32 KiB

Raw Permalink Blame History

បណ្តុះបណ្តាលឧបករណ៍ស្វែងរកស្ដុក

មនោសញ្ចេតនា ដោយ Nitya Narasimhan។ ចុចរូបភាពសម្រាប់មើលជាប្រភេទធំជាងនេះ។

វីដេអូនេះផ្តល់ការសង្ខេបអំពីការស្វែងរកវត្ថុ (Object Detection) នៅក្នុងសេវាកម្ម Azure Custom Vision ដែលជាសេវាសម្រាប់បណ្តុះបណ្តាលក្នុងមេរៀននេះ។

🎥 ចុចរូបភាពខាងលើដើម្បីមើលវីដេអូ

សំណួរសម្រាប់មុនមករៀន

អំពីមេរៀន

នៅក្នុងគម្រោងមុន អ្នកបានប្រើប្រាស់ AI ដើម្បីបណ្តុះបណ្តាលឧបករណ៍ចាក់ថ្នាក់រូបភាព - ម៉ូឌែលដែលអាចបញ្ជាក់បានថារូបភាពមានអ្វីមួយដូចជាផ្លែឈើដែលបាន១់មួយ ឬមិនបានផុតពេល។ ប្រភេទម៉ូឌែល AI ផ្សេងទៀតដែលអាចប្រើជាមួយរូបភាពគឺការស្វែងរកវត្ថុ។ ម៉ូឌែលទាំងនេះមិនចាត់ថ្នាក់រូបភាពតាមស្លាកទេ ប៉ុន្តែពួកវាត្រូវបានបណ្តុះបណ្តាលដើម្បីស្គាល់វត្ថុ ហើយអាចរកវត្ថុនៅក្នុងរូបភាពបាន មិនត្រឹមតែលើកឡើងថារូបភាពមានវត្ថុនោះទេ ប៉ុន្តែបង្ហាញទីតាំងវត្ថុនោះនៅក្នុងរូបភាពផងដែរ។ នេះអនុញ្ញាតិឲ្យអ្នករាប់ចំនួនវត្ថុក្នុងរូបភាព។

នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីការស្វែងរកវត្ថុ រួមមានរបៀបដែលវាអាចប្រើបានក្នុងហាងលក់ឥវ៉ាន់។ អ្នកនឹងរៀនរបៀបបណ្តុះបណ្តាលឧបករណ៍ស្វែងរកវត្ថុតាមឆមាស។

ក្នុងមេរៀននេះ យើងនឹងគ្របដណ្តប់:

ការស្វែងរកវត្ថុ
ការប្រើប្រាស់ការស្វែងរកវត្ថុក្នុងការលក់រាយ
បណ្តុះបណ្តាលឧបករណ៍ស្វែងរកវត្ថុ
សាកល្បងឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក
បណ្តុះបណ្តាលឡើងវិញឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក

ការស្វែងរកវត្ថុ

ការស្វែងរកវត្ថុបង្កើតឡើងដោយការស្វែងរកវត្ថុខ្លះក្នុងរូបភាពដោយប្រើ AI។ វាមិនដូចឧបករណ៍ចាក់ថ្នាក់រូបភាពដែលអ្នកបានបណ្តុះបណ្តាលក្នុងគម្រោងមុនទេ។ អ្នកមិនត្រូវទាយថាស្លាកណាមួយផ្ទាល់សម្រាប់រូបភាពទាំងមូលទេ ប៉ុន្តែជួយស្វែងរកវត្ថុមួយឬច្រើននៅក្នុងរូបភាព។

ការស្វែងរកវត្ថុ ប្រៀបធៀបទៅនឹងការចាក់ថ្នាក់រូបភាព

ការចាក់ថ្នាក់រូបភាពគឺការចាត់ថ្នាក់រូបភាពទាំងមូល - មានប្រូបាប្បារបស់ភាពដែលរូបភាពទាំងមូលផ្គូរផ្គងគ្នានឹងស្លាកនីមួយៗ។ អ្នកទទួលបានប្រូបាប្បារបស់ភាពចំពោះស្លាកគ្រប់យ៉ាងដែលបានប្រើបណ្តុះបណ្តាលម៉ូឌែល។

នៅក្នុងឧទាហរណ៍ខាងលើ មានរូបភាពពីរដែលបានចាក់ថ្នាក់ដោយម៉ូឌែលដែលបានបណ្តុះបណ្តាលដើម្បីចាក់ថ្នាក់ប៉ុង Cashew ឬដបប៉ាស្ទែប៉េងប៉ោះ។ រូបភាពដំបូងគឺប៉ុង Cashew ហើយមានលទ្ធផលពីឧបករណ៍ចាក់ថ្នាក់រូបភាព៖

ស្លាក	ប្រូបាប្បារបស់ភាព
`cashew nuts`	98.4%
`tomato paste`	1.6%

រូបភាពទីពីរជារូបភាពដបប៉ាស្ទែប៉េងប៉ោះ និងលទ្ធផលគឺ៖

ស្លាក	ប្រូបាប្បារបស់ភាព
`cashew nuts`	0.7%
`tomato paste`	99.3%

អ្នកអាចប្រើតម្លៃទាំងនេះជាកម្រិតព្រំដែនដើម្បីទាយថាមានអ្វីនៅក្នុងរូបភាព។ តែបើរូបភាពមានដបក្រឡុកប៉ាស្ទែប៉េងប៉ោះច្រើន ឬមានទាំង cashew និងប៉ាស្ទែទាំងពីរតែម្តងតើតម្លៃនឹងទៅដូចម្តេច? លទ្ធផលប្រហែលជាមិនត្រូវតាមអ្វីដែលអ្នកចង់បានទេ។ នេះជាកន្លែងដែលការស្វែងរកវត្ថុចូលមកដំណើរការ។

ការស្វែងរកវត្ថុរួមមានការបណ្តុះបណ្តាលម៉ូឌែលដើម្បីស្គាល់វត្ថុ។ មិនចាំបាច់ផ្តល់រូបភាពដែលមានវត្ថុជាទាំងមូល ហើយប្រកាសថារូបភាពលើនោះជាស្លាកណាមួយទេ ប៉ុន្តែអ្នកបង្ហាញផ្នែកនៃរូបភាពដែលមានវត្ថុជាក់លាក់ និងបានដាក់ស្លាកនៅផ្នែកនោះ។ អ្នកអាចដាក់ស្លាកនៅលើវត្ថុតែមួយក្នុងរូបភាព ឬច្រើនវត្ថុបាន។ ដូច្នេះម៉ូឌែលនឹងរៀនអំពីរូបរាងវត្ថុដដែល មិនមែនគ្រាន់តែរៀនពីរូបភាពដែលមានវត្ថុនោះទេ។

ពេលអ្នកប្រើវាទាយរូបភាព ភាគច្រើនអ្នកមិនទទួលបញ្ជីស្លាកនិងភាគរយវិញទេ ប៉ុន្តែអ្នកទទួលបញ្ជីវត្ថុដែលបានរកឃើញ ដោយមានប្រអប់កំណត់ទំហំជុំវិញវត្ថុនោះ ហើយមានភាគរយសម្គាល់ថាវត្ថុនោះផ្គូរផ្គង់នឹងស្លាកដែលបានផ្ដល់។

🎓 ប្រអប់កំណត់ទំហំ គឺជាប្រអប់ជុំវិញវត្ថុ។

រូបភាពខាងលើមានទាំងប៉ុង cashew និងដបប៉ាស្ទែប៉េងប៉ោះបីដប។ ឧបករណ៍ស្វែងរកវត្ថុបានរកឃើញប៉ុង cashew ហើយឥតលំបាកបង្ហាញប្រអប់កំណត់ដែលមានប៉ុង cashew ជាមួយភាគរយនៃសមាគមភាពថាប្រអប់នោះមានវត្ថុ - ក្នុងករណីនេះ 97.6%។ ឧបករណ៍ស្វែងរកវត្ថុ ក៏បានរកឃើញដបប៉ាស្ទែប៉េងប៉ោះបីដប ហើយផ្ដល់ប្រអប់កំណត់បីប្រអប់ចែងផ្សេងៗ សម្រាប់ដបដែលបានរកឃើញក្នុងមួយ និងមានភាគរយបង្ហាញសម្គាល់ថាប្រអប់នីមួយមួយមានដបប៉ាស្ទែប៉េងប៉ោះ។

✅ គិតពីស្ថានการณ์ខុសគ្នាដែលអ្នកអាចចង់ប្រើម៉ូឌែល AI គ្រប់គ្រងរូបភាព។ តើម៉ូឌែលណាដែលត្រូវការការចាក់ថ្នាក់ ហើយម៉ូឌែលណាត្រូវការការស្វែងរកវត្ថុ?

របៀបដែលការស្វែងរកវត្ថុដំណើរការ

ការស្វែងរកវត្ថុប្រើម៉ូឌែល ML ស្មុគស្មាញ។ ម៉ូឌែលទាំងនេះដំណើរការ ដោយបែងចែករូបភាពជាច្រើនក្រឡាចត្រង្គ ហើយពិនិត្យមើលថាតំបន់កណ្តាលនៃប្រអប់កំណត់ ទាក់ទងជាកណ្តាលរូបភាពដែលផ្គូរផ្គងទីតាំងនឹងរូបភាពណាមួយដែលបានប្រើបណ្តុះបណ្តាលម៉ូឌែល។ អ្នកអាចគិតថាវាជាការដំណើរការឧបករណ៍ចាក់ថ្នាក់រូបភាពលើចំណុចផ្សេងៗនៃរូបភាពដើម្បីស្វែងរកតំណាង។

💁 នេះគឺជាការបង្ហាញខ្លីៗយ៉ាងខ្លី។ មានបច្ចេកទេសជាច្រើនសម្រាប់ការស្វែងរកវត្ថុ ហើយអ្នកអាចអានបន្ថែមអំពីវានៅលើ ទំព័រការស្វែងរកវត្ថុនៅ Wikipedia ។

មានម៉ូឌែលជាច្រើនដែលអាចធ្វើការស្វែងរកវត្ថុបាន។ ម៉ូឌែលមួយដែលល្បីឈ្មោះគឺ YOLO (You only look once), ដែលលឿនបំផុត និងអាចស្វែងរកវត្ថុ 20 ប្រភេទផ្សេងៗ ដូចជាមនុស្ស ទៅនេសាទ កែវភ្លើង និងឡាន។

✅ អានអំពីម៉ូឌែល YOLO នៅ pjreddie.com/darknet/yolo/

ម៉ូឌែលស្វែងរកវត្ថុអាចបណ្តុះឡើងវិញដោយប្រើប្រាស់ការរៀនផ្ទេរដើម្បីស្វែងរកវត្ថុតាមការរចនាឯកសារ។

ការប្រើប្រាស់ការស្វែងរកវត្ថុក្នុងការលក់រាយ

ការស្វែងរកវត្ថុមានប្រយោជន៍ជាច្រើនក្នុងការលក់រាយ។ ពីរបៀប មួយចំនួនរួមមាន៖

ពិនិត្យស្តុក និងរាប់ចំនួន - ស្គាល់ពេលដែលស្តុកតិចលើធ្នើ។ ប្រសិនបើស្តុកតិចពេក វាអាចផ្ញើការជូនដំណឹងទៅបុគ្គលិកឬរ៉ូបូតដើម្បីបំបែកស្តុកឡើងវិញ។
ការស្វែងរកម៉ាស - នៅហាងដែលមានគោលការណ៍ស្លៀកម៉ាស្កាកាលឆមាសសុខភាពសាធារណៈ ការស្វែងរកវត្ថុអាចច្បាស់រាល់មនុស្សដែលពាក់ម៉ាស និងមិនពាក់។
ការគិតថ្លៃសំរាប់ការជាវដោយស្វ័យប្រវត្តិ - ស្វែងរកទំនិញកាត់ចេញពីធ្នើហាងដោយស្វ័យប្រវត្តិ ហើយគិតថ្លៃអតិថិជនយ៉ាងត្រឹមត្រូវ។
ការស្វែងរកហានិភ័យ - ស្គាល់វត្ថុដែលខូចខាតលើជាន់ ឬរូបភាពរាវដែលរំលាយកខ្វក់ ដើម្បីរំលឹកបុគ្គលបោសសំអាត។

✅ ស្រាវជ្រាវ៖ តើមានការប្រើប្រាស់ជាករណីផ្សេងទៀតសម្រាប់ការស្វែងរកវត្ថុក្នុងការលក់រាយទៀតទេ?

បណ្តុះបណ្តាលឧបករណ៍ស្វែងរកវត្ថុ

អ្នកអាចបណ្តុះបណ្តាលឧបករណ៍ស្វែងរកវត្ថុដោយប្រើ Custom Vision ដូចជារបៀបដែលអ្នកបានបណ្តុះបណ្តាលឧបករណ៍ចាក់ថ្នាក់រូបភាព។

មុខងារ - បង្កើតឧបករណ៍ស្វែងរកវត្ថុ

បង្កើត Resource Group សម្រាប់គម្រោងនេះឈ្មោះ stock-detector
បង្កើត Custom Vision training resource មួយដោយឥតគិតថ្លៃ និង Custom Vision prediction resource មួយដោយឥតគិតថ្លៃនៅក្នុង resource group stock-detector។ ឈ្មោះថា stock-detector-training និង stock-detector-prediction។

💁 អ្នកអាចមានតែ resource training និង resource prediction ឥតគិតថ្លៃមួយតែប៉ុណ្ណោះ ដូច្នេះសូមប្រាកដថាអ្នកបានសម្អាតគម្រោងរបស់អ្នកពីមេរៀនមុនៗ។

⚠️ អ្នកអាចយោងទៅតាម ការណែនាំសម្រាប់បង្កើត resource training និង prediction ពីគម្រោង ៤ មេរៀន ១ ប្រសិនបើចាំបាច់។
បើកទំព័រ Custom Vision នៅ CustomVision.ai ហើយចូលប្រើជាមួយគណនី Microsoft ដែលអ្នកប្រើសម្រាប់គណនី Azure របស់អ្នក។
តាមដាន ផ្នែកបង្កើតគម្រោងថ្មី ក្នុងទំព័រប្រើប្រាស់លឿនបង្កើតឧបករណ៍ស្វែងរកវត្ថុក្នុងឯកសារ Microsoft Docs ដើម្បីបង្កើតគម្រោង Custom Vision ថ្មី។ UI អាចប្ដូរប្រចាំ ហើយឯកសារនេះជាការយោងថ្មីជានិច្ច។

ឈ្មោះគម្រោងថា stock-detector។

នៅពេលបង្កើតគម្រោង អ្នកត្រូវប្រាកដប្រើ resource stock-detector-training ដែលអ្នកបានបង្កើតពីមុន។ ប្រភេទគម្រោងជ្រើសរើសជា Object Detection និងដែនកំណត់ជ្រើសរើសជា Products on Shelves។

✅ ដែនកំណត់ products on shelves គឺមានគោលបំណងជាក់លាក់សម្រាប់ស្វែងរកស្តុកលើធ្នើហាង។ អានបន្ថែមអំពីដែនកំណត់ផ្សេងៗនៅ ឯកសារជ្រើសរើសដែនកំណត់លើ Microsoft Docs

✅ ចំណាយពេលស្វែងរក UI របស់ Custom Vision សម្រាប់ឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក។

មុខងារ - បណ្តុះបណ្តាឡឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក

ដើម្បីបណ្តុះម៉ូឌែល អ្នកត្រូវការរូបភាពដែលមានវត្ថុដែលអ្នកចង់ស្វែងរក។

ប្រមើលរូបភាពដែលមានវត្ថុស្វែងរក។ អ្នកត្រូវការអយ្យាករណ៍រូបភាពយ៉ាងតិច 15 រូបភាពដែលមានវត្ថុពីមุมមាត្រចម្ងាយនិងលក្ខខ័ណ្ឌពន្លឺខុសៗគ្នា ប៉ុន្តែល្អបំផុតកាន់តែច្រើន។ ឧបករណ៍នេះប្រើដែនកំណត់ Products on shelves ដូច្នេះសូមចូលរូបភាពជាមួយវត្ថុនៅលើធ្នើហាង។ អ្នកនឹងត្រូវការរូបភាពមួយចំនួនសម្រាប់សាកល្បង ម៉ាស៊ីន។ ប្រសិនបើអ្នកកំពុងស្វែងរកវត្ថុច្រើន អ្នកនឹងចង់បានរូបភាពសាកល្បងដែលមានវត្ថុទាំងអស់ក្នុងរូបភាព។

💁 រូបភាពដែលមានវត្ថុជាច្រើន គិតចំពោះរូបភាព 15 នៃវត្ថុទាំងអស់ក្នុងរូបភាព។

រូបភាពរបស់អ្នកគួរតែជាប្រភេទ png ឬ jpeg ដែលតូចជាង 6MB។ ប្រសិនបើអ្នកប្រើ iPhone ពួកវាអាចជារូបភាព HEIC resolution ខ្ពស់ ដូច្នេះត្រូវបម្លែង និងបង្រួមទំហំ។ រូបភាពច្រើននឹងល្អ ហើយអ្នកគួរតែមានចំនួនស្រដៀងគ្នានៃផ្លែឈើស្រូបពេញ និងមិនពេញ។

ម៉ូឌែលនេះបានរចនាសម្រាប់ផលិតផលលើធ្នើហាង ដូច្នេះសូមព្យាយាមថតរូបវត្ថុជាមួយធ្នើហាង។

អ្នកអាចរកឃើញរូបភាពគំរូដែលអាចប្រើបាននៅក្នុងថត images របស់ cashew nuts និង tomato paste។
តាមដាន ផ្នែកផ្ទុកឡើងនិងដាក់ស្លាករូបភាព ក្នុងឯកសារបង្កើតឧបករណ៍ស្វែងរកវត្ថុ Microsoft docs ដើម្បីផ្ទុកឡើងរូបភាពសម្រាប់បណ្តុះបណ្តាល។ បង្កើតស្លាកដែលសមរម្យសម្រាប់ប្រភេទវត្ថុដែលអ្នកចង់ស្វែងរក។

នៅពេលអ្នកគូរប្រអប់កំណត់វត្ថុ សូមព្យាយាមស្រាប់ឲ្យចេតនា នៅជុំវិញវត្ថុយ៉ាងណាស់។ វាអាចចំណាយពេលក្នុងការចម្រាស់រូបភាពទាំងអស់ ប៉ុន្តែឧបករណ៍នឹងស្វែងរកប្រអប់កំណត់ដែលគិតថាត្រឹមត្រូវ ធ្វើឱ្យរហ័ស។

💁 ប្រសិនបើអ្នកមានរូបភាពលើស 15 សម្រាប់វត្ថុនីមួយៗ អ្នកអាចបណ្តុះឲ្យបាន 15 រួចប្រើមុខងារ Suggested tags។ វានឹងប្រើម៉ូឌែលដែលបានបណ្តុះស្រាប់ ដើម្បីស្វែងរកវត្ថុនៅក្នុងរូបភាពដែលមិនទាន់បានដាក់ស្លាក។ អ្នកអាចបញ្ចាក់ឲ្យលទ្ធផលមើលល្អ ឬបដិសេធ ហើយគូរប្រអប់កំណត់ឡើងវិញ។ វាសន្មត់ថាប្រាក់ប្រែពេលបានច្រើន។
តាមដាន ផ្នែកបណ្តុះឧបករណ៍ស្វែងរកវត្ថុ ក្នុងឯកសារបង្កើតឧបករណ៍ស្វែងរកវត្ថុ Microsoft docs ដើម្បីបណ្តុះឧបករណ៍ស្វែងរកវត្ថុដោយប្រើរូបភាពដែលបានដាក់ស្លាក។

អ្នកនឹងទទួលបានជម្រើសប្រភេទបណ្តុះបណ្តាល។ ជ្រើស Quick Training។

ឧបករណ៍ស្វែងរកវត្ថុ នឹងបណ្តុះបណ្តាល។ វាត្រូវពេលប៉ុន្មាននាទីដើម្បីបញ្ចប់បណ្តុះបណ្តាល។

សាកល្បងឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក

បន្ទាប់ពីឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នកបានបណ្តុះបណ្តាល អ្នកអាចសាកល្បងវា ដោយផ្តល់រូបភាពថ្មីសម្រាប់ស្វែងរកវត្ថុ។

មុខងារ - សាកល្បងឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក

ប្រើប៊ូតុង Quick Test ដើម្បីផ្ទុកឡើងរូបភាពសាកល្បង និងផ្ទៀងផ្ទាត់ថាវត្ថុត្រូវបានរកឃើញ។ ប្រើរូបភាពសាកល្បងដែលអ្នកបានបង្កើតពីមុន មិនត្រូវប្រើរូបភាពដែលបានប្រើសម្រាប់បណ្តុះបណ្តាលទេ។
សាកល្បងរូបភាពសាកល្បងទាំងអស់ដែលអ្នកអាចចូលដំណើរការ និងសំគាល់អត្រាព្រាបៃនៃការរកឃើញ។

បណ្តុះបណ្តាលឡើងវិញឧបករណ៍ស្វែងរកវត្ថុរបស់អ្នក

ពេលអ្នកសាកល្បងឧបករណ៍ស្វែងរកវត្ថុ វាអាចមិនផ្តល់លទ្ធផលដូចដែលអ្នករំពឹងទេ ដូចគ្នានឹងឧបករណ៍ចាក់ថ្នាក់រូបភាពក្នុងគម្រោងមុនៗ។ អ្នកអាចបង្កើនប្រសិទ្ធភាពឧបករណ៍ដោយបណ្តុះបណ្តាលឡើងវិញ ជាមួយរូបភាពដែលវាព្យាយាមមិនបានត្រឹមត្រូវ។

រៀងរាល់ពេលអ្នកធ្វើការទាយប្រើជម្រើស quick test, រូបភាព និងលទ្ធផលនឹងត្រូវរក្សាទុក។ អ្នកអាចប្រើរូបភាពទាំងនេះសម្រាប់បណ្តុះបណ្តាលឡើងវិញម៉ូឌែលរបស់អ្នក។

ប្រើតំបន់ប៊ូតុង Predictions ដើម្បីស្វែងរករូបភាពដែលបានប្រើសាកល្បង
បញ្ជាក់ការស្វែងរកត្រឹមត្រូវ យកចេញឱ្យបានវត្ថុដែលកំហុស ហើយបន្ថែមវត្ថុដែលអត់បង្ហាញ។
បណ្តុះបណ្តាលឡើងវិញ និងសាកល្បងម៉ូឌែលវិញ។

🚀 도전

តើមានអ្វីកើតឡើង ប្រសិនបើអ្នកប្រើឧបករណ៍ស្វែងរកវត្ថុជាមួយផលិតផលដែលមានរូបរាងស្រដៀងគ្នា ដូចជាដបអ្នកស្ដុកដូចគ្នារបស់ប៉ាស្ទែប៉េងប៉ោះ និងប៉េងប៉ោះចែករំលែក? បើអ្នកមានវត្ថុដែលមានរូបរាងស្រដៀងគ្នា សូមព្យាយាមតេស្តវាដោយបន្ថែមរូបភាពរបស់វាទៅក្នុងកម្មវិធីរកវត្ថុរបស់អ្នក។

សំណួរបន្ទាប់ពីមេរៀន

ការត្រួតពិនិត្យ និងការសិក្សាផ្ទាល់ខ្លួន

នៅពេលដែលអ្នកបណ្តុះបណ្តាលកម្មវិធីរកវត្ថុរបស់អ្នក អ្នកនឹងបានឃើញតម្លៃសម្រាប់ Precision, Recall, និង mAP ដែលវាយតម្លៃម៉ូដែលដែលបានបង្កើត។ សូមអានអំពីតម្លៃទាំងនេះដោយប្រើ ផ្នែក Evaluate the detector ក្នុងការចាប់ផ្តើមបង្កើតកម្មវិធីរកវត្ថុ នៅលើឯកសាររបស់ Microsoft
អានបន្ថែមអំពីការរកវត្ថុនៅលើ ទំព័រ Object detection នៅលើវីគីភីឌា

ការចាត់តាំង

ធៀបតំបន់

ការបញ្ជាក់៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំទទួលបានភាពត្រឹមត្រូវ សូមយល់ព្រមថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាមូលដ្ឋានរបស់វាគួរតែត្រូវបានពិចារណាថាជា ប្រភពផ្លូវការជាដើម។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សដ៏មានជំនាញគឺបានផ្តល់អនាគតល្អជាង។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។

32 KiB Raw Permalink Blame History