్షిత మోడల్ తో అనట్యాగ్ చిత్రం లో వస్తువులను గుర్తిస్తుంది. మీరు అవి సరిగ్గా ఉన్నాయో లేక కొత్తగా బాక్స్ చెయ్యాలి అనేది నిర్ణయించవచ్చు. ఇది సమయం సంరక్షిస్తుంది.

1. [Build an object detector quickstart Microsoft docs లో Train the detector విభాగం](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#train-the-detector) అనుసరించి ట్యాగ్ చేసిన చిత్రాలతో ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ ఇవ్వండి.

    శిక్షణ రకం అడుగు వస్తుంది. **Quick Training** ఎంచుకోండి.

ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ ప్రారంభమవుతుంది. పూర్తవడానికి కొన్ని నిమిషాలు పడుతుంది.

## మీ ఆబ్జెక్ట్ డిటెక్టర్ ని పరీక్షించండి

మీ ఆబ్జెక్ట్ డిటెక్టర్ శిక్షణ పొందిన తర్వాత, కొత్త చిత్రాలలో వస్తువులను గుర్తించడానికి పరీక్షించవచ్చు.

### పని - మీ ఆబ్జెక్ట్ డిటెక్టర్ ని పరీక్షించండి

1. **Quick Test** బటన్ ఉపయోగించి పరీక్షా చిత్రాలు అప్‌లోడ్ చేసి వస్తువులు గుర్తించబడుతున్నాయో చూడండి. పూర్వంలా సృష్టించిన పరీక్షా చిత్రాలు మాత్రమే ఉపయోగించండి, శిక్షణ చిత్రాలు కాదు.

    ![3 టమోటో పేస్ట్ క్యాన్లు 38%, 35.5%, 34.6% శాతం దొరికినట్లు చూపింపు](../../../../../translated_images/te/object-detector-detected-tomato-paste.52656fe87af4c37b.webp)

1. మీకు అందుబాటులో ఉన్న అన్ని పరీక్షా చిత్రాలను ప్రయత్నించి శాతాలు గమనించండి.

## మీ ఆబ్జెక్ట్ డిటెక్టర్ ని తిరిగి శిక్షణ ఇవ్వండి

మీ ఆబ్జెక్ట్ డిటెక్టర్ పరీక్ష సమయంలో మీరు అంచనాలు ఆశించినట్లుగా లేకపోవచ్చు, ఇమేజ్ క్లాసిఫైయర్ల తలగానే. తప్పు చేసిన చిత్రాలతో తిరిగి శిక్షణ ఇస్తే మెరుగవుతుంది.

ప్రతి సారి మీరు Quick Test తో అంచనా వేయగానే చిత్రం మరియు ఫలితాలు నిల్వ చేస్తుంది. ఈ చిత్రాలని తిరిగి శిక్షణకి ఉపయోగించవచ్చు.

1. **Predictions** టాబ్ లో మీరు పరీక్ష చేసిన చిత్రాలను కనుగొనండి

1. సరైన గుర్తింపులను కన్ ఫర్మ్ చేసి, తప్పు గుర్తింపులను తొలగించి మిస్ అయిన వాటిని జోడించండి.

1. మోడల్ ని తిరిగి శిక్షణ ఇస్తూ, మళ్లీ పరీక్షించండి.

---

## 🚀 సవాలు
మీరు ఒకే బ్రాండ్ టొమాటో పేస్ట్ మరియు తరిగిన టొమాటోస్ వంటి సమానంగా కనిపించే అంశాలతో ఆబ్జెక్ట్ డిటెక్టర్‌ను ఉపయోగిస్తే ఏమవుతుంది?

మీ వద్ద ఇలాంటి సమానంగా కనిపించే అంశాలు ఉంటే, వాటి చిత్రాలను మీ ఆబ్జెక్ట్ డిటెక్టర్‌కు జోడించి పరీక్షించండి.

## పాఠం తర్వాత క్విజ్

[పాఠం తర్వాత క్విజ్](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/38)

## సమీక్ష & స్వయంకృషి

* మీరు మీ ఆబ్జెక్ట్ డిటెక్టర్‌ను శిక్షణ ఇచ్చినప్పుడు, సృష్టించిన మోడల్‌ను రేటు చేయునట్లు *Precision*, *Recall*, మరియు *mAP* విలువలు మీకు కనిపించేవి. ఈ విలువలు ఏమిటి అనేది తెలుసుకోవడానికి [Microsoft డాక్స్‌లోని Build an object detector quickstartలో ఉన్న Evaluate the detector విభాగాన్ని](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#evaluate-the-detector) చదవండి
* [వికీపీడియాలోని ఆబ్జెక్ట్ డిటెక్షన్ పేజీ](https://wikipedia.org/wiki/Object_detection)పై ఆబ్జెక్ట్ డిటెక్షన్ గురించి మరింత చదవండి

## అసైన్మెంట్

[డొమെയ്‌న్ల‌ను పోల్చండి](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అసత్యపూర్వక ప్రకటన**:  
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆపేక్షిత అనువాదங்களில் తప్పులు లేదా అసత్యతలు ఉండవచ్చు. అసలు పత్రం దాని స్వస్థమైన భాషలో అధికారిక మూలం గా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, నిపుణుల మానవ అనువాదాన్ని సిఫార్సు చేస్తాము. ఈ అనువాదం వాడకం నుంచి సృష్టమైన ఏమైనా తప్పుదోవలు లేదా అపార్థాల కోసం మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->