# ฝึกเครื่องตรวจสอบคุณภาพผลไม้  > สเก็ตโน้ตโดย [Nitya Narasimhan](https://github.com/nitya) คลิกที่ภาพเพื่อดูเวอร์ชันขนาดใหญ่ วิดีโอนี้ให้ภาพรวมของบริการ Azure Custom Vision ซึ่งจะครอบคลุมในบทเรียนนี้ [](https://www.youtube.com/watch?v=TETcDLJlWR4) > 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ ## แบบทดสอบก่อนเรียน [แบบทดสอบก่อนเรียน](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/29) ## บทนำ การเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) กำลังมอบความสามารถหลากหลายให้กับนักพัฒนายุคปัจจุบัน โมเดล ML สามารถฝึกให้รู้จักสิ่งต่าง ๆ ในภาพ เช่น ผลไม้ที่ยังไม่สุก และสามารถนำไปใช้ในอุปกรณ์ IoT เพื่อช่วยคัดแยกผลผลิต ไม่ว่าจะเป็นในระหว่างการเก็บเกี่ยวหรือในกระบวนการแปรรูปในโรงงานหรือคลังสินค้า ในบทเรียนนี้ คุณจะได้เรียนรู้เกี่ยวกับการจำแนกภาพ - การใช้โมเดล ML เพื่อแยกแยะภาพของสิ่งต่าง ๆ คุณจะได้เรียนรู้วิธีฝึกตัวจำแนกภาพเพื่อแยกแยะผลไม้ที่ดีและผลไม้ที่เสีย เช่น ผลไม้ที่ยังไม่สุก ผลไม้ที่สุกเกินไป ผลไม้ที่ช้ำ หรือผลไม้ที่เน่าเสีย ในบทเรียนนี้เราจะครอบคลุม: * [การใช้ AI และ ML ในการคัดแยกอาหาร](../../../../../4-manufacturing/lessons/1-train-fruit-detector) * [การจำแนกภาพผ่านการเรียนรู้ของเครื่อง](../../../../../4-manufacturing/lessons/1-train-fruit-detector) * [ฝึกตัวจำแนกภาพ](../../../../../4-manufacturing/lessons/1-train-fruit-detector) * [ทดสอบตัวจำแนกภาพของคุณ](../../../../../4-manufacturing/lessons/1-train-fruit-detector) * [ฝึกตัวจำแนกภาพของคุณใหม่](../../../../../4-manufacturing/lessons/1-train-fruit-detector) ## การใช้ AI และ ML ในการคัดแยกอาหาร การเลี้ยงดูประชากรโลกเป็นเรื่องยาก โดยเฉพาะในราคาที่ทำให้อาหารเข้าถึงได้สำหรับทุกคน หนึ่งในต้นทุนที่ใหญ่ที่สุดคือแรงงาน ดังนั้นเกษตรกรจึงหันมาใช้ระบบอัตโนมัติและเครื่องมืออย่าง IoT เพื่อลดต้นทุนแรงงาน การเก็บเกี่ยวด้วยมือเป็นงานที่ใช้แรงงานมาก (และมักจะเป็นงานที่หนัก) และกำลังถูกแทนที่ด้วยเครื่องจักร โดยเฉพาะในประเทศที่ร่ำรวยกว่า แม้ว่าการใช้เครื่องจักรในการเก็บเกี่ยวจะช่วยลดต้นทุน แต่ก็มีข้อเสียคือความสามารถในการคัดแยกอาหารในระหว่างการเก็บเกี่ยว ไม่ใช่พืชผลทุกชนิดจะสุกพร้อมกัน ตัวอย่างเช่น มะเขือเทศอาจยังมีผลสีเขียวบนต้นเมื่อส่วนใหญ่พร้อมสำหรับการเก็บเกี่ยว แม้ว่าการเก็บเกี่ยวผลไม้ที่ยังไม่สุกจะเป็นการสูญเสีย แต่ก็ถูกกว่าและง่ายกว่าสำหรับเกษตรกรที่จะเก็บเกี่ยวทุกอย่างด้วยเครื่องจักรและกำจัดผลผลิตที่ยังไม่สุกในภายหลัง ✅ ลองดูผลไม้หรือผักต่าง ๆ ไม่ว่าจะปลูกใกล้คุณในฟาร์มหรือในสวน หรือในร้านค้า ผลไม้เหล่านั้นสุกพร้อมกันหรือไม่ หรือคุณเห็นความแตกต่างในระดับความสุก? การเก็บเกี่ยวอัตโนมัติทำให้การคัดแยกผลผลิตย้ายจากการเก็บเกี่ยวไปยังโรงงาน อาหารจะเดินทางบนสายพานลำเลียงยาว ๆ โดยมีทีมงานคัดแยกผลผลิตที่ไม่ได้มาตรฐานคุณภาพที่ต้องการ การเก็บเกี่ยวด้วยเครื่องจักรช่วยลดต้นทุน แต่ยังมีค่าใช้จ่ายในการคัดแยกอาหารด้วยมือ  วิวัฒนาการต่อมาคือการใช้เครื่องจักรในการคัดแยก ไม่ว่าจะติดตั้งในเครื่องเก็บเกี่ยวหรือในโรงงานแปรรูป เครื่องจักรรุ่นแรกเหล่านี้ใช้เซ็นเซอร์แสงในการตรวจจับสี ควบคุมตัวกระตุ้นเพื่อผลักมะเขือเทศสีเขียวลงถังขยะโดยใช้คันโยกหรือแรงลม ทิ้งมะเขือเทศสีแดงไว้บนสายพานลำเลียง ในวิดีโอนี้ เมื่อมะเขือเทศตกจากสายพานลำเลียงหนึ่งไปยังอีกสายพาน เซ็นเซอร์แสงจะตรวจจับมะเขือเทศสีเขียวและดีดลงถังขยะโดยใช้คันโยก ✅ คุณต้องมีเงื่อนไขอะไรในโรงงานหรือในทุ่งนาเพื่อให้เซ็นเซอร์แสงเหล่านี้ทำงานได้อย่างถูกต้อง? วิวัฒนาการล่าสุดของเครื่องจักรคัดแยกเหล่านี้ใช้ประโยชน์จาก AI และ ML โดยใช้โมเดลที่ฝึกให้แยกแยะผลผลิตที่ดีจากผลผลิตที่เสีย ไม่ใช่แค่ความแตกต่างของสีที่ชัดเจน เช่น มะเขือเทศสีเขียวกับสีแดง แต่ยังรวมถึงความแตกต่างที่ละเอียดอ่อนในลักษณะที่สามารถบ่งบอกถึงโรคหรือรอยช้ำ ## การจำแนกภาพผ่านการเรียนรู้ของเครื่อง การเขียนโปรแกรมแบบดั้งเดิมคือการที่คุณนำข้อมูลมาใช้กับอัลกอริทึมและได้ผลลัพธ์ ตัวอย่างเช่น ในโครงการที่แล้ว คุณนำพิกัด GPS และ geofence มาใช้กับอัลกอริทึมที่ Azure Maps ให้มา และได้ผลลัพธ์ว่า จุดนั้นอยู่ภายในหรือภายนอก geofence คุณป้อนข้อมูลมากขึ้น คุณก็ได้ผลลัพธ์มากขึ้น  การเรียนรู้ของเครื่องเปลี่ยนกระบวนการนี้ - คุณเริ่มต้นด้วยข้อมูลและผลลัพธ์ที่ทราบ และอัลกอริทึมการเรียนรู้ของเครื่องจะเรียนรู้จากข้อมูลนั้น จากนั้นคุณสามารถนำอัลกอริทึมที่ฝึกแล้ว ซึ่งเรียกว่า *โมเดลการเรียนรู้ของเครื่อง* หรือ *โมเดล* และป้อนข้อมูลใหม่เพื่อให้ได้ผลลัพธ์ใหม่ > 🎓 กระบวนการที่อัลกอริทึมการเรียนรู้ของเครื่องเรียนรู้จากข้อมูลเรียกว่า *การฝึก* ข้อมูลที่ป้อนและผลลัพธ์ที่ทราบเรียกว่า *ข้อมูลการฝึก* ตัวอย่างเช่น คุณสามารถให้โมเดลภาพถ่ายนับล้านของกล้วยที่ยังไม่สุกเป็นข้อมูลการฝึก โดยตั้งผลลัพธ์การฝึกเป็น `ยังไม่สุก` และภาพถ่ายนับล้านของกล้วยที่สุกเป็นข้อมูลการฝึก โดยตั้งผลลัพธ์เป็น `สุก` อัลกอริทึม ML จะสร้างโมเดลจากข้อมูลนี้ จากนั้นคุณสามารถให้โมเดลนี้ภาพถ่ายใหม่ของกล้วย และมันจะทำนายว่าภาพถ่ายใหม่นั้นเป็นกล้วยที่สุกหรือยังไม่สุก > 🎓 ผลลัพธ์ของโมเดล ML เรียกว่า *การทำนาย*  โมเดล ML ไม่ได้ให้คำตอบแบบไบนารี แต่ให้ความน่าจะเป็น ตัวอย่างเช่น โมเดลอาจได้รับภาพถ่ายของกล้วยและทำนายว่า `สุก` ที่ 99.7% และ `ยังไม่สุก` ที่ 0.3% โค้ดของคุณจะเลือกการทำนายที่ดีที่สุดและตัดสินว่ากล้วยนั้นสุก โมเดล ML ที่ใช้ตรวจจับภาพแบบนี้เรียกว่า *ตัวจำแนกภาพ* - มันได้รับภาพที่มีป้ายกำกับ และจำแนกภาพใหม่ตามป้ายกำกับเหล่านี้ > 💁 นี่เป็นการอธิบายแบบง่าย ๆ และยังมีวิธีอื่น ๆ ในการฝึกโมเดลที่ไม่จำเป็นต้องมีผลลัพธ์ที่มีป้ายกำกับ เช่น การเรียนรู้แบบไม่มีผู้ควบคุม หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ ML ลองดู [ML for beginners, หลักสูตร 24 บทเรียนเกี่ยวกับการเรียนรู้ของเครื่อง](https://aka.ms/ML-beginners) ## ฝึกตัวจำแนกภาพ เพื่อฝึกตัวจำแนกภาพให้สำเร็จ คุณต้องมีภาพนับล้าน อย่างไรก็ตาม เมื่อคุณมีตัวจำแนกภาพที่ฝึกด้วยภาพหลากหลายล้านหรือพันล้านภาพ คุณสามารถนำมาใช้ซ้ำและฝึกใหม่ด้วยชุดภาพขนาดเล็กและได้ผลลัพธ์ที่ดี โดยใช้กระบวนการที่เรียกว่า *การเรียนรู้แบบถ่ายโอน* > 🎓 การเรียนรู้แบบถ่ายโอนคือการถ่ายโอนการเรียนรู้จากโมเดล ML ที่มีอยู่ไปยังโมเดลใหม่ตามข้อมูลใหม่ เมื่อตัวจำแนกภาพได้รับการฝึกสำหรับภาพหลากหลายประเภทแล้ว ส่วนภายในของมันจะดีเยี่ยมในการจดจำรูปร่าง สี และลวดลาย การเรียนรู้แบบถ่ายโอนช่วยให้โมเดลนำสิ่งที่มันเรียนรู้ในการจดจำส่วนต่าง ๆ ของภาพมาใช้เพื่อจดจำภาพใหม่  คุณสามารถคิดว่านี่เหมือนกับหนังสือรูปร่างสำหรับเด็ก ที่เมื่อคุณสามารถจดจำครึ่งวงกลม สี่เหลี่ยมผืนผ้า และสามเหลี่ยม คุณสามารถจดจำเรือใบหรือแมวได้ขึ้นอยู่กับการจัดเรียงของรูปร่างเหล่านี้ ตัวจำแนกภาพสามารถจดจำรูปร่าง และการเรียนรู้แบบถ่ายโอนจะสอนมันว่าการจัดเรียงแบบใดสร้างเรือหรือแมว - หรือกล้วยที่สุก มีเครื่องมือหลากหลายที่สามารถช่วยคุณทำสิ่งนี้ รวมถึงบริการบนคลาวด์ที่สามารถช่วยคุณฝึกโมเดล จากนั้นใช้มันผ่าน API บนเว็บ > 💁 การฝึกโมเดลเหล่านี้ต้องใช้พลังคอมพิวเตอร์มาก โดยปกติผ่านหน่วยประมวลผลกราฟิก หรือ GPU ฮาร์ดแวร์เฉพาะทางเดียวกันที่ทำให้เกมบน Xbox ของคุณดูน่าทึ่งสามารถใช้ฝึกโมเดลการเรียนรู้ของเครื่องได้เช่นกัน ด้วยการใช้คลาวด์ คุณสามารถเช่าคอมพิวเตอร์ทรงพลังที่มี GPU เพื่อฝึกโมเดลเหล่านี้ โดยเข้าถึงพลังคอมพิวเตอร์ที่คุณต้องการเพียงช่วงเวลาที่คุณต้องการ ## Custom Vision Custom Vision เป็นเครื่องมือบนคลาวด์สำหรับฝึกตัวจำแนกภาพ มันช่วยให้คุณฝึกตัวจำแนกโดยใช้ภาพเพียงจำนวนเล็กน้อย คุณสามารถอัปโหลดภาพผ่านพอร์ทัลเว็บ API หรือ SDK โดยให้แต่ละภาพมี *แท็ก* ที่เป็นการจำแนกภาพนั้น จากนั้นคุณฝึกโมเดลและทดสอบเพื่อดูว่ามันทำงานได้ดีแค่ไหน เมื่อคุณพอใจกับโมเดลแล้ว คุณสามารถเผยแพร่เวอร์ชันของมันที่สามารถเข้าถึงได้ผ่าน API บนเว็บหรือ SDK  > 💁 คุณสามารถฝึกโมเดล Custom Vision ด้วยภาพเพียง 5 ภาพต่อการจำแนก แต่ยิ่งมีมากยิ่งดี คุณจะได้ผลลัพธ์ที่ดีกว่าด้วยภาพอย่างน้อย 30 ภาพ Custom Vision เป็นส่วนหนึ่งของเครื่องมือ AI จาก Microsoft ที่เรียกว่า Cognitive Services ซึ่งเป็นเครื่องมือ AI ที่สามารถใช้ได้โดยไม่ต้องฝึก หรือฝึกเพียงเล็กน้อย รวมถึงการรู้จำเสียงและการแปล การเข้าใจภาษา และการวิเคราะห์ภาพ เครื่องมือเหล่านี้มีให้ใช้งานในระดับฟรีใน Azure > 💁 ระดับฟรีเพียงพอสำหรับการสร้างโมเดล ฝึกมัน จากนั้นใช้มันสำหรับงานพัฒนา คุณสามารถอ่านเกี่ยวกับข้อจำกัดของระดับฟรีได้ที่ [หน้าข้อจำกัดและโควตาของ Custom Vision บนเอกสาร Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/limits-and-quotas?WT.mc_id=academic-17441-jabenn) ### งาน - สร้างทรัพยากร Cognitive Services ในการใช้ Custom Vision คุณต้องสร้างทรัพยากร Cognitive Services สองรายการใน Azure โดยใช้ Azure CLI หนึ่งสำหรับการฝึก Custom Vision และอีกหนึ่งสำหรับการทำนาย Custom Vision 1. สร้าง Resource Group สำหรับโปรเจกต์นี้ชื่อ `fruit-quality-detector` 1. ใช้คำสั่งต่อไปนี้เพื่อสร้างทรัพยากรการฝึก Custom Vision ฟรี: ```sh az cognitiveservices account create --name fruit-quality-detector-training \ --resource-group fruit-quality-detector \ --kind CustomVision.Training \ --sku F0 \ --yes \ --location ``` แทนที่ `` ด้วยตำแหน่งที่คุณใช้เมื่อสร้าง Resource Group คำสั่งนี้จะสร้างทรัพยากรการฝึก Custom Vision ใน Resource Group ของคุณ มันจะถูกเรียกว่า `fruit-quality-detector-training` และใช้ `F0` sku ซึ่งเป็นระดับฟรี ตัวเลือก `--yes` หมายถึงคุณยอมรับข้อกำหนดและเงื่อนไขของ Cognitive Services > 💁 ใช้ `S0` sku หากคุณมีบัญชีฟรีที่ใช้งาน Cognitive Services อยู่แล้ว 1. ใช้คำสั่งต่อไปนี้เพื่อสร้างทรัพยากรการทำนาย Custom Vision ฟรี: ```sh az cognitiveservices account create --name fruit-quality-detector-prediction \ --resource-group fruit-quality-detector \ --kind CustomVision.Prediction \ --sku F0 \ --yes \ --location ``` แทนที่ `` ด้วยตำแหน่งที่คุณใช้เมื่อสร้าง Resource Group คำสั่งนี้จะสร้างทรัพยากรการทำนาย Custom Vision ใน Resource Group ของคุณ มันจะถูกเรียกว่า `fruit-quality-detector-prediction` และใช้ `F0` sku ซึ่งเป็นระดับฟรี ตัวเลือก `--yes` หมายถึงคุณยอมรับข้อกำหนดและเงื่อนไขของ Cognitive Services ### งาน - สร้างโปรเจกต์ตัวจำแนกภาพ 1. เปิดพอร์ทัล Custom Vision ที่ [CustomVision.ai](https://customvision.ai) และลงชื่อเข้าใช้ด้วยบัญชี Microsoft ที่คุณใช้สำหรับบัญชี Azure 1. ทำตาม [ส่วนการสร้างโปรเจกต์ใหม่ในเอกสาร Microsoft](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) เพื่อสร้างโปรเจกต์ Custom Vision ใหม่ UI อาจเปลี่ยนแปลงได้ และเอกสารเหล่านี้เป็นข้อมูลอ้างอิงที่อัปเดตที่สุดเสมอ ตั้งชื่อโปรเจกต์ของคุณว่า `fruit-quality-detector` เมื่อคุณสร้างโปรเจกต์ของคุณ อย่าลืมใช้ทรัพยากร `fruit-quality-detector-training` ที่คุณสร้างไว้ก่อนหน้านี้ ใช้ประเภทโปรเจกต์ *Classification* ประเภทการจำแนก *Multiclass* และโดเมน *Food*  ✅ ใช้เวลาสำรวจ UI ของ Custom Vision สำหรับตัวจำแนกภาพของคุณ ### งาน - ฝึกโปรเจกต์ตัวจำแนกภาพของคุณ ในการฝึกตัวจำแนกภาพ คุณจะต้องมีภาพผลไม้หลายภาพ ทั้งที่มีคุณภาพดีและไม่ดี เพื่อแท็กว่าเป็นผลไม้ดีและผลไม้เสีย เช่น กล้วยที่สุกและกล้วยที่สุกเกินไป 💁 ตัวจำแนกเหล่านี้สามารถจำแนกภาพของอะไรก็ได้ ดังนั้นหากคุณไม่มีผลไม้ที่มีคุณภาพแตกต่างกัน คุณสามารถใช้ผลไม้สองประเภทที่ต่างกัน หรือแมวกับสุนัขแทน! แต่ละภาพควรแสดงเฉพาะผลไม้ โดยมีพื้นหลังที่สม่ำเสมอหรือหลากหลาย แต่ต้องไม่มีสิ่งใดในพื้นหลังที่บ่งบอกถึงผลไม้สุกหรือยังไม่สุก > 💁 สิ่งสำคัญคือไม่ควรมีพื้นหลังเฉพาะ หรือสิ่งของเฉพาะที่ไม่เกี่ยวข้องกับสิ่งที่กำลังถูกจัดประเภทในแต่ละแท็ก มิฉะนั้นตัวจัดประเภทอาจจัดประเภทตามพื้นหลังแทน มีกรณีหนึ่งที่ตัวจัดประเภทสำหรับมะเร็งผิวหนังถูกฝึกด้วยภาพของไฝทั้งแบบปกติและแบบมะเร็ง โดยภาพของไฝมะเร็งทั้งหมดมีไม้บรรทัดวางอยู่เพื่อวัดขนาด ผลปรากฏว่าตัวจัดประเภทสามารถระบุไม้บรรทัดในภาพได้อย่างแม่นยำเกือบ 100% แต่ไม่สามารถระบุไฝมะเร็งได้ ตัวจัดประเภทภาพทำงานที่ความละเอียดต่ำมาก ตัวอย่างเช่น Custom Vision สามารถใช้ภาพสำหรับการฝึกและการทำนายได้สูงสุด 10240x10240 แต่จะฝึกและรันโมเดลบนภาพที่มีขนาด 227x227 ภาพที่ใหญ่กว่าจะถูกย่อให้มีขนาดนี้ ดังนั้นควรมั่นใจว่าสิ่งที่คุณกำลังจัดประเภทนั้นกินพื้นที่ส่วนใหญ่ของภาพ มิฉะนั้นอาจเล็กเกินไปในภาพที่ถูกย่อขนาดสำหรับตัวจัดประเภท 1. รวบรวมภาพสำหรับตัวจัดประเภทของคุณ คุณจะต้องมีภาพอย่างน้อย 5 ภาพสำหรับแต่ละป้ายกำกับเพื่อฝึกตัวจัดประเภท แต่ยิ่งมีมากยิ่งดี นอกจากนี้คุณยังต้องมีภาพเพิ่มเติมเพื่อทดสอบตัวจัดประเภท ภาพเหล่านี้ควรเป็นภาพที่แตกต่างกันของสิ่งเดียวกัน ตัวอย่างเช่น: * ใช้กล้วยสุก 2 ลูก ถ่ายภาพแต่ละลูกจากมุมต่าง ๆ อย่างน้อย 7 ภาพ (5 สำหรับการฝึก, 2 สำหรับการทดสอบ) แต่ถ้าเป็นไปได้ควรมีมากกว่านี้  * ทำซ้ำกระบวนการเดียวกันกับกล้วยที่ยังไม่สุก 2 ลูก คุณควรมีภาพสำหรับการฝึกอย่างน้อย 10 ภาพ โดยมีภาพกล้วยสุกอย่างน้อย 5 ภาพ และกล้วยที่ยังไม่สุกอย่างน้อย 5 ภาพ และภาพสำหรับการทดสอบ 4 ภาพ (กล้วยสุก 2 ภาพ, กล้วยที่ยังไม่สุก 2 ภาพ) ภาพของคุณควรเป็นไฟล์ png หรือ jpeg และมีขนาดเล็กกว่า 6MB หากคุณสร้างภาพด้วย iPhone ตัวอย่างเช่น ภาพอาจมีความละเอียดสูงในรูปแบบ HEIC ซึ่งจะต้องแปลงและอาจต้องย่อขนาด ยิ่งมีภาพมากยิ่งดี และควรมีจำนวนภาพกล้วยสุกและยังไม่สุกที่ใกล้เคียงกัน หากคุณไม่มีทั้งกล้วยสุกและยังไม่สุก คุณสามารถใช้ผลไม้ชนิดอื่น หรือวัตถุสองอย่างที่คุณมีอยู่ คุณยังสามารถค้นหาภาพตัวอย่างในโฟลเดอร์ [images](../../../../../4-manufacturing/lessons/1-train-fruit-detector/images) ของกล้วยสุกและยังไม่สุกที่คุณสามารถใช้ได้ 1. ทำตาม [ส่วนการอัปโหลดและแท็กภาพในเอกสาร Microsoft](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) เพื่ออัปโหลดภาพสำหรับการฝึกของคุณ แท็กผลไม้สุกเป็น `ripe` และผลไม้ที่ยังไม่สุกเป็น `unripe`  1. ทำตาม [ส่วนการฝึกตัวจัดประเภทในเอกสาร Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) เพื่อฝึกตัวจัดประเภทภาพบนภาพที่คุณอัปโหลด คุณจะได้รับตัวเลือกประเภทการฝึก เลือก **Quick Training** ตัวจัดประเภทจะเริ่มฝึก ซึ่งจะใช้เวลาสักครู่จนกว่าการฝึกจะเสร็จสิ้น > 🍌 หากคุณตัดสินใจกินผลไม้ของคุณในขณะที่ตัวจัดประเภทกำลังฝึก อย่าลืมว่าคุณมีภาพเพียงพอสำหรับการทดสอบก่อน! ## ทดสอบตัวจัดประเภทภาพของคุณ เมื่อคุณฝึกตัวจัดประเภทเสร็จแล้ว คุณสามารถทดสอบได้โดยใช้ภาพใหม่เพื่อจัดประเภท ### งาน - ทดสอบตัวจัดประเภทภาพของคุณ 1. ทำตาม [เอกสารการทดสอบโมเดลใน Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) เพื่อทดสอบตัวจัดประเภทภาพของคุณ ใช้ภาพสำหรับการทดสอบที่คุณสร้างไว้ก่อนหน้านี้ ไม่ใช่ภาพที่คุณใช้สำหรับการฝึก  1. ลองใช้ภาพสำหรับการทดสอบทั้งหมดที่คุณมีและสังเกตความน่าจะเป็น ## ฝึกตัวจัดประเภทภาพของคุณใหม่ เมื่อคุณทดสอบตัวจัดประเภทของคุณ อาจไม่ให้ผลลัพธ์ตามที่คุณคาดหวัง ตัวจัดประเภทภาพใช้การเรียนรู้ของเครื่องเพื่อทำนายสิ่งที่อยู่ในภาพ โดยอิงจากความน่าจะเป็นที่ลักษณะเฉพาะของภาพนั้นหมายถึงว่ามันตรงกับป้ายกำกับที่กำหนด มันไม่ได้เข้าใจสิ่งที่อยู่ในภาพ - มันไม่รู้ว่ากล้วยคืออะไรหรือเข้าใจว่ากล้วยแตกต่างจากเรืออย่างไร คุณสามารถปรับปรุงตัวจัดประเภทของคุณได้โดยการฝึกใหม่ด้วยภาพที่มันทำนายผิด ทุกครั้งที่คุณทำการทำนายโดยใช้ตัวเลือกการทดสอบแบบรวดเร็ว ภาพและผลลัพธ์จะถูกบันทึกไว้ คุณสามารถใช้ภาพเหล่านี้เพื่อฝึกโมเดลของคุณใหม่ ### งาน - ฝึกตัวจัดประเภทภาพของคุณใหม่ 1. ทำตาม [เอกสารการใช้ภาพที่ทำนายเพื่อการฝึกใน Microsoft](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) เพื่อฝึกโมเดลของคุณใหม่ โดยใช้แท็กที่ถูกต้องสำหรับแต่ละภาพ 1. เมื่อโมเดลของคุณถูกฝึกใหม่แล้ว ให้ทดสอบกับภาพใหม่ --- ## 🚀 ความท้าทาย คุณคิดว่าจะเกิดอะไรขึ้นหากคุณใช้ภาพของสตรอเบอร์รี่กับโมเดลที่ฝึกด้วยกล้วย หรือภาพของกล้วยเป่าลม หรือคนที่ใส่ชุดกล้วย หรือแม้แต่ตัวการ์ตูนสีเหลือง เช่น ตัวละครจาก The Simpsons? ลองทำดูและดูผลการทำนาย คุณสามารถค้นหาภาพเพื่อทดลองได้โดยใช้ [Bing Image search](https://www.bing.com/images/trending) ## แบบทดสอบหลังการบรรยาย [แบบทดสอบหลังการบรรยาย](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/30) ## ทบทวนและศึกษาด้วยตนเอง * เมื่อคุณฝึกตัวจัดประเภท คุณจะเห็นค่าของ *Precision*, *Recall*, และ *AP* ที่ประเมินโมเดลที่ถูกสร้างขึ้น อ่านเพิ่มเติมเกี่ยวกับค่าดังกล่าวได้จาก [ส่วนการประเมินตัวจัดประเภทในเอกสาร Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#evaluate-the-classifier) * อ่านเพิ่มเติมเกี่ยวกับวิธีปรับปรุงตัวจัดประเภทของคุณจาก [วิธีปรับปรุงโมเดล Custom Vision ในเอกสาร Microsoft](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-improving-your-classifier?WT.mc_id=academic-17441-jabenn) ## งานที่ได้รับมอบหมาย [ฝึกตัวจัดประเภทของคุณสำหรับผลไม้และผักหลายชนิด](assignment.md) --- **ข้อจำกัดความรับผิดชอบ**: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้