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

फल गुणवत्ता डिटेक्टर को प्रशिक्षित करें

स्केच नोट नित्या नरसिम्हन द्वारा। बड़ी छवि देखने के लिए क्लिक करें।

यह वीडियो Azure Custom Vision सेवा का अवलोकन देता है, जो इस पाठ में शामिल की जाएगी।

🎥 वीडियो देखने के लिए ऊपर दी गई छवि पर क्लिक करें

प्री-लेक्चर क्विज़

प्री-लेक्चर क्विज़

परिचय

हाल के वर्षों में कृत्रिम बुद्धिमत्ता (AI) और मशीन लर्निंग (ML) में वृद्धि ने आज के डेवलपर्स को कई नई क्षमताएं प्रदान की हैं। ML मॉडल को प्रशिक्षित किया जा सकता है ताकि वे छवियों में विभिन्न चीजों को पहचान सकें, जैसे कि अधपके फल। इसे IoT उपकरणों में उपयोग करके फसल की कटाई या फैक्ट्रियों और गोदामों में प्रसंस्करण के दौरान उत्पादों को छांटने में मदद की जा सकती है।

इस पाठ में आप छवि वर्गीकरण के बारे में जानेंगे - ML मॉडल का उपयोग करके विभिन्न चीजों की छवियों के बीच अंतर करना। आप सीखेंगे कि कैसे एक छवि वर्गीकरणकर्ता को प्रशिक्षित किया जाए ताकि वह अच्छे और खराब फलों के बीच अंतर कर सके, जैसे कि अधपके, अधिक पके, चोटिल, या सड़े हुए फल।

इस पाठ में हम निम्नलिखित विषयों को कवर करेंगे:

• AI और ML का उपयोग करके भोजन को छांटना
• मशीन लर्निंग के माध्यम से छवि वर्गीकरण
• एक छवि वर्गीकरणकर्ता को प्रशिक्षित करें
• अपने छवि वर्गीकरणकर्ता का परीक्षण करें
• अपने छवि वर्गीकरणकर्ता को पुनः प्रशिक्षित करें

AI और ML का उपयोग करके भोजन को छांटना

वैश्विक जनसंख्या को खिलाना कठिन है, खासकर ऐसी कीमत पर जो सभी के लिए भोजन को सुलभ बनाती है। सबसे बड़े खर्चों में से एक श्रम है, इसलिए किसान अपने श्रम लागत को कम करने के लिए स्वचालन और IoT जैसे उपकरणों की ओर रुख कर रहे हैं। हाथ से कटाई करना श्रमसाध्य (और अक्सर पीठ तोड़ने वाला काम) होता है, और इसे मशीनरी द्वारा प्रतिस्थापित किया जा रहा है, खासकर समृद्ध देशों में। हालांकि मशीनरी का उपयोग करके कटाई करने की लागत कम हो जाती है, लेकिन इसका एक नकारात्मक पहलू है - कटाई के दौरान भोजन को छांटने की क्षमता।

सभी फसलें समान रूप से नहीं पकती हैं। उदाहरण के लिए, टमाटर की बेल पर कुछ हरे फल हो सकते हैं जब अधिकांश फसल कटाई के लिए तैयार होती है। हालांकि इन अधपके फलों को काटना बेकार है, लेकिन किसान के लिए मशीनरी का उपयोग करके सब कुछ काटना और बाद में अधपके उत्पाद को फेंकना सस्ता और आसान होता है।

✅ विभिन्न फलों या सब्जियों को देखें, चाहे वे आपके पास के खेतों में उग रहे हों, आपके बगीचे में हों, या दुकानों में हों। क्या वे सभी समान रूप से पके हैं, या आप उनमें भिन्नता देखते हैं?

स्वचालित कटाई के उदय ने उत्पादों की छंटाई को कटाई से फैक्ट्री तक स्थानांतरित कर दिया। भोजन लंबी कन्वेयर बेल्ट पर यात्रा करता था, जहां लोगों की टीमें उत्पादों को छांटती थीं और जो गुणवत्ता मानकों पर खरा नहीं उतरता था उसे हटा देती थीं। मशीनरी के कारण कटाई सस्ती हो गई, लेकिन भोजन को मैन्युअल रूप से छांटने की लागत अभी भी बनी रही।

अगला विकास मशीनों का उपयोग करके छंटाई करना था, या तो हार्वेस्टर में निर्मित, या प्रसंस्करण संयंत्रों में। इन मशीनों की पहली पीढ़ी ने रंगों का पता लगाने के लिए ऑप्टिकल सेंसर का उपयोग किया, जो लीवर या हवा के झोंकों का उपयोग करके हरे टमाटरों को कचरे के डिब्बे में धकेलते थे, और लाल टमाटरों को कन्वेयर बेल्ट के नेटवर्क पर जारी रखते थे।

इस वीडियो में, जब टमाटर एक कन्वेयर बेल्ट से दूसरे पर गिरते हैं, तो हरे टमाटरों का पता लगाया जाता है और लीवर का उपयोग करके उन्हें एक डिब्बे में फेंक दिया जाता है।

✅ फैक्ट्री या खेत में इन ऑप्टिकल सेंसरों को सही ढंग से काम करने के लिए किन परिस्थितियों की आवश्यकता होगी?

इन छंटाई मशीनों का नवीनतम विकास AI और ML का लाभ उठाता है, जो अच्छे और खराब उत्पादों के बीच अंतर करने के लिए प्रशिक्षित मॉडल का उपयोग करता है। यह केवल स्पष्ट रंग अंतर जैसे हरे टमाटर बनाम लाल टमाटर के आधार पर नहीं, बल्कि उपस्थिति में सूक्ष्म अंतर के आधार पर भी काम करता है जो बीमारी या चोट का संकेत दे सकते हैं।

मशीन लर्निंग के माध्यम से छवि वर्गीकरण

पारंपरिक प्रोग्रामिंग में आप डेटा लेते हैं, उस पर एक एल्गोरिदम लागू करते हैं, और आउटपुट प्राप्त करते हैं। उदाहरण के लिए, पिछले प्रोजेक्ट में आपने GPS निर्देशांक और एक जियोफेंस लिया, Azure Maps द्वारा प्रदान किए गए एल्गोरिदम को लागू किया, और यह परिणाम प्राप्त किया कि बिंदु जियोफेंस के अंदर है या बाहर। आप अधिक डेटा इनपुट करते हैं, आपको अधिक आउटपुट मिलता है।

मशीन लर्निंग इसे उलट देता है - आप डेटा और ज्ञात आउटपुट से शुरू करते हैं, और मशीन लर्निंग एल्गोरिदम डेटा से सीखता है। फिर आप उस प्रशिक्षित एल्गोरिदम, जिसे मशीन लर्निंग मॉडल या मॉडल कहा जाता है, को ले सकते हैं और नए डेटा को इनपुट कर सकते हैं और नया आउटपुट प्राप्त कर सकते हैं।

🎓 मशीन लर्निंग एल्गोरिदम के डेटा से सीखने की प्रक्रिया को प्रशिक्षण कहा जाता है। इनपुट और ज्ञात आउटपुट को प्रशिक्षण डेटा कहा जाता है।

उदाहरण के लिए, आप एक मॉडल को लाखों अधपके केले की तस्वीरें इनपुट प्रशिक्षण डेटा के रूप में दे सकते हैं, और प्रशिक्षण आउटपुट को अधपका सेट कर सकते हैं, और लाखों पके केले की तस्वीरें प्रशिक्षण डेटा के रूप में दे सकते हैं और आउटपुट को पका सेट कर सकते हैं। ML एल्गोरिदम इस डेटा के आधार पर एक मॉडल बनाएगा। फिर आप इस मॉडल को एक नए केले की तस्वीर देंगे और यह भविष्यवाणी करेगा कि नई तस्वीर में केला पका है या अधपका।

🎓 ML मॉडल के परिणामों को भविष्यवाणियां कहा जाता है।

ML मॉडल एक बाइनरी उत्तर नहीं देते, बल्कि संभावनाएं देते हैं। उदाहरण के लिए, एक मॉडल को एक केले की तस्वीर दी जा सकती है और यह पका को 99.7% और अधपका को 0.3% भविष्यवाणी कर सकता है। आपका कोड सबसे अच्छी भविष्यवाणी को चुनता है और तय करता है कि केला पका है।

छवियों का पता लगाने के लिए उपयोग किए जाने वाले ML मॉडल को छवि वर्गीकरणकर्ता कहा जाता है - इसे लेबल वाली छवियां दी जाती हैं, और फिर यह इन लेबलों के आधार पर नई छवियों को वर्गीकृत करता है।

💁 यह एक सरलीकरण है, और ऐसे कई अन्य तरीके हैं जिनसे मॉडल को प्रशिक्षित किया जा सकता है जो हमेशा लेबल वाले आउटपुट की आवश्यकता नहीं होती, जैसे कि असुपरवाइज्ड लर्निंग। यदि आप ML के बारे में अधिक जानना चाहते हैं, तो ML for beginners, मशीन लर्निंग पर 24 पाठों का पाठ्यक्रम देखें।

एक छवि वर्गीकरणकर्ता को प्रशिक्षित करें

एक छवि वर्गीकरणकर्ता को सफलतापूर्वक प्रशिक्षित करने के लिए आपको लाखों छवियों की आवश्यकता होती है। हालांकि, एक बार जब आपके पास लाखों या अरबों विभिन्न छवियों पर प्रशिक्षित एक छवि वर्गीकरणकर्ता होता है, तो आप इसे पुनः उपयोग कर सकते हैं और इसे एक छोटे सेट की छवियों का उपयोग करके पुनः प्रशिक्षित कर सकते हैं और शानदार परिणाम प्राप्त कर सकते हैं, इस प्रक्रिया को ट्रांसफर लर्निंग कहा जाता है।

🎓 ट्रांसफर लर्निंग वह प्रक्रिया है जिसमें आप एक मौजूदा ML मॉडल से सीखने को नए डेटा के आधार पर एक नए मॉडल में स्थानांतरित करते हैं।

एक बार जब एक छवि वर्गीकरणकर्ता को विभिन्न प्रकार की छवियों के लिए प्रशिक्षित किया जाता है, तो इसके आंतरिक भाग आकृतियों, रंगों और पैटर्न को पहचानने में उत्कृष्ट होते हैं। ट्रांसफर लर्निंग मॉडल को यह सिखाने की अनुमति देता है कि वह पहले से पहचानी गई छवि भागों का उपयोग करके नई छवियों को कैसे पहचाने।

आप इसे बच्चों की आकृति पुस्तकों की तरह सोच सकते हैं, जहां एक बार जब आप एक अर्धवृत्त, एक आयत और एक त्रिभुज को पहचान सकते हैं, तो आप एक नौका या बिल्ली को पहचान सकते हैं, यह इस बात पर निर्भर करता है कि ये आकृतियां कैसे व्यवस्थित हैं। छवि वर्गीकरणकर्ता आकृतियों को पहचान सकता है, और ट्रांसफर लर्निंग इसे सिखाता है कि कौन सा संयोजन एक नाव या बिल्ली बनाता है - या एक पका हुआ केला।

ऐसा करने में मदद करने के लिए कई उपकरण उपलब्ध हैं, जिनमें क्लाउड-आधारित सेवाएं शामिल हैं जो आपको अपना मॉडल प्रशिक्षित करने में मदद कर सकती हैं, और फिर इसे वेब API के माध्यम से उपयोग कर सकती हैं।

💁 इन मॉडलों को प्रशिक्षित करने में बहुत अधिक कंप्यूटर शक्ति लगती है, आमतौर पर ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) के माध्यम से। वही विशेष हार्डवेयर जो आपके Xbox पर गेम को शानदार बनाता है, मशीन लर्निंग मॉडल को प्रशिक्षित करने में भी उपयोग किया जा सकता है। क्लाउड का उपयोग करके आप शक्तिशाली कंप्यूटरों पर GPUs के साथ समय किराए पर ले सकते हैं ताकि इन मॉडलों को प्रशिक्षित किया जा सके, और आपको केवल उस समय के लिए कंप्यूटिंग शक्ति तक पहुंच प्राप्त हो सके जब आपको इसकी आवश्यकता हो।

कस्टम विजन

Custom Vision एक क्लाउड-आधारित उपकरण है जो छवि वर्गीकरणकर्ताओं को प्रशिक्षित करता है। यह आपको केवल कुछ छवियों का उपयोग करके एक वर्गीकरणकर्ता को प्रशिक्षित करने की अनुमति देता है। आप छवियों को वेब पोर्टल, वेब API या SDK के माध्यम से अपलोड कर सकते हैं, प्रत्येक छवि को एक टैग दे सकते हैं जो उस छवि का वर्गीकरण है। फिर आप मॉडल को प्रशिक्षित करते हैं और यह देखने के लिए परीक्षण करते हैं कि यह कितना अच्छा प्रदर्शन करता है। एक बार जब आप मॉडल से संतुष्ट हो जाते हैं, तो आप इसके संस्करण प्रकाशित कर सकते हैं जिन्हें वेब API या SDK के माध्यम से एक्सेस किया जा सकता है।

💁 आप केवल 5 छवियों प्रति वर्गीकरण के साथ एक कस्टम विजन मॉडल को प्रशिक्षित कर सकते हैं, लेकिन अधिक बेहतर है। कम से कम 30 छवियों के साथ आपको बेहतर परिणाम मिल सकते हैं।

Custom Vision Microsoft के AI उपकरणों की एक श्रृंखला का हिस्सा है जिसे Cognitive Services कहा जाता है। ये AI उपकरण हैं जिन्हें या तो बिना किसी प्रशिक्षण के, या थोड़े प्रशिक्षण के साथ उपयोग किया जा सकता है। इनमें भाषण पहचान और अनुवाद, भाषा समझ और छवि विश्लेषण शामिल हैं। ये Azure में एक मुफ्त स्तर के साथ उपलब्ध हैं।

💁 मुफ्त स्तर एक मॉडल बनाने, इसे प्रशिक्षित करने, और फिर इसे विकास कार्य के लिए उपयोग करने के लिए पर्याप्त है। आप Microsoft Docs पर Custom Vision Limits and quotas पृष्ठ पर मुफ्त स्तर की सीमाओं के बारे में पढ़ सकते हैं।

कार्य - एक Cognitive Services संसाधन बनाएं

Custom Vision का उपयोग करने के लिए, आपको पहले Azure CLI का उपयोग करके Azure में दो Cognitive Services संसाधन बनाने होंगे, एक Custom Vision प्रशिक्षण के लिए और एक Custom Vision भविष्यवाणी के लिए।

1. इस प्रोजेक्ट के लिए fruit-quality-detector नामक एक Resource Group बनाएं।

2. निम्नलिखित कमांड का उपयोग करके एक मुफ्त Custom Vision प्रशिक्षण संसाधन बनाएं:

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

   <location> को उस स्थान से बदलें जिसे आपने Resource Group बनाते समय उपयोग किया था।

   यह आपके Resource Group में एक Custom Vision प्रशिक्षण संसाधन बनाएगा। इसे fruit-quality-detector-training कहा जाएगा और यह F0 sku का उपयोग करेगा, जो मुफ्त स्तर है। --yes विकल्प का मतलब है कि आप Cognitive Services की शर्तों और नियमों से सहमत हैं।

💁 यदि आप पहले से ही Cognitive Services का उपयोग करके एक मुफ्त खाता रखते हैं, तो S0 sku का उपयोग करें।

1. निम्नलिखित कमांड का उपयोग करके एक मुफ्त Custom Vision भविष्यवाणी संसाधन बनाएं:

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

   <location> को उस स्थान से बदलें जिसे आपने Resource Group बनाते समय उपयोग किया था।

   यह आपके Resource Group में एक Custom Vision भविष्यवाणी संसाधन बनाएगा। इसे fruit-quality-detector-prediction कहा जाएगा और यह F0 sku का उपयोग करेगा, जो मुफ्त स्तर है। --yes विकल्प का मतलब है कि आप Cognitive Services की शर्तों और नियमों से सहमत हैं।

कार्य - एक छवि वर्गीकरणकर्ता प्रोजेक्ट बनाएं

1. CustomVision.ai पर Custom Vision पोर्टल लॉन्च करें, और अपने Azure खाते के लिए उपयोग किए गए Microsoft खाते से साइन इन करें।

2. Microsoft Docs पर बिल्ड ए क्लासिफायर क्विकस्टार्ट के नए प्रोजेक्ट अनुभाग का पालन करें ताकि एक नया Custom Vision प्रोजेक्ट बनाया जा सके। UI बदल सकता है और ये डॉक हमेशा सबसे अद्यतन संदर्भ हैं।

   अपने प्रोजेक्ट का नाम fruit-quality-detector रखें।

   जब आप अपना प्रोजेक्ट बनाते हैं, तो सुनिश्चित करें कि आप पहले बनाए गए fruit-quality-detector-training संसाधन का उपयोग कर रहे हैं। Classification प्रोजेक्ट प्रकार, Multiclass वर्गीकरण प्रकार, और Food डोमेन का उपयोग करें।

   

✅ अपने छवि वर्गीकरणकर्ता के लिए Custom Vision UI का अन्वेषण करने के लिए कुछ समय लें।

कार्य - अपने छवि वर्गीकरणकर्ता प्रोजेक्ट को प्रशिक्षित करें

एक छवि वर्गीकरणकर्ता को प्रशिक्षित करने के लिए, आपको फलों की कई तस्वीरों की आवश्यकता होगी, अच्छे और खराब गुणवत्ता वाले, जिन्हें अच्छे और खराब के रूप में टैग किया जा सके, जैसे कि एक पका हुआ और एक अधिक पका हुआ केला। 💁 ये वर्गीकरणकर्ता किसी भी चीज़ की छवियों को वर्गीकृत कर सकते हैं, इसलिए यदि आपके पास अलग-अलग गुणवत्ता वाले फल उपलब्ध नहीं हैं, तो आप दो अलग-अलग प्रकार के फल, या बिल्ली और कुत्ते का उपयोग कर सकते हैं! आदर्श रूप से प्रत्येक तस्वीर में केवल फल होना चाहिए, या तो एक समान पृष्ठभूमि के साथ या विभिन्न प्रकार की पृष्ठभूमियों के साथ। सुनिश्चित करें कि पृष्ठभूमि में ऐसा कुछ भी न हो जो पके और कच्चे फल के बीच अंतर को दर्शाता हो।

💁 यह महत्वपूर्ण है कि पृष्ठभूमि या ऐसी वस्तुएं जो टैग के लिए वर्गीकृत की जा रही चीज़ से संबंधित नहीं हैं, तस्वीरों में न हों। अन्यथा, वर्गीकरण केवल पृष्ठभूमि के आधार पर हो सकता है। एक बार त्वचा कैंसर के लिए एक वर्गीकरण मॉडल बनाया गया था, जिसे सामान्य और कैंसरयुक्त तिलों पर प्रशिक्षित किया गया था। कैंसरयुक्त तिलों के साथ हमेशा उनके आकार को मापने के लिए रूलर होते थे। अंततः, मॉडल लगभग 100% सटीकता के साथ तस्वीरों में रूलर की पहचान कर रहा था, न कि कैंसरयुक्त तिलों की।

इमेज क्लासिफायर बहुत कम रिज़ॉल्यूशन पर काम करते हैं। उदाहरण के लिए, Custom Vision प्रशिक्षण और भविष्यवाणी के लिए 10240x10240 तक की तस्वीरें ले सकता है, लेकिन मॉडल को 227x227 आकार की तस्वीरों पर प्रशिक्षित और चलाता है। बड़ी तस्वीरें इस आकार में सिकुड़ जाती हैं, इसलिए सुनिश्चित करें कि जिस चीज़ को आप वर्गीकृत कर रहे हैं वह तस्वीर में एक बड़ा हिस्सा ले रही हो, अन्यथा यह छोटे आकार की तस्वीर में बहुत छोटी हो सकती है जिसे क्लासिफायर उपयोग करता है।

1. अपने क्लासिफायर के लिए तस्वीरें इकट्ठा करें। आपको प्रत्येक लेबल के लिए क्लासिफायर को प्रशिक्षित करने के लिए कम से कम 5 तस्वीरों की आवश्यकता होगी, लेकिन जितनी अधिक होंगी उतना बेहतर। आपको क्लासिफायर का परीक्षण करने के लिए कुछ अतिरिक्त तस्वीरों की भी आवश्यकता होगी। ये तस्वीरें एक ही चीज़ की अलग-अलग तस्वीरें होनी चाहिए। उदाहरण के लिए:

   • 2 पके केले का उपयोग करते हुए, प्रत्येक का कुछ अलग-अलग कोणों से तस्वीरें लें, कम से कम 7 तस्वीरें (5 प्रशिक्षण के लिए, 2 परीक्षण के लिए), लेकिन आदर्श रूप से अधिक।

     

   • यही प्रक्रिया 2 कच्चे केले के साथ दोहराएं।

   आपके पास कम से कम 10 प्रशिक्षण तस्वीरें होनी चाहिए, जिनमें कम से कम 5 पके और 5 कच्चे, और 4 परीक्षण तस्वीरें, 2 पके, 2 कच्चे। आपकी तस्वीरें png या jpeg होनी चाहिए, 6MB से छोटी। यदि आप उन्हें iPhone से बनाते हैं, तो वे उच्च-रिज़ॉल्यूशन HEIC तस्वीरें हो सकती हैं, जिन्हें परिवर्तित और संभवतः छोटा करना होगा। जितनी अधिक तस्वीरें होंगी उतना बेहतर, और आपके पास पके और कच्चे की समान संख्या होनी चाहिए।

   यदि आपके पास पके और कच्चे फल दोनों नहीं हैं, तो आप अलग-अलग फल, या आपके पास उपलब्ध कोई भी दो वस्तुएं उपयोग कर सकते हैं। आप images फ़ोल्डर में पके और कच्चे केले की कुछ उदाहरण तस्वीरें भी पा सकते हैं जिन्हें आप उपयोग कर सकते हैं।

2. Microsoft Docs पर क्लासिफायर क्विकस्टार्ट के "तस्वीरें अपलोड और टैग करें" अनुभाग का अनुसरण करें और अपनी प्रशिक्षण तस्वीरें अपलोड करें। पके फल को ripe और कच्चे फल को unripe के रूप में टैग करें।

   

3. Microsoft Docs पर क्लासिफायर क्विकस्टार्ट के "क्लासिफायर को प्रशिक्षित करें" अनुभाग का अनुसरण करें और अपनी अपलोड की गई तस्वीरों पर इमेज क्लासिफायर को प्रशिक्षित करें।

   आपको प्रशिक्षण प्रकार का चयन करने का विकल्प दिया जाएगा। Quick Training चुनें।

क्लासिफायर तब प्रशिक्षित होगा। प्रशिक्षण पूरा होने में कुछ मिनट लगेंगे।

🍌 यदि आप प्रशिक्षण के दौरान अपने फल को खाने का निर्णय लेते हैं, तो सुनिश्चित करें कि आपके पास परीक्षण के लिए पर्याप्त तस्वीरें हों!

अपने इमेज क्लासिफायर का परीक्षण करें

एक बार आपका क्लासिफायर प्रशिक्षित हो जाए, तो आप इसे नई तस्वीर देकर परीक्षण कर सकते हैं।

कार्य - अपने इमेज क्लासिफायर का परीक्षण करें

1. Microsoft Docs पर "अपने मॉडल का परीक्षण करें" दस्तावेज़ का अनुसरण करें और अपने इमेज क्लासिफायर का परीक्षण करें। उन परीक्षण तस्वीरों का उपयोग करें जो आपने पहले बनाई थीं, न कि वे तस्वीरें जो आपने प्रशिक्षण के लिए उपयोग की थीं।

   

2. आपके पास उपलब्ध सभी परीक्षण तस्वीरों को आज़माएं और संभावनाओं का निरीक्षण करें।

अपने इमेज क्लासिफायर को पुनः प्रशिक्षित करें

जब आप अपने क्लासिफायर का परीक्षण करते हैं, तो यह संभव है कि यह अपेक्षित परिणाम न दे। इमेज क्लासिफायर मशीन लर्निंग का उपयोग करता है ताकि यह अनुमान लगाया जा सके कि तस्वीर में क्या है, और यह संभावनाओं के आधार पर निर्णय लेता है कि तस्वीर की विशेषताएँ किसी विशेष लेबल से मेल खाती हैं। यह तस्वीर में क्या है इसे समझता नहीं है - इसे यह नहीं पता कि केला क्या है या केला और नाव के बीच का अंतर क्या है। आप इसे उन तस्वीरों के साथ पुनः प्रशिक्षित करके सुधार सकते हैं जिनमें यह गलत परिणाम देता है।

हर बार जब आप क्विक टेस्ट विकल्प का उपयोग करके भविष्यवाणी करते हैं, तो तस्वीर और परिणाम संग्रहीत किए जाते हैं। आप इन तस्वीरों का उपयोग अपने मॉडल को पुनः प्रशिक्षित करने के लिए कर सकते हैं।

कार्य - अपने इमेज क्लासिफायर को पुनः प्रशिक्षित करें

1. Microsoft Docs पर "प्रशिक्षण के लिए भविष्यवाणी की गई तस्वीर का उपयोग करें" दस्तावेज़ का अनुसरण करें और अपने मॉडल को पुनः प्रशिक्षित करें, प्रत्येक तस्वीर के लिए सही टैग का उपयोग करते हुए।

2. एक बार आपका मॉडल पुनः प्रशिक्षित हो जाए, तो नई तस्वीरों पर परीक्षण करें।

---

🚀 चुनौती

आपके अनुसार क्या होगा यदि आप केले पर प्रशिक्षित मॉडल के साथ स्ट्रॉबेरी की तस्वीर का उपयोग करें, या एक inflatable केले की तस्वीर, या केले के सूट में एक व्यक्ति, या यहां तक कि एक पीले कार्टून चरित्र जैसे सिम्पसन्स का कोई पात्र?

इसे आज़माएं और देखें कि भविष्यवाणियां क्या हैं। आप Bing Image Search का उपयोग करके आज़माने के लिए तस्वीरें पा सकते हैं।

पोस्ट-लेक्चर क्विज़

पोस्ट-लेक्चर क्विज़

समीक्षा और स्व-अध्ययन

• जब आपने अपने क्लासिफायर को प्रशिक्षित किया, तो आपने Precision, Recall, और AP के मान देखे होंगे जो बनाए गए मॉडल को रेट करते हैं। Microsoft Docs पर क्लासिफायर क्विकस्टार्ट के "क्लासिफायर का मूल्यांकन करें" अनुभाग का उपयोग करके इन मानों के बारे में पढ़ें।
• Microsoft Docs पर "अपने Custom Vision मॉडल को कैसे सुधारें" अनुभाग से अपने क्लासिफायर को सुधारने के तरीके के बारे में पढ़ें।

असाइनमेंट

अपने क्लासिफायर को कई फलों और सब्जियों के लिए प्रशिक्षित करें

अस्वीकरण:
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।