IoT-For-Beginners/translations/km/4-manufacturing/lessons/1-train-fruit-detector/README.md

បណ្តុះបណ្តាលឧបករណ៍រកឃើញគុណភាពផ្លែឈើ

គំនូរសេចក្តីសង្ខេបដោយ Nitya Narasimhan। ចុចលើរូបភាពសម្រាប់ទំរង់ធំ។

វីដេអូនេះផ្ដល់មើលមួយទិសទានអំពីសេវាកម្ម Azure Custom Vision ដែលជាសេវាកម្មដែលនឹងត្រូវបានរៀបរាប់នៅក្នុងមេរៀននេះ។

🎥 ចុចលើរូបភាពខាងលើដើម្បីមើលវីដេអូ

ការប្រលងមុនបង្រៀន

Pre-lecture quiz

បង្ហាញមូលដ្ឋាន

ការកើនឡើងថ្មីៗនៃបញ្ញាសិប្បនិម្មិត (AI) និងការរៀនម៉ាស៊ីន (ML) កំពុងផ្តល់កម្រិតសមត្ថភាពជាច្រើនដល់អ្នកអភិវឌ្ឍសព្វថ្ងៃ។ គំរូ ML អាចបណ្តុះបណ្តាលដើម្បីស្គាល់វត្ថុផ្សេងៗនៅក្នុងរូបភាព រួមទាំងផ្លែឈើមិនទាន់ដុះទាល់កំឡុងពេលបិទផ្លែផងដែរ ហើយវាបានប្រើបាននៅក្នុងឧបករណ៍ IoT ដើម្បីជួយក្នុងការបែងចែកផលិតផល ឬនៅពេលមានការជ្រើសឬនៅខណៈដំណើរការនៅរោងចក្រ ឬឃ្លាំង។

នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពី ការបែងចែករូបភាព - ដោយប្រើគំរូ ML ដើម្បីបំបែករវាងរូបភាពនៃវត្ថុដែលខុសគ្នា។ អ្នកនឹងរៀនពីរបៀបបណ្តុះបណ្តាលឧបករណ៍បែងចែករូបភាព ដើម្បីបំបែករវាងផ្លែឈើល្អ និងផ្លែឈើអាក្រក់ ដូចជា មិនទាន់ដុះ ឬទ្រុះឬរុណ្ហិត ក៏ដូចជាផ្លែឈើមូស។

ក្នុងមេរៀននេះ យើងនឹងរៀបរាប់ពី៖

• ការប្រើប្រាស់ AI និង ML ក្នុងការបែងចែកអាហារ
• ការបែងចែករូបភាពតាមរយៈការរៀនម៉ាស៊ីន
• បណ្តុះបណ្តាលឧបករណ៍បែងចែករូបភាព
• សាកល្បងឧបករណ៍បែងចែករូបភាពរបស់អ្នក
• បណ្តុះបណ្តាលឡើងវិញឧបករណ៍បែងចែករូបភាពរបស់អ្នក

ការប្រើប្រាស់ AI និង ML ក្នុងការបែងចែកអាហារ

ការផ្គត់ផ្គង់អាហារសម្រាប់ប្រជាជនពិភពលោកគឺពិបាក ជាពិសេសនៅតម្លៃដែលធ្វើឲ្យអាហាររកបានងាយស្រួលសម្រាប់មនុស្សគ្រប់គ្នា។ មួយក្នុងចំណោមការចំណាយធំៗគឺថ្លៃសម្រាលក្រុមហ៊ុន ដូច្នេះកសិករជាច្រើនកំពុងផ្លាស់ប្ដូរទៅប្រើប្រព័ន្ធស្វ័យប្រវត្តិកម្ម និងឧបករណ៍ដូចជា IoT ដើម្បីកាត់បន្ថយថ្លៃសម្រាលក្រុមហ៊ុន។ ការប្រមិទចោលដោយដៃគឺពិបាកចិត្ត (ជាញឹកញាប់ក៏បណ្ដាលឱ្យបន្ទុកដៃត្រឡប់) ហើយកំពុងត្រូវបានជំនួសដោយម៉ាស៊ីន, ជាពិសេសនៅក្នុងប្រទេសមានប្រាក់កាក់ច្រើន។ ទោះបីជាមានការសន្សំថ្លៃដោយប្រើម៉ាស៊ីនក៏ដោយ មានគំនោលខូចមួយសម្រាប់សមត្ថភាពក្នុងការបែងចែកអាហារតាមពេលដំណើរការប្រមិទឬស្រូប។

មិនមែនគ្រប់កសិផលទាំងអស់នឹងដុះស្របគ្នាទេ។ ប៉ុន្មានផ្លែប៉េងប៉ោះ ឧទាហរណ៍ មិនទាន់ស្រូបស្រទាប់ទាំងមូលនៅលើដើម របស់ពួកវាគឺនៅមានផ្លែបៃតងមួយចំនួននៅពេលភាគច្រើនបានរួចរាល់សម្រាប់ការប្រមិទចោល។ ទោះបីជា វាពិតជាវាយនភាពក្នុងការប្រមិទផ្លែទម្រង់ទាំងនេះជាមុន ក៏ការប្រមិទជាមួយម៉ាស៊ីនសំរាប់កសិករមានតម្លៃថោកនិងងាយស្រួលជាង។

✅ សូមមើលផ្លែឬបន្លែផ្សេងៗ មិនថាជាកន្លែងកំពុងដុះនៅក្នុងសួនឬនៅក្នុងហាង។ តើពួកវានៅស្របគ្នាឬមានភាពខុសគ្នា?

ការកើនឡើងនៃការប្រមិទជាស្វ័យប្រវត្តិកម្ម បានអូសបន្លាយការបែងចែកផលិតផលពីកន្លែងប្រមិទទៅរោងចក្រ។ ផលិតផលត្រូវបានដឹកជញ្ជូនលើខ្សែដាក់ផលិតផលវែងៗ ដោយមានក្រុមមនុស្សណែនាំក្នុងការជ្រើសរើសផលិតផលដែលមិនគាំទ្រទៅតាមគុណភាពត្រូវការ។ ការប្រមិទបានកាន់តែលោកថោកសារភាពដោយម៉ាស៊ីន ប៉ុន្តែតម្លៃមនុស្សនៅមានសម្រាប់ការជ្រើសរើសផ្លែឈើ។

ការវិវត្តបន្ទាប់គឺប្រើម៉ាស៊ីនក្នុងការបែងចែក ផ្ទុកនៅក្នុងម៉ាស៊ីនប្រមិទឬនៅក្ដៅដំណើរការរោងចក្រ។ ជំនាន់ដំបូងនៃម៉ាស៊ីនទាំងនេះបានប្រើឧបករណ៍ស្វែករកពន្លឺដើម្បីបំបែកពណ៌ ធ្វើបន្ទុក actuator លើប៉េងប៉ោះបៃតងទៅតុងបោកសម្អាតដោយប្រើក្រឡាចត ឬខ្យល់បាញ់ បន្ទាប់ពីប៉េងប៉ោះក្រហមបន្តលើខ្សែដាក់ផលិតផល។

នៅក្នុងវីដេអូនេះ នៅពេលប៉េងប៉ោះរំលាយពីខ្សែដាក់ផលិតផលមួយទៅមួយ ផ្ទុកបៃតងត្រូវបានរកឃើញ ហើយត្រូវបានបុកចុះតទៅក្នុងធុងដោយប្រើក្រឡាចត។

✅ តើមានលក្ខខណ្ឌណាខ្លះដែលអ្នកត្រូវការនៅក្នុងរោងចក្រ ឬស្វត្ដាដើម្បីឲ្យឧបករណ៍ស្វែកស្ទង់ពន្លឺការងារកាត់រាំងត្រឹមត្រូវ?

ការវិវត្តបច្ចុប្បន្ននៃម៉ាស៊ីនបែងចែកទាំងនេះប្រើប្រាស់ AI និង ML ដោយប្រើគំរូបណ្តុះបណ្តាលដើម្បីបំបែកផលិតផលល្អពីអាក្រក់ មិនត្រឹមតែគ្រាន់តែការប្រែប្រួលពណ៌បែបច្បាស់លាស់ដូចជា បៃតងនិងក្រហមទេ ប៉ុន្តែដោយភាពខុសគ្នាផ្សេងទៀតដែលអាចបង្ហាញសញ្ញារបស់ជំងឺ ឬភាពរបួស។

ការបែងចែករូបភាពតាមរយៈការរៀនម៉ាស៊ីន

កម្មវិធីដំណើរការប្រព្រឹត្តផ្លូវចាស់គឺអ្នកយកទិន្នន័យ មកអនុវត្តអាល់ហ្គរីធម៌លើទិន្នន័យ ហើយទទួលបានលទ្ធផល។ ឧទាហរណ៍ ប្រសិនបើក្នុងគម្រោងចុងក្រោយ អ្នកយកកូអរដោនេ GPS និងច្រកដែនដី (geofence) ប្រើអាល់ហ្គរីធម៌ដែលផ្ដល់ដោយ Azure Maps ហើយទទួលបានលទ្ធផលថាតើចំណុចដែលបានបង់នៅក្នុងឬក្រៅច្រកដែន។ អ្នកបញ្ចូលទិន្នន័យបន្ថែម ហើយទទួលបានលទ្ធផលបន្ថែម។

ការរៀនម៉ាស៊ីនបង្រ្កាបប្រវត្តិគ្នា - អ្នកចាប់ផ្តើមដោយទិន្នន័យ និងលទ្ធផលដែលបានដឹង ហើយជារៀងរាល់ពេលអាល់ហ្គរីធម៌រៀនពីរបៀបនេះ។ បន្ទាប់មក អ្នកអាចយកគំរូដែលបណ្តុះស្រាប់ហៅថា គំរូរៀនម៉ាស៊ីន ឬ ម៉ូដែល ហើយនាំចូលទិន្នន័យថ្មី ហើយទទួលបានលទ្ធផលថ្មី។

🎓 ដំណើរការរបស់អាល់ហ្គរីធម៌រៀនម៉ាស៊ីនក្នុងការរៀនពីទិន្នន័យហៅថា ការបណ្តុះបណ្តាល។ បញ្ចូល និងលទ្ធផលដែលបានដឹងហៅថា ទិន្នន័យបណ្តុះបណ្តាល។

ឧទាហរណ៍ អ្នកអាចផ្ដល់គំរូរូបភាពម៉ឺននៃចេកមិនទាន់ដុះជាទិន្នន័យបណ្តុះបណ្តាល ជាមួយលទ្ធផលបន្ទាន់ជា unripe ហើយមានរូបភាពចេកដុះស្រាប់ជាទិន្នន័យបណ្តុះបណ្តាលជាមួយលទ្ធផលជា ripe។ អាល់ហ្គរីធម៌ ML នឹងបង្កើតគំរូយោងទៅលើទិន្នន័យនេះ។ បន្ទាប់មក អ្នកផ្ដល់រូបភាពចេកថ្មីទៅឧបករណ៍នេះ ហើយវានឹងអាចទាយថាផ្លែនេះដុះរួចហើយ ឬមិនទាន់ដុះ។

🎓 លទ្ធផលនៃគំរូ ML ហៅថា ការទាយ

គំរូ ML មិនផ្ដល់ចម្លើយពីរជាមួយគ្នាតែមួយទេ តែផ្ដល់លទ្ធផលរង់ចាំសក្តានុពល។ ឧទាហរណ៍ ម៉ូដែលអាចទទួលរូបភាពចេក ហើយទាយថាដុះ ៩៩.៧% និងមិនដុះ ០.៣%។ កូដរបស់អ្នកនឹងជ្រើសលទ្ធផលល្អបំផុត ហើយសម្រេចថាចេកនេះដុះរួចហើយ។

គំរូ ML ដែលប្រើសម្រាប់ស្វែងរករូបភាពនេះហៅថា ឧបករណ៍បែងចែករូបភាព - វាត្រូវបានផ្ដល់រូបភាពដែលបានសម្គាល់ស្លាក ហើយបន្ទាប់មកការវិភាគរូបភាពថ្មីដោយផ្អែកលើស្លាកទាំងនេះ។

💁 វាមានការសង្ខេបខ្លីបែបនេះ ហើយមានវិធីផ្សេងៗក្នុងការបណ្តុះគំរូដែលមិនតែងតែត្រូវការស្លាកយល់ត្រឹមត្រូវ ដូចជាការរៀនដែលមិនមានអ្នកណែនាំ។ បើអ្នកចង់រៀនបន្ថែមអំពី ML សូមពិនិត្យមើល ML សម្រាប់អ្នកចាប់ផ្តើម, មេរៀន២៤លើការរៀនម៉ាស៊ីន។

បណ្តុះបណ្តាលឧបករណ៍បែងចែករូបភាព

ដើម្បីបណ្តុះឧបករណ៍បែងចែករូបភាពដោយជោគជ័យ អ្នកត្រូវការរូបភាពលានឺម៉ឺន។ បន្ទាប់ពីអ្នកមានឧបករណ៍បែងចែករូបភាពដែលបានបណ្តុះលើរូបភាពលានឺម៉ឺនឬអបទិកលានឺម៉ឺន អ្នកអាចប្រើវាឡើងវិញ ហើយបណ្តុះឡើងវិញជាមួយរូបភាពតិចតួច និងទទួលបានលទ្ធផលល្អ តាមវិធីដែលហៅថា ការរៀនផ្ទេរ។

🎓 ការរៀនផ្ទេរជាប្រភេទបង្ហាត់ដែលអ្នកផ្ទេរពីកម្រិតលំហូរម៉ូដែល ML មានស្រាប់មកជាគំរូថ្មីខាងលើទិន្នន័យថ្មី។

បន្ទាប់ពីឧបករណ៍បែងចែករូបភាពត្រូវបានបណ្តុះចំពោះរូបភាពដែលមានភាពចម្រុះជាច្រើន សមត្ថភាពខាងក្នុងរបស់វាជំនាញក្នុងការស្គាល់រូបរាង ពណ៌ និងមុខងារ។ ការរៀនផ្ទេរអនុញ្ញាតឲ្យគំរូយកអ្វីដែលវាបានរៀនក្នុងការរកឃើញផ្នែករូបភាព ហើយប្រើវាសម្រាប់ស្គាល់រូបភាពថ្មី។

អ្នកអាចគិតវាដូចជាសៀវភៅរូបរាងកុមារដែលបន្ទាប់ពីអ្នកអាចស្គាល់អ័រគោណាគមន៍ជាក់ស្តែង អ័រនិងត្រីកោណ អ្នកអាចស្គាល់ទូកឡើងវិញ ឬឆ្មាដោយផ្អែកលើរចនាសម្ព័ន្ធរបស់រូបរាងទាំងនេះ។ ឧបករណ៍បែងចែករូបភាពអាចស្គាល់រូបរាង ហើយការរៀនផ្ទេរបង្រៀនវាថារចនាសម្ព័ន្ធណាដែលបង្កើតទូក ឬឆ្មា ឬចេកដែលខ្ចី។

មានឧបករណ៍ជាច្រើនពេលវេលាដែលអាចជួយអ្នកធ្វើការនេះ រួមទាំងសេវាកម្មពពកដែលអាចជួយបណ្តុះគំរូរបស់អ្នក ហើយបន្ទាប់មកប្រើវាតាមរយៈ API វេប។

💁 បណ្តុះគំរូទាំងនេះតម្រូវថាមពលកុំព្យូទ័រច្រើន ជាទូទៅតាម GPU (Graphics Processing Units)។ សម្ភារៈពិសេសដែលធ្វើឲ្យហ្គេមនៅលើ Xbox របស់អ្នកមានរូបភាពឆ្នើម ក៏អាចប្រើក្នុងការបណ្តុះគំរូរៀនម៉ាស៊ីនបានផងដែរ។ ដោយប្រើពពក អ្នកអាចជួលម៉ាស៊ីនដែលមាន GPU សំបូរដើម្បីបណ្តុះគំរូនេះ គ្រាន់តែពេលដែលអ្នកត្រូវការ។

Custom Vision

Custom Vision ជាឧបករណ៍ផ្អែកលើពពកសម្រាប់បណ្តុះឧបករណ៍បែងចែករូបភាព។ វាផ្ដល់សំរាប់បណ្តុះឧបករណ៍ដោយប្រើរូបភាពតិចតួចប៉ុណ្ណោះ។ អ្នកអាចផ្ទុករូបភាពតាមរយៈរបាមេនវេប ចំពោះ API វេប ឬ SDK ដោយផ្ដល់ស្លាកបែប tag ដែលមានប្រភេទរូបភាព។ បន្ទាប់មកបណ្តុះគំរូ ហើយសាកល្បងវាថាលទ្ធផលរបស់វាបានល្អប៉ុណ្ណា។ បន្ទាប់ពីពេញចិត្ត អ្នកអាចបោះពុម្ពចេញប្រភេទនៃវា ដែលអាចចូលដំណើរការតាម API វេប ឬ SDK។

💁 អ្នកអាចបណ្តុះគំរូ Custom Vision ជាមួយរូបភាពតិចតួច ៥ រូបភាពសម្រាប់មួយប្រភេទ ប៉ុន្តែល្អប្រសើរជាងនេះ។ អ្នកអាចទទួលបានលទ្ធផលល្អជាងនេះជាមួយរូបភាពយ៉ាងហោចណាស់ ៣០ រូបភាព។

Custom Vision ជាផ្នែកមួយនៃឧបករណ៍ AI ពី Microsoft ហៅថា Cognitive Services។ វាជាឧបករណ៍ AI ដែលអាចប្រើបានដោយមិនចាំបាច់បណ្តុះ ឬជាមួយបណ្តុះបណ្តាលតិចតួច។ វារួមបញ្ចូលការស្គាល់បទនិយាយ និងការបកប្រែ ការយល់ភាសា និងការវិភាគរូបភាព។ វាអាចប្រើជាមួយជំហានមួយដែលមានថ្លៃសេសសម្រាប់ការងារសរសេរកម្មវិធី។

💁 ជំហានមិនគិតថ្លៃគ្រប់គ្រាន់សម្រាប់បង្កើតគំរូ បណ្តុះបណ្តាល និងប្រើប្រាស់សម្រាប់ការដំណើរការអភិវឌ្ឍន៍។ អ្នកអាចអានពីការគ្រប់គ្រងនៃជំហានមិនគិតថ្លៃនៅលើ ទំព័រគម្រោងនិងកំណត់គន្លង Custom Vision នៅលើឯកសាររបស់ Microsoft។

តួនាទី - បង្កើតធនធាន cognitive services

ដើម្បីប្រើ Custom Vision អ្នកត្រូវបង្កើតធនធាន cognitive services ២ អ្នកតាមរយៈ Azure CLI, មួយសម្រាប់បណ្តុះ Custom Vision និងមួយសម្រាប់ទាយ Custom Vision។

1. បង្កើត Resource Group សម្រាប់គម្រោងនេះដែលមានឈ្មោះ fruit-quality-detector

2. ប្រើពាក្យបញ្ជាខាងក្រោមដើម្បីបង្កើតធនធានបណ្តុះ Custom Vision ដោយឥតគិតថ្លៃ:

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

   ជំនួស <location> ជាមួយទីតាំងដែលអ្នកបានប្រើពេលបង្កើត Resource Group។

   នេះនឹងបង្កើតធនធានបណ្តុះ Custom Vision នៅក្នុង Resource Group របស់អ្នក។ វានឹងមានឈ្មោះ fruit-quality-detector-training ហើយប្រើ sku F0 ដែលជាជំហានមិនគិតថ្លៃ។ ជម្រើស --yes មានន័យថាអ្នកយល់ព្រមលក្ខខណ្ឌនៃ cognitive services។

💁 ប្រើ sku S0 ប្រសិនបើអ្នកមានគណនីមិនគិតថ្លៃដែលប្រើ cognitive services។

1. ប្រើពាក្យបញ្ជាខាងក្រោមដើម្បីបង្កើតធនធានទាយ Custom Vision ដោយឥតគិតថ្លៃ:

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

   ជំនួស <location> ជាមួយទីតាំងដែលអ្នកបានប្រើពេលបង្កើត Resource Group។

   នេះនឹងបង្កើតធនធានទាយ Custom Vision នៅក្នុង Resource Group របស់អ្នក។ វានឹងមានឈ្មោះ fruit-quality-detector-prediction ហើយប្រើ sku F0 ដែលជាជំហានមិនគិតថ្លៃ។ ជម្រើស --yes មានន័យថាអ្នកយល់ព្រមលក្ខខណ្ឌនៃ cognitive services។

តួនាទី - បង្កើតគម្រោងឧបករណ៍បែងចែករូបភាព

1. បើកទំព័របណ្តុះបណ្តាល Custom Vision នៅ CustomVision.ai ហើយចុះឈ្មោះជាមួយគណនី Microsoft ដែលអ្នកប្រើនៅក្នុងគណនី Azure របស់អ្នក។

2. អនុវត្តតាម ផ្នែកបង្កើតគម្រោងថ្មីនៅក្នុង build a classifier quickstart នៅលើឯកសាររបស់ Microsoft ក្នុងការបង្កើតគម្រោង Custom Vision ថ្មី។ UI ប្រហែលជាមានការផ្លាស់ប្តូរហើយឯកសារទាំងនេះគឺជារបៀបយោងដែលទាន់សម័យបំផុត។

   ហៅគម្រោងរបស់អ្នកថា fruit-quality-detector។

   នៅពេលបង្កើតគម្រោង សូមប្រាកដប្រើធនធាន fruit-quality-detector-training ដែលបានបង្កើតមុន។ ប្រើប្រភេទគម្រោងជា Classification, ប្រភេទបែងចែកជា Multiclass, និងដែនកាលជា Food។

   

✅ ចំណាយពេលមួយក្នុងការស្វែងយល់ UI Custom Vision សម្រាប់ឧបករណ៍បែងចែករូបភាពរបស់អ្នក។

តួនាទី - បណ្តុះបណ្តាលគម្រោងឧបករណ៍បែងចែករូបភាពរបស់អ្នក

ដើម្បីបណ្តុះបណ្តាលឧបករណ៍បែងចែករូបភាព អ្នកត្រូវការរូបភាពជាច្រើននៃផ្លែឈើ ដែលមានគុណភាពល្អ និងអាក្រក់ ដូចជា ចេកដែលដុះពេញ និងចេកដែលដុះហួស។

💁 ឧបករណ៍បែងចែកទាំងនេះអាចបែងចែករូបភាពនៃអ្វីគ្រប់យ៉ាង ដូច្នេះបើអ្នកមិនមានផ្លែឈើគុណភាពខុសៗគ្នា អ្នកអាចប្រើផ្លែឈើពីបែបផ្សេងៗគ្នា ឬឆ្មា និងចៀម!

ល្អបំផុត រូបភាពមួយៗគួរតែមានផ្លែឈើតែមួយ ដោយមានផ្ទៃខាងក្រោយណាមួយនៅមិនប្រែប្រួល ឬមានកន្លែងខាងក្រោយខុសៗគ្នាជាច្រើន។ ត្រូវប្រាកដថាមិនមានអ្វីនៅក្នុងផ្ទៃខាងក្រោយដែលជាពិសេសសម្រាប់ផ្លែឈើដុះពេញប្រៀបធៀបនឹងមិនដុះទេ។

💁 វាសំខាន់ណាស់ក្នុងការមិនមានផ្ទៃខាងក្រោយជាក់លាក់ ឬអត្ថបទជាក់លាក់ដែលមិនទាក់ទងទេនឹងវត្ថុដែលត្រូវបានចាត់ថ្នាក់ទាំងអស់សម្រាប់ស្លាកនីមួយៗ បើមិនដូច្នោះទេ ប្រព័ន្ធចាត់ថ្នាក់អាចតែចាត់ថ្នាក់ដោយផ្អែកលើផ្ទៃខាងក្រោយផ្ទាល់គត់។ មានប្រព័ន្ធចាត់ថ្នាក់មួយសម្រាប់មហារីកស្បែកដែលបានបណ្តុះបណ្តាលលើ mole ទាំងធម្មតានិងមានមហារីក ហើយ mole ដែលមានមហារីកទាំងអស់មានរូបមនុស្សគឺជាផ្ទាំងវាស់ទំហំ។ បរិបទបង្ហាញថាប្រព័ន្ធចាត់ថ្នាក់គឺជាប់ជាសោយទទួលបានការពិតជិត ១០០% ក្នុងការសម្គាល់រូបមនុស្សនៃរូបភាព មិនមែនមហារីក mole ទេ។

ប្រព័ន្ធចាត់ថ្នាក់រូបភាពដំណើរការនៅរេសុលុខ្សែទាប។ ឧទាហរណ៍ Custom Vision អាចយករូបភាពបណ្តុះបណ្តាលនិងទស្សនា ដល់ទំហំ 10240x10240 ប៉ុន្តែបណ្តុះបណ្តាលនិងដំណើរការម៉ូដែលលើរូបភាពទំហំ 227x227។ រូបភាពធំៗត្រូវបានបង្រួមទៅទំហំនេះ ដូចនេះសូមប្រាកដថារូបភាពដែលអ្នកចង់ចាត់ថ្នាក់ កាន់តំបន់ធំទូលាយក្នុងរូបភាព បើមិនដូច្នោះវាអាចតូចពេកនៅក្នុងរូបភាពតូចដែលប្រព័ន្ធចាត់ថ្នាក់ប្រើ។

1. ប្រមូលរូបភាពសម្រាប់ប្រព័ន្ធចាត់ថ្នាក់របស់អ្នក។ អ្នកនឹងត្រូវការរូបភាពយ៉ាងតិច ៥ រូបសម្រាប់ស្លាកនីមួយៗ ដើម្បីបណ្តុះបណ្តាលប្រព័ន្ធចាត់ថ្នាក់ ប៉ុន្តែច្រើននោះកាន់តែប្រសើរ។ អ្នកត្រូវការលើសពីរូបភាពបន្តិចសម្រាប់សាកល្បងប្រព័ន្ធចាត់ថ្នាក់ផងដែរ។ រូបភាពទាំងនេះគួរតែគឺជារូបភាពខុសគ្នាទាំងអស់នៃវត្ថុដូចគ្នា។ ឧទាហរណ៍៖

   • ប្រើចេកពោរពេញ ២ ផ្លែ សូមថតរូបពីគ្រប់មុខ ទំហំយ៉ាងហោចណាស់ 7 រូប (5 សម្រាប់បណ្តុះបណ្តាល 2 សម្រាប់សាកល្បង) ប៉ុន្តែកាន់តែច្រើនបានតែប្រសើរ។

     

   • ធ្វើឡើងវិញដោយប្រើចេកមិនពេញ ២ ផ្លែ

   អ្នកគួរតែមានរូបភាពបណ្តុះបណ្តាលយ៉ាងតិច ១០ រូប មានចេកពេញ ៥ និងមិនពេញ ៥ ហើយរូបភាពសាកល្បង ៤ រូប មួយសម្រាប់ចេកពេញ ២ រ ហើយ ២ សម្រាប់មិនពេញ ២។ រូបភាពរបស់អ្នកគួរតែជា png ឬ jpeg មិនលើស 6MB។ ប្រសិនបើអ្នកបង្កើតដោយ iPhone ឧទាហរណ៍ វាអាចជារូបរូបភាព HEIC ដែលមានរេសុលុខ្ដ្ក់ខ្ពស់ ដូច្នេះត្រូវការបម្លែង និងអាចបង្រួម។ ច្រើនរូបភាពកាន់តែប្រសើរ ហើយអ្នកគួរតែមានចំនួនស្មើគ្នានៃចេកពេញនិងមិនពេញ។

   ប្រសិនបើអ្នកមិនមានផ្លែមានទាំងពេញនិងមិនពេញ អ្នកអាចប្រើផ្លែផ្សេងៗ ឬវត្ថុគ្រប់ប្រភេទដែលមានទៀងទាត់។ អ្នកក៏អាចរកឃើញរូបភាពគំរូនៅថតថត images របស់ចេកពេញនិងមិនពេញដែលអ្នកអាចប្រើបាន។

2. ដើរការតាមដានដំណាក់កាល ផ្ទុកឡើងនិងស្លាករូបភាពនៅក្នុងផ្នែក quickstart ការបង្កើតប្រព័ន្ធចាត់ថ្នាក់នៅលើឯកសារ Microsoft ដើម្បីផ្ទុករូបភាពបណ្តុះបណ្តាលរបស់អ្នក។ ស្លាកផ្លែពេញជាស្លាក ripe ហើយផ្លែមិនពេញជា unripe។

   

3. ដើរការតាមដានដំណាក់កាល បណ្តុះបណ្តាលប្រព័ន្ធចាត់ថ្នាក់នៅក្នុង quickstart ការបង្កើតប្រព័ន្ធចាត់ថ្នាក់លើឯកសារ Microsoft ដើម្បីបណ្តុះបណ្តាលប្រព័ន្ធចាត់ថ្នាក់រូបភាពលើរូបភាពដែលបានផ្ទុកឡើងរបស់អ្នក។

   អ្នកនឹងទទួលបានជម្រើសប្រភេទបណ្តុះបណ្តាល មើលជ្រើស Quick Training។

ប្រព័ន្ធចាត់ថ្នាក់នឹងបណ្តុះបណ្តាល។ វាត្រូវការប៉ុន្មាននាទីដើម្បីបញ្ចប់ការបណ្តុះបណ្តាល។

🍌 ប្រសិនបើអ្នកសម្រេចចិត្តបរិភោគផ្លែរបស់អ្នកខណៈពេលដែលប្រព័ន្ធចាត់ថ្នាក់កំពុងបណ្តុះបណ្តាល សូមប្រាកដថាអ្នកមានរូបភាពគ្រប់គ្រាន់សម្រាប់សាកល្បងជាមុន!

សាកល្បងប្រព័ន្ធចាត់ថ្នាក់រូបភាពរបស់អ្នក

ពេលប្រព័ន្ធចាត់ថ្នាក់របស់អ្នកបានបណ្តុះបណ្តាល អ្នកអាចសាកល្បងវាបានដោយផ្តល់រូបភាពថ្មីមួយសម្រាប់ចាត់ថ្នាក់។

ភារកិច្ច - សាកល្បងប្រព័ន្ធចាត់ថ្នាក់រូបភាពរបស់អ្នក

1. ដើរការតាមដាន ឯកសារសាកល្បងម៉ូដែលរបស់អ្នកនៅលើឯកសារ Microsoft ដើម្បីសាកល្បងប្រព័ន្ធចាត់ថ្នាក់រូបភាពរបស់អ្នក។ ប្រើរូបភាពសាកល្បងដែលអ្នកបានបង្កើតមុននេះមិនមែនរូបភាពណាដែលអ្នកបានប្រើសម្រាប់បណ្តុះបណ្តាលនោះទេ។

   

2. ព្យាយាមប្រើរូបភាពសាកល្បងទាំងអស់ដែលអ្នកអាចចូលដំណើរការបាន ហើយត្រួតពិនិត្យអត្រាប៉ះពាល់។

បណ្តុះបណ្តាលម្ដងទៀតប្រព័ន្ធចាត់ថ្នាក់រូបភាពរបស់អ្នក

ពេលអ្នកសាកល្បងប្រព័ន្ធចាត់ថ្នាក់ វាអាចមិនផ្តល់លទ្ធផលដែលអ្នករំពឹងទេ។ ប្រព័ន្ធចាត់ថ្នាក់រូបភាពប្រើការសិក្សាការបណ្តុះបណ្តាលម៉ាស៊ីន ដើម្បីធ្វើការព្យាករណ៍អំពីអ្វីដែលនៅក្នុងរូបភាព ដោយផ្អែកលើប្រភេទនៃលក្ខណៈពិសេសទេសូវនៅក្នុងរូបភាពដែលមានន័យថាវាភ្លេចផ្ទាល់ស្លាកណាមួយ។ វាមិនយល់ថាជាអ្វីនៅក្នុងរូបភាពទេ - វាមិនដឹងថាចេកជាអ្វី ឬយល់ថាអ្វីដែលធ្វើឲ្យចេកគឺជាចេកមិនមែនជាឡនជាឡៅណា។ អ្នកអាចបង្កើនប្រព័ន្ធចាត់ថ្នាក់របស់អ្នកដោយបណ្តុះបណ្តាលវាថ្មីជាមួយរូបភាពដែលវាប្រហែលខុស។

គ្រប់ពេលដែលអ្នកធ្វើការព្យាករណ៍ដោយប្រើជម្រើស quick test រូបភាពនិងលទ្ធផលនឹងត្រូវបានរក្សាទុក។ អ្នកអាចប្រើរូបភាពទាំងនេះមកបណ្តុះបណ្តាលម៉ូដែលរបស់អ្នកម្ដងទៀត។

ភារកិច្ច - បណ្តុះបណ្តាលម្ដងទៀតប្រព័ន្ធចាត់ថ្នាក់រូបភាពរបស់អ្នក

1. ដើរការតាមដាន ឯកសារប្រើរូបភាពដែលបានព្យាករណ៍សម្រាប់បណ្តុះបណ្តាលនៅលើឯកសារ Microsoft ដើម្បីបណ្តុះបណ្តាលម៉ូដែលរបស់អ្នកម្ដងទៀត ដោយប្រើស្លាកត្រឹមត្រូវសម្រាប់រូបភាពនីមួយៗ។

2. បន្ទាប់មកបន្ទប់ម៉ូដែលរបស់អ្នកបានបណ្តុះបណ្តាលវិញ សាកល្បងនៅលើរូបភាពថ្មី។

---

🚀 챌린지

តើអ្នកគិតថាតើអ្វីនឹងកើតឡើងបើអ្នកប្រើរូបភាពផ្លែប៊ឺរីជាមួយម៉ូដែលដែលបានបណ្តុះបណ្តាលលើចេក ឬរូបភាពចេកផ្គុំខ្យល់ ឬមនុស្សពាក់អាវចេក មិនថាគឺតារាគំនូរជីវចលពណ៌លឿងដូចនរណាម្នាក់ពី Simpsons?

សូមសាកល្បងនិងមើលថាលទ្ធផលព្យាករណ៍មានអ្វីខ្លះ។ អ្នកអាចរករូបភាពសម្រាប់សាកល្បងដោយប្រើ Bing Image search។

សំណួរប្រឡងក្រោយការបង្រៀន

សំណួរប្រឡងក្រោយការបង្រៀន

របៀបមើលឡើងវិញ និងរៀនដោយខ្លួនឯង

• ពេលដែលអ្នកបានបណ្តុះបណ្តាលប្រព័ន្ធចាត់ថ្នាក់របស់អ្នក អ្នកនឹងបានឃើញតម្លៃសម្រាប់ Precision Recall និង AP ដែលវាយតម្លៃម៉ូដែលដែលបានបង្កើត។ សូមអានអំពីតម្លៃទាំងនេះ ដោយប្រើ ផ្នែកវាយតម្លៃប្រព័ន្ធចាត់ថ្នាក់នៅក្នុង quickstart ការបង្កើតប្រព័ន្ធចាត់ថ្នាក់លើឯកសារ Microsoft
• អានអំពីរបៀបបង្កើនសមត្ថភាពប្រព័ន្ធចាត់ថ្នាក់ដោយប្រើ របៀបបង្កើនម៉ូដែល Custom Vision របស់អ្នកក្នុងឯកសារ Microsoft

កិច្ចការផ្ទះ

បណ្តុះបណ្តាលប្រព័ន្ធចាត់ថ្នាក់របស់អ្នកសម្រាប់ផ្លែឈើនិងបន្លែជាច្រើន

---

ការ​រាយការណ៍មិនទាក់ទង៖ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ នៅពេលដែលយើងខិតខំប្រឹងប្រែងសម្រាប់ភាពត្រឹមត្រូវ សូមចងចាំថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬច្រឡំនូវមិនត្រឹមត្រូវ។ ឯកសារដើមនៅជាភាសាដើមគួរត្រូវបានពិចារណាជាដើមទុនដែលមានសុពលភាពខ្ពស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយអ្នកជំនាញមនុស្សត្រូវបានណែនាំ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំឬការបកប្រែខុសដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះនោះឡើយ។