IoT-For-Beginners/translations/bn/4-manufacturing/lessons/1-train-fruit-detector

ফলের গুণমান নির্ধারণকারী ডিটেক্টর প্রশিক্ষণ দিন

স্কেচনোট: নিত্য নারাসিমহান। বড় সংস্করণের জন্য ছবিতে ক্লিক করুন।

এই ভিডিওটি Azure Custom Vision পরিষেবার একটি ওভারভিউ দেয়, যা এই পাঠে আলোচনা করা হবে।

🎥 উপরের ছবিতে ক্লিক করে ভিডিওটি দেখুন

লেকচারের আগে কুইজ

লেকচারের আগে কুইজ

ভূমিকা

সাম্প্রতিক সময়ে কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং (ML)-এর উত্থান বর্তমান ডেভেলপারদের জন্য বিভিন্ন ক্ষমতা প্রদান করছে। ML মডেলগুলোকে এমনভাবে প্রশিক্ষণ দেওয়া যায় যাতে তারা ছবিতে বিভিন্ন জিনিস চিনতে পারে, যেমন অপরিপক্ক ফল। এটি IoT ডিভাইসগুলোতে ব্যবহার করা যেতে পারে যাতে ফসল তোলার সময় বা কারখানা বা গুদামে প্রক্রিয়াকরণের সময় ফল আলাদা করা যায়।

এই পাঠে আপনি ইমেজ ক্লাসিফিকেশন সম্পর্কে শিখবেন - ML মডেল ব্যবহার করে বিভিন্ন জিনিসের ছবি আলাদা করা। আপনি শিখবেন কীভাবে একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিতে হয় যাতে এটি ভালো এবং খারাপ ফল আলাদা করতে পারে, যেমন অপরিপক্ক, অতিপক্ক, আঘাতপ্রাপ্ত বা পচা ফল।

এই পাঠে আমরা আলোচনা করব:

• খাদ্য বাছাইয়ে AI এবং ML ব্যবহার
• মেশিন লার্নিংয়ের মাধ্যমে ইমেজ ক্লাসিফিকেশন
• একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিন
• আপনার ইমেজ ক্লাসিফায়ার পরীক্ষা করুন
• আপনার ইমেজ ক্লাসিফায়ার পুনঃপ্রশিক্ষণ দিন

খাদ্য বাছাইয়ে AI এবং ML ব্যবহার

বিশ্বব্যাপী জনসংখ্যাকে খাওয়ানো কঠিন, বিশেষত এমন দামে যা সবার জন্য সাশ্রয়ী। সবচেয়ে বড় খরচগুলোর একটি হলো শ্রম, তাই কৃষকরা ক্রমবর্ধমানভাবে শ্রম খরচ কমাতে অটোমেশন এবং IoT-এর মতো সরঞ্জামের দিকে ঝুঁকছেন। হাতে ফসল তোলা শ্রমসাধ্য (এবং প্রায়ই শারীরিকভাবে কষ্টকর কাজ), এবং এটি ধনী দেশগুলোতে মেশিন দ্বারা প্রতিস্থাপিত হচ্ছে। মেশিন ব্যবহার করে ফসল তোলার খরচ সাশ্রয়ী হলেও একটি অসুবিধা রয়েছে - ফসল তোলার সময় খাদ্য বাছাই করার ক্ষমতা।

সব ফসল সমানভাবে পাকে না। উদাহরণস্বরূপ, টমেটো গাছে যখন বেশিরভাগ ফল পাকার জন্য প্রস্তুত থাকে, তখনও কিছু সবুজ ফল থাকতে পারে। এগুলো আগে তুলে ফেলাটা অপচয়, তবে মেশিন ব্যবহার করে সবকিছু একসঙ্গে তোলা কৃষকের জন্য সস্তা এবং সহজ, এবং পরে অপরিপক্ক ফল ফেলে দেওয়া হয়।

✅ আপনার আশেপাশে কোনো খামার বা বাগানে বা দোকানে বিভিন্ন ফল বা সবজি দেখুন। এগুলো কি সব একই রকম পাকা, নাকি ভিন্নতা রয়েছে?

অটোমেটেড ফসল তোলার উত্থান ফসল বাছাইয়ের কাজটিকে খামার থেকে কারখানায় নিয়ে গেছে। খাদ্য দীর্ঘ কনভেয়র বেল্টে ভ্রমণ করত, যেখানে লোকজন দলবদ্ধভাবে ফসল বাছাই করত এবং যেগুলো মান অনুযায়ী নয় সেগুলো সরিয়ে ফেলত। মেশিনের কারণে ফসল তোলার খরচ কমে গেলেও, খাদ্য ম্যানুয়ালি বাছাই করার জন্য এখনও খরচ ছিল।

পরবর্তী উন্নয়ন ছিল মেশিন ব্যবহার করে বাছাই করা, যা হয় হারভেস্টারে বা প্রক্রিয়াকরণ কারখানায় স্থাপন করা হয়। এই মেশিনগুলোর প্রথম প্রজন্ম অপটিক্যাল সেন্সর ব্যবহার করত রঙ শনাক্ত করতে, এবং লিভার বা বাতাসের পাফ ব্যবহার করে সবুজ টমেটো বর্জন বিনে ফেলে দিত, লাল টমেটোগুলোকে কনভেয়র বেল্টের নেটওয়ার্কে অব্যাহত রাখতে দিত।

এই ভিডিওতে, টমেটোগুলো যখন একটি কনভেয়র বেল্ট থেকে অন্যটিতে পড়ে, তখন সবুজ টমেটো শনাক্ত করা হয় এবং লিভারের মাধ্যমে একটি বিনে ফেলে দেওয়া হয়।

✅ একটি কারখানা বা মাঠে এই অপটিক্যাল সেন্সরগুলো সঠিকভাবে কাজ করার জন্য কী শর্ত প্রয়োজন?

এই বাছাই মেশিনগুলোর সর্বশেষ উন্নয়ন AI এবং ML-এর সুবিধা গ্রহণ করে, মডেল ব্যবহার করে যা ভালো এবং খারাপ ফসল আলাদা করতে প্রশিক্ষিত, শুধুমাত্র রঙের স্পষ্ট পার্থক্য যেমন সবুজ টমেটো বনাম লাল নয়, বরং রোগ বা আঘাতের সূচক হিসেবে সূক্ষ্ম পার্থক্যও শনাক্ত করতে পারে।

মেশিন লার্নিংয়ের মাধ্যমে ইমেজ ক্লাসিফিকেশন

প্রথাগত প্রোগ্রামিংয়ে আপনি ডেটা নেন, ডেটার উপর একটি অ্যালগরিদম প্রয়োগ করেন এবং আউটপুট পান। উদাহরণস্বরূপ, আগের প্রকল্পে আপনি GPS কোঅর্ডিনেট এবং একটি জিওফেন্স নিয়েছিলেন, Azure Maps দ্বারা প্রদত্ত একটি অ্যালগরিদম প্রয়োগ করেছিলেন এবং পয়েন্টটি জিওফেন্সের ভিতরে বা বাইরে কিনা তার ফলাফল পেয়েছিলেন। আপনি আরও ডেটা ইনপুট করেন, আরও আউটপুট পান।

মেশিন লার্নিং এটিকে উল্টে দেয় - আপনি ডেটা এবং পরিচিত আউটপুট দিয়ে শুরু করেন, এবং মেশিন লার্নিং অ্যালগরিদম ডেটা থেকে শেখে। আপনি তখন এই প্রশিক্ষিত অ্যালগরিদম, যাকে মেশিন লার্নিং মডেল বা মডেল বলা হয়, নতুন ডেটা ইনপুট করতে এবং নতুন আউটপুট পেতে ব্যবহার করতে পারেন।

🎓 মেশিন লার্নিং অ্যালগরিদমের ডেটা থেকে শেখার প্রক্রিয়াকে প্রশিক্ষণ বলা হয়। ইনপুট এবং পরিচিত আউটপুটগুলোকে প্রশিক্ষণ ডেটা বলা হয়।

উদাহরণস্বরূপ, আপনি একটি মডেলকে লক্ষ লক্ষ অপরিপক্ক কলার ছবি ইনপুট প্রশিক্ষণ ডেটা হিসেবে দিতে পারেন, যেখানে আউটপুট সেট করা হয়েছে অপরিপক্ক, এবং লক্ষ লক্ষ পাকা কলার ছবি প্রশিক্ষণ ডেটা হিসেবে দিতে পারেন যেখানে আউটপুট সেট করা হয়েছে পাকা। ML অ্যালগরিদম তখন এই ডেটার উপর ভিত্তি করে একটি মডেল তৈরি করবে। আপনি তখন এই মডেলকে একটি নতুন কলার ছবি দেবেন এবং এটি পূর্বাভাস দেবে যে নতুন ছবিটি পাকা নাকি অপরিপক্ক।

🎓 ML মডেলের ফলাফলগুলোকে পূর্বাভাস বলা হয়।

ML মডেলগুলো বাইনারি উত্তর দেয় না, বরং সম্ভাব্যতা দেয়। উদাহরণস্বরূপ, একটি মডেল একটি কলার ছবি পেতে পারে এবং পূর্বাভাস দিতে পারে পাকা ৯৯.৭% এবং অপরিপক্ক ০.৩%। আপনার কোড তখন সেরা পূর্বাভাসটি বেছে নেবে এবং সিদ্ধান্ত নেবে যে কলাটি পাকা।

ইমেজ শনাক্ত করতে ব্যবহৃত ML মডেলকে ইমেজ ক্লাসিফায়ার বলা হয় - এটি লেবেলযুক্ত ছবি পায় এবং এই লেবেলগুলোর ভিত্তিতে নতুন ছবি শ্রেণীবদ্ধ করে।

💁 এটি একটি সরলীকরণ, এবং মডেল প্রশিক্ষণের আরও অনেক উপায় রয়েছে যা সবসময় লেবেলযুক্ত আউটপুট প্রয়োজন হয় না, যেমন আনসুপারভাইজড লার্নিং। আপনি যদি ML সম্পর্কে আরও জানতে চান, ML for beginners, একটি ২৪-লেসনের কারিকুলাম দেখুন।

একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিন

একটি সফল ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিতে আপনার লক্ষ লক্ষ ছবি প্রয়োজন। তবে, একবার আপনি লক্ষ লক্ষ বা বিলিয়ন বিভিন্ন ছবির উপর ভিত্তি করে একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিলে, আপনি এটি পুনরায় ব্যবহার করতে পারেন এবং একটি ছোট সেট ছবি ব্যবহার করে পুনঃপ্রশিক্ষণ দিতে পারেন এবং চমৎকার ফলাফল পেতে পারেন, যাকে ট্রান্সফার লার্নিং বলা হয়।

🎓 ট্রান্সফার লার্নিং হলো যেখানে আপনি একটি বিদ্যমান ML মডেলের শেখা জ্ঞানকে নতুন ডেটার ভিত্তিতে একটি নতুন মডেলে স্থানান্তর করেন।

একবার একটি ইমেজ ক্লাসিফায়ার বিভিন্ন ছবির জন্য প্রশিক্ষিত হয়ে গেলে, এটি আকৃতি, রঙ এবং প্যাটার্ন শনাক্ত করতে দক্ষ হয়ে ওঠে। ট্রান্সফার লার্নিং মডেলটিকে শেখায় যে নতুন ছবিগুলো কীভাবে শনাক্ত করতে হয়।

আপনি এটি শিশুদের আকৃতির বইয়ের মতো ভাবতে পারেন, যেখানে একবার আপনি একটি অর্ধবৃত্ত, একটি আয়তক্ষেত্র এবং একটি ত্রিভুজ শনাক্ত করতে পারলে, আপনি একটি পালতোলা নৌকা বা বিড়াল চিনতে পারবেন। ইমেজ ক্লাসিফায়ার আকৃতিগুলো শনাক্ত করতে পারে, এবং ট্রান্সফার লার্নিং শেখায় কোন কনফিগারেশন একটি নৌকা বা বিড়াল তৈরি করে - অথবা একটি পাকা কলা।

এটি করার জন্য অনেক সরঞ্জাম রয়েছে, যার মধ্যে ক্লাউড-ভিত্তিক পরিষেবাগুলো রয়েছে যা আপনাকে আপনার মডেল প্রশিক্ষণ দিতে এবং ওয়েব API-এর মাধ্যমে এটি ব্যবহার করতে সাহায্য করে।

💁 এই মডেলগুলো প্রশিক্ষণ দিতে প্রচুর কম্পিউটার শক্তি লাগে, সাধারণত গ্রাফিক্স প্রসেসিং ইউনিট (GPU)-এর মাধ্যমে। Xbox-এ গেমগুলোকে চমৎকার দেখানোর জন্য ব্যবহৃত একই বিশেষায়িত হার্ডওয়্যার মেশিন লার্নিং মডেল প্রশিক্ষণ দিতেও ব্যবহার করা যায়। ক্লাউড ব্যবহার করে আপনি শক্তিশালী কম্পিউটারে সময় ভাড়া নিতে পারেন, শুধুমাত্র আপনার প্রয়োজনীয় সময়ের জন্য।

কাস্টম ভিশন

Custom Vision হলো একটি ক্লাউড-ভিত্তিক টুল যা ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিতে সাহায্য করে। এটি আপনাকে শুধুমাত্র অল্প সংখ্যক ছবি ব্যবহার করে একটি ক্লাসিফায়ার প্রশিক্ষণ দিতে দেয়। আপনি ওয়েব পোর্টাল, ওয়েব API বা SDK-এর মাধ্যমে ছবি আপলোড করতে পারেন, প্রতিটি ছবিতে একটি ট্যাগ যোগ করতে পারেন যা ছবিটির শ্রেণীবিভাগ নির্দেশ করে। এরপর আপনি মডেলটি প্রশিক্ষণ দেন এবং এটি কতটা ভালো কাজ করছে তা পরীক্ষা করেন। মডেলটি নিয়ে আপনি সন্তুষ্ট হলে, আপনি এর সংস্করণগুলো প্রকাশ করতে পারেন যা ওয়েব API বা SDK-এর মাধ্যমে অ্যাক্সেসযোগ্য।

💁 আপনি প্রতিটি শ্রেণীবিভাগের জন্য মাত্র ৫টি ছবি ব্যবহার করে একটি কাস্টম ভিশন মডেল প্রশিক্ষণ দিতে পারেন, তবে বেশি ছবি ব্যবহার করলে ভালো ফলাফল পাওয়া যায়। অন্তত ৩০টি ছবি ব্যবহার করলে ভালো ফলাফল পাওয়া যায়।

Custom Vision হলো Microsoft-এর Cognitive Services-এর একটি অংশ। এগুলো হলো AI টুল যা হয় কোনো প্রশিক্ষণ ছাড়াই, অথবা অল্প প্রশিক্ষণ দিয়ে ব্যবহার করা যায়। এগুলোর মধ্যে রয়েছে ভাষা বোঝা, স্পিচ রিকগনিশন এবং ইমেজ বিশ্লেষণ। এগুলো Azure-এ একটি ফ্রি টিয়ার সহ উপলব্ধ।

💁 ফ্রি টিয়ারটি একটি মডেল তৈরি, প্রশিক্ষণ এবং ডেভেলপমেন্ট কাজের জন্য যথেষ্ট। ফ্রি টিয়ারের সীমা সম্পর্কে আরও জানতে Microsoft ডকসের Custom Vision Limits and quotas পৃষ্ঠা দেখুন।

কাজ - একটি Cognitive Services রিসোর্স তৈরি করুন

Custom Vision ব্যবহার করতে, আপনাকে প্রথমে Azure CLI ব্যবহার করে Azure-এ দুটি Cognitive Services রিসোর্স তৈরি করতে হবে, একটি Custom Vision প্রশিক্ষণের জন্য এবং একটি Custom Vision পূর্বাভাসের জন্য।

1. এই প্রকল্পের জন্য fruit-quality-detector নামে একটি Resource Group তৈরি করুন।

2. একটি ফ্রি Custom Vision প্রশিক্ষণ রিসোর্স তৈরি করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

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

   <location>-এর জায়গায় Resource Group তৈরি করার সময় ব্যবহৃত অবস্থানটি প্রতিস্থাপন করুন।

   এটি আপনার Resource Group-এ একটি Custom Vision প্রশিক্ষণ রিসোর্স তৈরি করবে। এটি fruit-quality-detector-training নামে থাকবে এবং F0 SKU ব্যবহার করবে, যা ফ্রি টিয়ার। --yes অপশনটি Cognitive Services-এর শর্তাবলীতে আপনার সম্মতি নির্দেশ করে।

💁 যদি আপনার Cognitive Services-এর কোনো ফ্রি অ্যাকাউন্ট ইতিমধ্যে থাকে, তবে S0 SKU ব্যবহার করুন।

1. একটি ফ্রি Custom Vision পূর্বাভাস রিসোর্স তৈরি করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

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

   <location>-এর জায়গায় Resource Group তৈরি করার সময় ব্যবহৃত অবস্থানটি প্রতিস্থাপন করুন।

   এটি আপনার Resource Group-এ একটি Custom Vision পূর্বাভাস রিসোর্স তৈরি করবে। এটি fruit-quality-detector-prediction নামে থাকবে এবং F0 SKU ব্যবহার করবে, যা ফ্রি টিয়ার। --yes অপশনটি Cognitive Services-এর শর্তাবলীতে আপনার সম্মতি নির্দেশ করে।

কাজ - একটি ইমেজ ক্লাসিফায়ার প্রকল্প তৈরি করুন

1. CustomVision.ai পোর্টাল চালু করুন এবং আপনার Azure অ্যাকাউন্টের Microsoft অ্যাকাউন্ট দিয়ে সাইন ইন করুন।

2. Microsoft ডকসের Build a classifier quickstart-এর নতুন প্রকল্প তৈরি করার অংশ অনুসরণ করুন একটি নতুন Custom Vision প্রকল্প তৈরি করতে। UI পরিবর্তন হতে পারে এবং এই ডকস সর্বদা সর্বশেষ রেফারেন্স।

   আপনার প্রকল্পের নাম দিন fruit-quality-detector।

   যখন আপনি আপনার প্রকল্প তৈরি করবেন, নিশ্চিত করুন যে আপনি পূর্বে তৈরি করা fruit-quality-detector-training রিসোর্সটি ব্যবহার করছেন। একটি Classification প্রকল্প টাইপ, একটি Multiclass ক্লাসিফিকেশন টাইপ, এবং Food ডোমেইন ব্যবহার করুন।

   

✅ আপনার ইমেজ ক্লাসিফায়ারের জন্য Custom Vision UI অন্বেষণ করতে কিছু সময় নিন।

কাজ - আপনার ইমেজ ক্লাসিফায়ার প্রকল্প প্রশিক্ষণ দিন

একটি ইমেজ ক্লাসিফায়ার প্রশিক্ষণ দিতে, আপনাকে বিভিন্ন ফলের ছবি প্রয়োজন হবে, ভালো এবং খারাপ গুণমানের, যাতে আপনি সেগুলোকে ভালো এবং খারাপ হিসেবে ট্যাগ করতে পারেন, যেমন একটি পাকা এবং একটি অতিপাকা কলা। 💁 এই শ্রেণীবিন্যাসকারীগুলি যেকোনো কিছুর ছবি শ্রেণীবদ্ধ করতে পারে, তাই যদি আপনার কাছে বিভিন্ন মানের ফল না থাকে, আপনি দুটি ভিন্ন ধরনের ফল, অথবা বিড়াল এবং কুকুর ব্যবহার করতে পারেন! প্রত্যেক ছবিতে শুধুমাত্র ফলটি থাকা উচিত, হয় একটি সঙ্গতিপূর্ণ পটভূমি বা বিভিন্ন ধরনের পটভূমি। নিশ্চিত করুন যে পটভূমিতে এমন কিছু নেই যা পাকা বা কাঁচা ফলের পার্থক্য নির্দেশ করে।

💁 এটি গুরুত্বপূর্ণ যে পটভূমি বা এমন নির্দিষ্ট আইটেম না থাকে যা প্রতিটি ট্যাগের জন্য শ্রেণীবদ্ধকরণের সাথে সম্পর্কিত নয়, অন্যথায় শ্রেণীবিভাজকটি শুধুমাত্র পটভূমির উপর ভিত্তি করে শ্রেণীবিভাজন করতে পারে। একটি শ্রেণীবিভাজক ছিল ত্বকের ক্যান্সারের জন্য, যা সাধারণ এবং ক্যান্সারযুক্ত তিলের উপর প্রশিক্ষিত হয়েছিল। ক্যান্সারযুক্ত তিলের ছবিতে সবসময় একটি স্কেলার ছিল যা আকার পরিমাপ করত। দেখা গেল শ্রেণীবিভাজকটি প্রায় ১০০% সঠিকভাবে ছবিতে স্কেলার শনাক্ত করতে পারত, কিন্তু ক্যান্সারযুক্ত তিল নয়।

ইমেজ শ্রেণীবিভাজক খুব কম রেজোলিউশনে কাজ করে। উদাহরণস্বরূপ, Custom Vision প্রশিক্ষণ এবং পূর্বাভাসের জন্য 10240x10240 পর্যন্ত ছবি নিতে পারে, কিন্তু মডেলটি 227x227 রেজোলিউশনে প্রশিক্ষণ এবং চালায়। বড় ছবিগুলো এই আকারে সংকুচিত হয়, তাই নিশ্চিত করুন যে আপনি যা শ্রেণীবিভাজন করছেন তা ছবির একটি বড় অংশ দখল করে, অন্যথায় এটি শ্রেণীবিভাজকের ব্যবহৃত ছোট ছবিতে খুব ছোট হতে পারে।

1. আপনার শ্রেণীবিভাজকের জন্য ছবি সংগ্রহ করুন। প্রতিটি লেবেলের জন্য শ্রেণীবিভাজক প্রশিক্ষণের জন্য অন্তত ৫টি ছবি প্রয়োজন, তবে যত বেশি তত ভালো। শ্রেণীবিভাজক পরীক্ষা করার জন্য কিছু অতিরিক্ত ছবিও প্রয়োজন। এই ছবিগুলো একই জিনিসের বিভিন্ন ছবি হওয়া উচিত। উদাহরণস্বরূপ:

   • ২টি পাকা কলা ব্যবহার করে, প্রতিটির বিভিন্ন কোণ থেকে কিছু ছবি তুলুন, অন্তত ৭টি ছবি (৫টি প্রশিক্ষণের জন্য, ২টি পরীক্ষার জন্য), তবে আদর্শভাবে আরও বেশি।

     

   • একই প্রক্রিয়া ২টি কাঁচা কলার জন্য পুনরাবৃত্তি করুন।

   আপনার অন্তত ১০টি প্রশিক্ষণ ছবি থাকা উচিত, যেখানে অন্তত ৫টি পাকা এবং ৫টি কাঁচা, এবং ৪টি পরীক্ষার ছবি, ২টি পাকা, ২টি কাঁচা। আপনার ছবিগুলো png বা jpeg হওয়া উচিত, ৬MB এর কম। উদাহরণস্বরূপ, যদি আপনি এগুলো iPhone দিয়ে তৈরি করেন, তাহলে সেগুলো উচ্চ-রেজোলিউশন HEIC ছবি হতে পারে, যা রূপান্তর এবং সম্ভবত সংকুচিত করতে হবে। যত বেশি ছবি তত ভালো, এবং পাকা এবং কাঁচা ছবির সংখ্যা সমান হওয়া উচিত।

   যদি আপনার কাছে পাকা এবং কাঁচা ফল উভয়ই না থাকে, তাহলে আপনি বিভিন্ন ফল বা আপনার কাছে থাকা যেকোনো দুটি বস্তু ব্যবহার করতে পারেন। আপনি images ফোল্ডারে পাকা এবং কাঁচা কলার কিছু উদাহরণ ছবি খুঁজে পেতে পারেন যা আপনি ব্যবহার করতে পারেন।

2. Microsoft ডকসের build a classifier quickstart এর আপলোড এবং ট্যাগ ইমেজ সেকশন অনুসরণ করে আপনার প্রশিক্ষণ ছবিগুলো আপলোড করুন। পাকা ফলকে ripe এবং কাঁচা ফলকে unripe ট্যাগ দিন।

   

3. Microsoft ডকসের build a classifier quickstart এর শ্রেণীবিভাজক প্রশিক্ষণ সেকশন অনুসরণ করে আপনার আপলোড করা ছবিগুলোর উপর ইমেজ শ্রেণীবিভাজক প্রশিক্ষণ দিন।

   আপনাকে প্রশিক্ষণের ধরন নির্বাচন করতে বলা হবে। Quick Training নির্বাচন করুন।

শ্রেণীবিভাজকটি তখন প্রশিক্ষণ শুরু করবে। প্রশিক্ষণ সম্পন্ন হতে কয়েক মিনিট সময় লাগবে।

🍌 যদি আপনি শ্রেণীবিভাজক প্রশিক্ষণের সময় আপনার ফল খাওয়ার সিদ্ধান্ত নেন, তাহলে নিশ্চিত করুন যে পরীক্ষার জন্য পর্যাপ্ত ছবি রয়েছে!

আপনার ইমেজ শ্রেণীবিভাজক পরীক্ষা করুন

একবার আপনার শ্রেণীবিভাজক প্রশিক্ষিত হলে, আপনি এটি একটি নতুন ছবি দিয়ে পরীক্ষা করতে পারেন।

কাজ - আপনার ইমেজ শ্রেণীবিভাজক পরীক্ষা করুন

1. Microsoft ডকসের test your model ডকুমেন্টেশন অনুসরণ করে আপনার ইমেজ শ্রেণীবিভাজক পরীক্ষা করুন। পূর্বে তৈরি করা পরীক্ষার ছবিগুলো ব্যবহার করুন, প্রশিক্ষণের জন্য ব্যবহৃত কোনো ছবি নয়।

   

2. আপনার কাছে থাকা সমস্ত পরীক্ষার ছবি চেষ্টা করুন এবং সম্ভাবনাগুলো পর্যবেক্ষণ করুন।

আপনার ইমেজ শ্রেণীবিভাজক পুনরায় প্রশিক্ষণ দিন

যখন আপনি আপনার শ্রেণীবিভাজক পরীক্ষা করবেন, এটি হয়তো আপনার প্রত্যাশিত ফলাফল দেবে না। ইমেজ শ্রেণীবিভাজক মেশিন লার্নিং ব্যবহার করে পূর্বাভাস দেয় যে ছবির নির্দিষ্ট বৈশিষ্ট্যগুলো একটি নির্দিষ্ট লেবেলের সাথে মিলে যায়। এটি ছবিতে কী আছে তা বোঝে না - এটি জানে না কলা কী বা কীভাবে কলাকে নৌকার পরিবর্তে কলা হিসেবে চিহ্নিত করা যায়। আপনি ভুল ফলাফল পাওয়া ছবিগুলো দিয়ে পুনরায় প্রশিক্ষণ দিয়ে আপনার শ্রেণীবিভাজক উন্নত করতে পারেন।

প্রতিবার আপনি quick test অপশন ব্যবহার করে পূর্বাভাস দেন, ছবিটি এবং ফলাফল সংরক্ষণ করা হয়। আপনি এই ছবিগুলো ব্যবহার করে আপনার মডেল পুনরায় প্রশিক্ষণ দিতে পারেন।

কাজ - আপনার ইমেজ শ্রেণীবিভাজক পুনরায় প্রশিক্ষণ দিন

1. Microsoft ডকসের predicted image for training ডকুমেন্টেশন অনুসরণ করে আপনার মডেল পুনরায় প্রশিক্ষণ দিন, প্রতিটি ছবির জন্য সঠিক ট্যাগ ব্যবহার করে।

2. একবার আপনার মডেল পুনরায় প্রশিক্ষিত হলে, নতুন ছবিতে পরীক্ষা করুন।

---

🚀 চ্যালেঞ্জ

আপনার কী মনে হয় যদি আপনি কলার উপর প্রশিক্ষিত মডেলের সাথে একটি স্ট্রবেরির ছবি ব্যবহার করেন, অথবা একটি ফোলানো কলার ছবি, অথবা একটি কলার পোশাক পরা ব্যক্তির ছবি, অথবা এমনকি একটি হলুদ কার্টুন চরিত্র যেমন Simpsons-এর কেউ?

এটি চেষ্টা করুন এবং পূর্বাভাসগুলো দেখুন। আপনি Bing Image search ব্যবহার করে চেষ্টা করার জন্য ছবি খুঁজে পেতে পারেন।

লেকচার-পরবর্তী কুইজ

লেকচার-পরবর্তী কুইজ

পর্যালোচনা এবং স্ব-অধ্যয়ন

• যখন আপনি আপনার শ্রেণীবিভাজক প্রশিক্ষণ দিয়েছেন, আপনি Precision, Recall, এবং AP এর মান দেখেছেন যা তৈরি হওয়া মডেলকে রেট করে। Microsoft ডকসের build a classifier quickstart এর evaluate the classifier সেকশন ব্যবহার করে এই মানগুলো কী তা সম্পর্কে পড়ুন।
• Microsoft ডকসের how to improve your Custom Vision model থেকে আপনার শ্রেণীবিভাজক উন্নত করার উপায় সম্পর্কে পড়ুন।

অ্যাসাইনমেন্ট

বিভিন্ন ফল এবং সবজির জন্য আপনার শ্রেণীবিভাজক প্রশিক্ষণ দিন

---

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতা নিশ্চিত করার চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।