29 KiB

Raw Permalink Blame History

IoT डिवाइस से स्टॉक चेक करें

स्केच नोट नित्या नरसिम्हन द्वारा। बड़े संस्करण के लिए छवि पर क्लिक करें।

प्री-लेक्चर क्विज़

परिचय

पिछले पाठ में आपने रिटेल में ऑब्जेक्ट डिटेक्शन के विभिन्न उपयोगों के बारे में सीखा। आपने यह भी सीखा कि स्टॉक की पहचान करने के लिए ऑब्जेक्ट डिटेक्टर को कैसे प्रशिक्षित करें। इस पाठ में, आप सीखेंगे कि अपने IoT डिवाइस से ऑब्जेक्ट डिटेक्टर का उपयोग करके स्टॉक की गणना कैसे करें।

इस पाठ में हम कवर करेंगे:

🗑 यह इस प्रोजेक्ट का अंतिम पाठ है, इसलिए इस पाठ और असाइनमेंट को पूरा करने के बाद, अपने क्लाउड सेवाओं को साफ करना न भूलें। असाइनमेंट पूरा करने के लिए आपको सेवाओं की आवश्यकता होगी, इसलिए पहले इसे पूरा करना सुनिश्चित करें।

यदि आवश्यक हो तो अपने प्रोजेक्ट को साफ करने के गाइड का संदर्भ लें।

स्टॉक की गणना

ऑब्जेक्ट डिटेक्टर का उपयोग स्टॉक की जांच के लिए किया जा सकता है, चाहे वह स्टॉक की गणना हो या यह सुनिश्चित करना कि स्टॉक सही जगह पर है। कैमरों वाले IoT डिवाइस को पूरे स्टोर में तैनात किया जा सकता है ताकि स्टॉक की निगरानी की जा सके, खासकर उन जगहों पर जहां वस्तुओं को फिर से भरना महत्वपूर्ण है, जैसे कि उच्च मूल्य वाली वस्तुओं के छोटे समूहों वाले क्षेत्र।

उदाहरण के लिए, यदि एक कैमरा उन शेल्फों की ओर इशारा कर रहा है जो 8 टमाटर पेस्ट के डिब्बे रख सकते हैं, और ऑब्जेक्ट डिटेक्टर केवल 7 डिब्बे का पता लगाता है, तो एक डिब्बा गायब है और उसे फिर से भरने की आवश्यकता है।

ऊपर दी गई छवि में, ऑब्जेक्ट डिटेक्टर ने शेल्फ पर 7 टमाटर पेस्ट के डिब्बे का पता लगाया है जो 8 डिब्बे रख सकता है। IoT डिवाइस न केवल स्टॉक को फिर से भरने की आवश्यकता की सूचना भेज सकता है, बल्कि यह गायब वस्तु के स्थान का संकेत भी दे सकता है, जो महत्वपूर्ण डेटा है यदि आप रोबोट का उपयोग शेल्फ को फिर से भरने के लिए कर रहे हैं।

💁 स्टोर और वस्तु की लोकप्रियता के आधार पर, यदि केवल 1 डिब्बा गायब है तो शायद स्टॉक को फिर से नहीं भरा जाएगा। आपको एक एल्गोरिदम बनाना होगा जो आपके उत्पाद, ग्राहकों और अन्य मानदंडों के आधार पर यह निर्धारित करता है कि कब स्टॉक को फिर से भरना है।

✅ किन अन्य परिस्थितियों में आप ऑब्जेक्ट डिटेक्शन और रोबोट को जोड़ सकते हैं?

कभी-कभी शेल्फ पर गलत स्टॉक हो सकता है। यह स्टॉक को फिर से भरते समय मानवीय त्रुटि हो सकती है, या ग्राहक द्वारा खरीदारी का मन बदलने और वस्तु को पहली उपलब्ध जगह पर रखने का परिणाम हो सकता है। जब यह डिब्बाबंद वस्तुओं जैसे गैर-नाशवान वस्तु हो, तो यह एक असुविधा है। यदि यह जमे हुए या ठंडे सामान जैसे नाशवान वस्तु हो, तो इसका मतलब यह हो सकता है कि उत्पाद अब बेचा नहीं जा सकता क्योंकि यह बताना असंभव हो सकता है कि वस्तु कितने समय तक फ्रीजर से बाहर रही।

ऑब्जेक्ट डिटेक्शन का उपयोग अप्रत्याशित वस्तुओं का पता लगाने के लिए किया जा सकता है, जिससे मानव या रोबोट को वस्तु को वापस उसकी सही जगह पर रखने के लिए तुरंत सूचित किया जा सके।

ऊपर दी गई छवि में, टमाटर पेस्ट के बगल में एक बेबी कॉर्न का डिब्बा रखा गया है। ऑब्जेक्ट डिटेक्टर ने इसका पता लगाया है, जिससे IoT डिवाइस मानव या रोबोट को डिब्बा को उसकी सही जगह पर वापस रखने के लिए सूचित कर सकता है।

अपने IoT डिवाइस से ऑब्जेक्ट डिटेक्टर को कॉल करें

पिछले पाठ में आपने जो ऑब्जेक्ट डिटेक्टर प्रशिक्षित किया था, उसे आपके IoT डिवाइस से कॉल किया जा सकता है।

कार्य - अपने ऑब्जेक्ट डिटेक्टर का एक संस्करण प्रकाशित करें

कस्टम विजन पोर्टल से संस्करण प्रकाशित किए जाते हैं।

CustomVision.ai पर कस्टम विजन पोर्टल लॉन्च करें और साइन इन करें यदि आपने इसे पहले से नहीं खोला है। फिर अपने stock-detector प्रोजेक्ट को खोलें।
शीर्ष पर विकल्पों में से Performance टैब चुनें।
साइड पर Iterations सूची से नवीनतम संस्करण चुनें।
संस्करण के लिए Publish बटन चुनें।
Publish Model डायलॉग में, Prediction resource को उस stock-detector-prediction संसाधन पर सेट करें जिसे आपने पिछले पाठ में बनाया था। नाम को Iteration2 के रूप में छोड़ दें, और Publish बटन चुनें।
प्रकाशित होने के बाद, Prediction URL बटन चुनें। यह भविष्यवाणी API का विवरण दिखाएगा, और आपको इन्हें अपने IoT डिवाइस से मॉडल को कॉल करने के लिए चाहिए। निचला भाग If you have an image file लेबल वाला है, और यही विवरण आपको चाहिए। दिखाए गए URL की एक प्रति लें जो कुछ इस तरह होगी:
```
https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/detect/iterations/Iteration2/image
```
जहां <location> वह स्थान होगा जिसे आपने अपना कस्टम विजन संसाधन बनाते समय उपयोग किया था, और <id> अक्षरों और संख्याओं से बना एक लंबा आईडी होगा।

Prediction-Key मान की भी एक प्रति लें। यह एक सुरक्षित कुंजी है जिसे आपको मॉडल को कॉल करते समय पास करना होगा। केवल वे एप्लिकेशन जो इस कुंजी को पास करते हैं, मॉडल का उपयोग करने की अनुमति प्राप्त करते हैं, अन्य सभी एप्लिकेशन अस्वीकार कर दिए जाते हैं।

✅ जब एक नया संस्करण प्रकाशित होता है, तो उसका नाम अलग होता है। आप कैसे सोचते हैं कि आप IoT डिवाइस द्वारा उपयोग किए जा रहे संस्करण को बदलेंगे?

कार्य - अपने IoT डिवाइस से ऑब्जेक्ट डिटेक्टर को कॉल करें

नीचे दिए गए संबंधित गाइड का पालन करें ताकि अपने IoT डिवाइस से ऑब्जेक्ट डिटेक्टर का उपयोग किया जा सके:

बाउंडिंग बॉक्स

जब आप ऑब्जेक्ट डिटेक्टर का उपयोग करते हैं, तो आपको न केवल टैग और संभावनाओं के साथ पता लगाए गए ऑब्जेक्ट्स वापस मिलते हैं, बल्कि आपको ऑब्जेक्ट्स के बाउंडिंग बॉक्स भी मिलते हैं। ये बॉक्स उस क्षेत्र को परिभाषित करते हैं जहां ऑब्जेक्ट डिटेक्टर ने दी गई संभावना के साथ ऑब्जेक्ट का पता लगाया।

💁 बाउंडिंग बॉक्स वह बॉक्स है जो उस क्षेत्र को परिभाषित करता है जिसमें पता लगाया गया ऑब्जेक्ट होता है, एक बॉक्स जो ऑब्जेक्ट की सीमा को परिभाषित करता है।

कस्टम विजन में Predictions टैब में भविष्यवाणी के परिणामों में उस छवि पर बाउंडिंग बॉक्स खींचे जाते हैं जिसे भविष्यवाणी के लिए भेजा गया था।

ऊपर दी गई छवि में, 4 टमाटर पेस्ट के डिब्बे का पता लगाया गया। परिणामों में प्रत्येक ऑब्जेक्ट के लिए एक लाल वर्ग छवि पर ओवरले किया गया है, जो छवि के लिए बाउंडिंग बॉक्स को इंगित करता है।

✅ कस्टम विजन में भविष्यवाणियों को खोलें और बाउंडिंग बॉक्स देखें।

बाउंडिंग बॉक्स को 4 मानों के साथ परिभाषित किया जाता है - शीर्ष, बायां, ऊंचाई और चौड़ाई। ये मान 0-1 के पैमाने पर होते हैं, जो छवि के आकार के प्रतिशत के रूप में स्थिति को दर्शाते हैं। मूल (0,0 स्थिति) छवि का शीर्ष बायां है, इसलिए शीर्ष मान शीर्ष से दूरी है, और बाउंडिंग बॉक्स का निचला भाग शीर्ष प्लस ऊंचाई है।

ऊपर दी गई छवि 600 पिक्सल चौड़ी और 800 पिक्सल लंबी है। बाउंडिंग बॉक्स 320 पिक्सल नीचे शुरू होता है, जिससे शीर्ष निर्देशांक 0.4 (800 x 0.4 = 320) होता है। बाएं से, बाउंडिंग बॉक्स 240 पिक्सल चौड़ा शुरू होता है, जिससे बाएं निर्देशांक 0.4 (600 x 0.4 = 240) होता है। बाउंडिंग बॉक्स की ऊंचाई 240 पिक्सल है, जिससे ऊंचाई मान 0.3 (800 x 0.3 = 240) होता है। बाउंडिंग बॉक्स की चौड़ाई 120 पिक्सल है, जिससे चौड़ाई मान 0.2 (600 x 0.2 = 120) होता है।

निर्देशांक	मान
शीर्ष	0.4
बायां	0.4
ऊंचाई	0.3
चौड़ाई	0.2

0-1 के प्रतिशत मानों का उपयोग करने का मतलब है कि छवि को किसी भी आकार में स्केल किया जाए, बाउंडिंग बॉक्स 0.4 के रास्ते पर और नीचे शुरू होता है, और ऊंचाई का 0.3 और चौड़ाई का 0.2 होता है।

आप बाउंडिंग बॉक्स को संभावनाओं के साथ जोड़कर यह मूल्यांकन कर सकते हैं कि डिटेक्शन कितना सटीक है। उदाहरण के लिए, एक ऑब्जेक्ट डिटेक्टर कई ऑब्जेक्ट्स का पता लगा सकता है जो ओवरलैप करते हैं, जैसे कि एक डिब्बा दूसरे के अंदर। आपका कोड बाउंडिंग बॉक्स को देख सकता है, समझ सकता है कि यह असंभव है, और उन ऑब्जेक्ट्स को अनदेखा कर सकता है जिनका अन्य ऑब्जेक्ट्स के साथ महत्वपूर्ण ओवरलैप है।

ऊपर दिए गए उदाहरण में, एक बाउंडिंग बॉक्स ने 78.3% की संभावना के साथ टमाटर पेस्ट के डिब्बे का पता लगाया। दूसरा बाउंडिंग बॉक्स थोड़ा छोटा है, और पहले बाउंडिंग बॉक्स के अंदर है जिसकी संभावना 64.3% है। आपका कोड बाउंडिंग बॉक्स की जांच कर सकता है, देख सकता है कि वे पूरी तरह से ओवरलैप करते हैं, और कम संभावना को अनदेखा कर सकता है क्योंकि एक डिब्बा दूसरे के अंदर नहीं हो सकता।

✅ क्या आप ऐसी स्थिति के बारे में सोच सकते हैं जहां एक ऑब्जेक्ट का दूसरे के अंदर होना वैध हो?

मॉडल को पुनः प्रशिक्षित करें

इमेज क्लासिफायर की तरह, आप अपने IoT डिवाइस द्वारा कैप्चर किए गए डेटा का उपयोग करके अपने मॉडल को पुनः प्रशिक्षित कर सकते हैं। इस वास्तविक दुनिया के डेटा का उपयोग यह सुनिश्चित करेगा कि आपका मॉडल आपके IoT डिवाइस से उपयोग किए जाने पर अच्छी तरह से काम करता है।

इमेज क्लासिफायर के विपरीत, आप केवल एक छवि को टैग नहीं कर सकते। इसके बजाय आपको मॉडल द्वारा पता लगाए गए प्रत्येक बाउंडिंग बॉक्स की समीक्षा करनी होगी। यदि बॉक्स गलत चीज़ के चारों ओर है तो उसे हटाने की आवश्यकता है, यदि वह गलत स्थान पर है तो उसे समायोजित करने की आवश्यकता है।

कार्य - मॉडल को पुनः प्रशिक्षित करें

सुनिश्चित करें कि आपने अपने IoT डिवाइस का उपयोग करके छवियों की एक श्रृंखला कैप्चर की है।
Predictions टैब से एक छवि चुनें। आपको पता लगाए गए ऑब्जेक्ट्स के बाउंडिंग बॉक्स दिखाने वाले लाल बॉक्स दिखाई देंगे।
प्रत्येक बाउंडिंग बॉक्स के माध्यम से काम करें। पहले इसे चुनें और आपको टैग दिखाने वाला एक पॉप-अप दिखाई देगा। यदि आवश्यक हो तो बाउंडिंग बॉक्स के कोनों पर हैंडल का उपयोग करके आकार को समायोजित करें। यदि टैग गलत है, तो इसे X बटन के साथ हटा दें और सही टैग जोड़ें। यदि बाउंडिंग बॉक्स में कोई ऑब्जेक्ट नहीं है, तो इसे ट्रैशकैन बटन के साथ हटा दें।
संपादक को बंद करें जब हो जाए और छवि Predictions टैब से Training Images टैब में चली जाएगी। सभी भविष्यवाणियों के लिए प्रक्रिया को दोहराएं।
Train बटन का उपयोग करके अपने मॉडल को पुनः प्रशिक्षित करें। एक बार जब यह प्रशिक्षित हो जाए, तो संस्करण को प्रकाशित करें और अपने IoT डिवाइस को नए संस्करण के URL का उपयोग करने के लिए अपडेट करें।
अपना कोड पुनः तैनात करें और अपने IoT डिवाइस का परीक्षण करें।

स्टॉक की गणना करें

पता लगाए गए ऑब्जेक्ट्स की संख्या और बाउंडिंग बॉक्स के संयोजन का उपयोग करके, आप शेल्फ पर स्टॉक की गणना कर सकते हैं।

कार्य - स्टॉक की गणना करें

नीचे दिए गए संबंधित गाइड का पालन करें ताकि अपने IoT डिवाइस से ऑब्जेक्ट डिटेक्टर के परिणामों का उपयोग करके स्टॉक की गणना की जा सके:

🚀 चुनौती

क्या आप गलत स्टॉक का पता लगा सकते हैं? अपने मॉडल को कई ऑब्जेक्ट्स पर प्रशिक्षित करें, फिर अपने ऐप को अपडेट करें ताकि गलत स्टॉक का पता लगने पर आपको अलर्ट किया जा सके।

शायद इसे और आगे बढ़ाएं और एक ही शेल्फ पर साइड-बाय-साइड स्टॉक का पता लगाएं, और यह देखने के लिए कि कुछ गलत जगह पर रखा गया है या नहीं, बाउंडिंग बॉक्स पर सीमाएं परिभाषित करें।

पोस्ट-लेक्चर क्विज़

समीक्षा और स्व-अध्ययन

Microsoft Docs पर आउट ऑफ स्टॉक डिटेक्शन एट द एज पैटर्न गाइड से एंड-टू-एंड स्टॉक डिटेक्शन सिस्टम को आर्किटेक्ट करने के बारे में अधिक जानें।
IoT और क्लाउड सेवाओं की एक श्रृंखला को जोड़कर एंड-टू-एंड रिटेल समाधान बनाने के अन्य तरीकों के बारे में जानें, इस Behind the scenes of a retail solution - Hands On! वीडियो को YouTube पर देखें।

असाइनमेंट

अपने ऑब्जेक्ट डिटेक्टर का उपयोग एज पर 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।

29 KiB Raw Permalink Blame History