45 KiB

Raw Permalink Blame History Unescape Escape

ಹಣ್ಣುಗಳ ಗುಣಮಟ್ಟ ಪತ್ತೆಹಚ್ಚುವ ಸಾಧನವನ್ನು ತರಬೇತಿ ಮಾಡಿ

ಸ್ಕೆಚ್‌ನೋಟ್ ನಿತ್ಯ ನರಸಿಂಹನ್ ಅವರಿಂದ. ಹೆಚ್ಚಿನ ಆವೃತ್ತಿಗಾಗಿ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.

ಈ ವೀಡಿಯೊವು ಅಜೆರ್ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಸೇವೆಯ ಅವಲೋಕನವನ್ನು ನೀಡುತ್ತದೆ, ಈ ಪಾಠದಲ್ಲಿ ಈ ಸೇವೆಯನ್ನು ವಿವರಿಸಲಾಗುತ್ತದೆ.

🎥 ವೀಡಿಯೊ ನೋಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ

ಪಾಠದ ಪೂರ್ವ ಪರೀಕ್ಷೆ

ಪರಿಚಯ

ಇತ್ತೀಚಿನ ಆರ್‌ಟಿಫಿಷಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (AI) ಮತ್ತು ಮೆಷೀನ್ ಲರ್ನಿಂಗ್ (ML) ಏರಿಕೆಯು ಇಂದಿನ ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಅನೇಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತಿದೆ. ML ಮಾದರಿಗಳನ್ನು ಚಿತ್ರಗಳಲ್ಲಿ ಬೇರೆಯಾಗಿ ಹಣ್ಣುಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತು ಮಾಡಬಹುದು, ಇದನ್ನು IoT ಸಾಧನಗಳಲ್ಲಿ ಬಳಸಿಕೊಂಡು ಹಣ್ಣುಗಳನ್ನು ಆಯ್ಕೆಯಾಗುವ ಮೂಲಕ ತೆರೆಯುವಾಗ ಅಥವಾ ಕಾರ್ಖಾನೆಗಳಲ್ಲಿಯೇ ಪ್ರಕ್ರಿಯೆಯ ಸಮಯದಲ್ಲಿ ವಿಂಗಡಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು.

ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಚಿತ್ರ ವರ್ಗೀಕರಣದ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳುತ್ತದೆ - ವಿಭಿನ್ನ ವಸ್ತುಗಳ ಚಿತ್ರಗಳನ್ನು ಮತ್ತು ಗುರುತಿಸಲು ML ಮಾದರಿಗಳನ್ನು ಬಳಸುವುದು. ನೀವು ಹಣ್ಣು ಉತ್ತಮವಿದೆಯೇ, ಕೆಟ್ಟವಿದೆಯೇ ಎಂದು (ಅಥವಾ ಅತಿಯಾಗಿ ಒಣಗಿದ್ದ, ಗರೆಯಾದ, ಹಾಳಾದ) ಗುರುತಿಸಲು ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರವನ್ನು ತರಬೇತಿ ಮಾಡುವುದು ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ.

ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಚರ್ಚಿಸುವ ವಿಷಯಗಳು:

ಆಹಾರವನ್ನು ವಿಂಗಡಿಸಲು AI ಮತ್ತು ML ಬಳಕೆ

ಜಾಗತಿಕ ಜನಸಂಖ್ಯೆಯನ್ನು ಪೂರೈಸುವುದು ಕಠಿಣ, ವಿಶೇಷವಾಗಿ ಆಹಾರ ಎಲ್ಲರಿಗೂ ಪಡೆಯಲು ಸಾಧ್ಯವಾದ ಬೆಲೆಯಲ್ಲಿ. ಪ್ರಮುಖ ವೆಚ್ಚಗಳಲ್ಲಿ ಒಂದು ಮಾಂಡಲಿ (ಲೇಬರ್), ಆದ್ದರಿಂದ ಕೃಷಿಕರು ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆ ಮತ್ತು IoT ಉಪಕರಣಗಳನ್ನು ಬಳಸಿ ತಮ್ಮ ಕೆಲಸದ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಕೈಯಿಂದ ಕರಿಗೊಳಿಸುವುದು ಅತಿಯಲ್ಲಿ ಪರಿಶ್ರಮ ಮತ್ತು ಹಿಂಬಾಲಿಸುವ ಕೆಲಸ ಆಗಿದ್ದು, ವಿಶೇಷವಾಗಿ ಶ್ರೀಮಂತ ರಾಷ್ಟ್ರಗಳಲ್ಲಿ ಯಂತ್ರದಿಂದ ಬದಲಾಯಿಸಲಾಗುತ್ತಿದೆ. ಯಂತ್ರದಿಂದ ಕರಿಗೊಳಿಸುವಿಕೆ ವೆಚ್ಚ ಇಳಿಕೆ ತಂದರೂ, ಆಹಾರವನ್ನು ಕರಿಗೊಳಿಸುವಾಗಲೇ ವಿಂಗಡಿಸುವ ಸಾಮರ್ಥ್ಯ ಇಲ್ಲ.

ಎಲ್ಲಾ ಬೆಳೆಗಳು ಸಮಾನವಾಗಿ ಒಣಗುವುದಿಲ್ಲ. ಉದಾಹರಣೆಗೆ ಟೊಮೇಟೋಗಳು ಬಹುತೆಕ ಒಣಗಿದ್ದಾಗಲೂ ಕುಡಿಯು ಮೆಲೆಯಲ್ಲಿ ಹಸಿವು ಹಣ್ಣುಗಳಿರಬಹುದು. ಇವುಗಳನ್ನು ಇಳಿಸಿದರೆ ವ್ಯರ್ಥ, ಆದರೂ ರೈತರಿಗೆ ಯಂತ್ರದಿಂದ ಎಲ್ಲ ಹಣ್ಣನ್ನೂ ಇಳಿಸಲು ಮತ್ತು ಹೊಳಪಿಲ್ಲದ ಹಣ್ಣುಗಳನ್ನು ತವರಿಸಲು ಈ ಕಡಿಮೆ ವೆಚ್ಚ ತೃಪ್ತಿ ಮತ್ತು ಸುಲಭವಾಗಿದೆ.

✅ ನಿಮ್ಮ ಅಲ್ಲಿನ ಕೃಷಿ ಪ್ರದೇಶಗಳಲ್ಲಿವ ಅಥವಾ ಅಂಗಡಿಯಲ್ಲಿವ ಹಣ್ಣುಗಳ್ರನ್ನು ನೋಡಿ, ಅವು ಎಲ್ಲವು ಸಮಾನವಾಗಿ ಒಣಗಿದ್ದಿವೆಯೇ ಅಥವಾ ಬೇರೆಯಾಗಿವೆಯೇ?

ಸ್ವಯಂಚಾಲಿತ ಕರಿಗೊಳಿಸುವಿಕೆಯು ಹಣ್ಣುಗಳ ವಿಂಗಡಣೆಯನ್ನು ಕರಿಗೊಳಿಸುವ ಸ್ಥಳದಿಂದ ಕಾರ್ಖಾನೆಗೆ ಕರೆದೊಯಿತು. ಆಹಾರವು ಉದ್ದಾದ ವೈರಿಯ ಮೇಲೆ ಸಾಗುತ್ತಿತ್ತು, ಮತ್ತು ತಂಡದ ಸದಸ್ಯರು ಗುಣಮಟ್ಟಕ್ಕೆ ಸರಿಹೊಂದುತ್ತದನ್ನು ಮಾತ್ರ ಆಯ್ಕೆ ಮಾಡುತ್ತಿದ್ದರು. ಕರಿಗೊಳಿಸುವಿಕೆ ಯಂತ್ರದಿಂದ ಉತ್ತಮವಾಗಿದ್ದರೆ ಸಹ ಕೈಯಿಂದ ವಿಂಗಡಿಸುವ ವೆಚ್ಚ ಇತ್ತು.

ಮುಂದಿನ ಬೆಳವಣಿಗೆಯಲ್ಲಿ ಈ ಯಂತ್ರಗಳನ್ನು ಹಾರ್ವೆಸ್ಟರ್‌ಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ ಅಥವಾ ಪ್ರಕ್ರಿಯೆ ಘಟಕಗಳಲ್ಲಿ ಇಳಿಸಲಾಗುವ ಮೂಲಕ ಬಳಕೆ ಮಾಡಲಾಯಿತು. ಮೊದಲ ತಲೆಮಾರಿನ ಯಂತ್ರಗಳು ಬಣ್ಣಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ದೃಷ್ಟಿ ಸಂವೇದಕಗಳನ್ನು ಬಳಸುತ್ತಿವೆ, ಹಸಿರು ಟೊಮೇಟೋಗಳನ್ನು ಲೀವರ್ ಅಥವಾ ಗಾಳಿಯ ಬಿಸಿಲುಗಳಿಂದ ಕಸದ ಬಟ್ಟಲಿಗೆ ತಳ್ಳಲು ಕಾರ್ಯಾಕುಸಿಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತವೆ, ಕೆಂಪು ಟೊಮೇಟೋಗಳು ಕನ್‌ವೇಯರ್ ಬೇಳ್ಟ್ ನಲ್ಲಿ ಮುಂದುವರಿಯುತ್ತವೆ.

ಈ ವೀಡಿಯೊದಲ್ಲಿ, ಟೊಮೇಟೋಗಳು ಒಂದು ಕನ್‌ವೇಯರ್ ಬೇಳ್ಟ್ ನಿಂದ ಮತ್ತೊಂದಕ್ಕೆ ಪಾಯುತ್ತಿದ್ದಂತೆ ಹಸಿರು ಟೊಮೇಟೋಗಳನ್ನು ಪತ್ತೆಮಾಡಿ ಲೀಗರ್‌ಗಳ ಮೂಲಕ ಕಸದ ಬಟ್ಟಲಿಗೆ ಎಸೆದು ಹಾಕಲಾಗುತ್ತದೆ.

✅ ಈ ದೃಷ್ಟಿ ಸಂವೇದಕಗಳು ಸರಿಯಾಗಿಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಕಾರ್ಖಾನೆ ಅಥವಾ ಕೃಷ್ಟಿಯಲ್ಲಿ ಯಾವ ಪರಿಸ್ಥಿತಿಗಳು ಬೇಕಾಗಿವೆ?

ಈ ವಿಂಗಡಣಾ ಯಂತ್ರಗಳ ಇತ್ತೀಚಿನ ಅಭಿವೃದ್ಧಿಗಳು AI ಮತ್ತು ML ಉಪಯೋಗಿಸುತ್ತವೆ, ಡಿಫರೆಂಟ್ ಬಣ್ಣಾಹಿತೆಯನ್ನು ಮಾತ್ರವಲ್ಲದೆ, ಕಾಯಿಲೆ ಅಥವಾ ಗರೇಯನ್ನು ಸೂಚಿಸುವ ಸಣ್ಣ ಸುಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತಿಯ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತವೆ.

ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮೂಲಕ ಚಿತ್ರ ವರ್ಗೀಕರಣ

ಪಾರಂಪರಿಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ನಲ್ಲಿ ನೀವು ಡೇಟಾವನ್ನು ಪಡೆಯುತ್ತೀರಿ, ಆಲ್ಗಾರಿಥಂವನ್ನು ಅಳವಡಿಸುತ್ತೀರಿ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಪಡೆಯುತ್ತೀರಿ. ಇತ್ತೀಚಿನ ಪ್ರಾಜೆಕ್ಟಿನಲ್ಲಿ ನೀವು GPS ಸಂಯೋಜನೆಗಳನ್ನು ಮತ್ತು ಜಿಯೋಫೆನ್ಸ್ ಅನ್ನು ತೆಗೆದುಕೊಂಡು, ಅಜೆರ್ ಮ್ಯಾಪ್ಸ್ ನಲ್ಲಿ ನೀಡಲಾದ ಆಲ್ಗಾರಿಥಂ ಅನ್ನು ಬಳಸಿದಿರಿ, ನಂತರ ಬಿಂದು ಆ ಕೆಳಗಿನಲ್ಲಿದೆಯೇ ಅಥವಾ ಮೇಲಾಗಿದೆಯೇ ಎಂಬ ಫಲಿತಾಂಶ ಪಡೆದುಕೊಂಡಿರಿ. ನೀವು ಹೆಚ್ಚುವರಿ ಡೇಟಾ ನೀಡಿದರೆ ಇನ್ನಷ್ಟು ಔಟ್‌ಪುಟ್ ಸಿಗುತ್ತದೆ.

ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಇದು ತಿರುಗಿಸಿದೆ - ನೀವು ಡೇಟಾ ಮತ್ತು ತಿಳಿದ ಔಟ್‌ಪುಟ್‌ಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುತ್ತೀರಿ, ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಆಲ್ಗಾರಿಥಂ ಡೇಟಾದಿಂದ ಕಲಿಯುತ್ತದೆ. ನಂತರ ನೀವು ಈ ತರಬೇತುಗೊಂಡ ಆಲ್ಗಾರಿಥಂ (ಮೇಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿ ಅಥವಾ ಮಾದರಿ ಎಂದು ಕರೆಯಲ್ಪಡುವ) ಪಡೆಯುತ್ತೀರಿ, ಮತ್ತು ಹೊಸ ಡೇಟಾ ಇನ್ಪುಟ್ ಮಾಡಿ ಹೊಸ ಔಟ್‌ಪುಟ್ ಪಡೆಯಬಹುದು.

🎓 ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಆಲ್ಗಾರಿಥಂ ಡೇಟಾದಿಂದ ಕಲಿಯುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತರಬೇತಿ ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಇನ್ಪುಟ್ ಮತ್ತು ತಿಳಿದ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ತರಬೇತಿ ಡೇಟಾ ಎಂದು ಕರೆಯುತ್ತಾರೆ.

ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿಗೆ ಲಕ್ಷಾಂತರ ಹಣ್ಣುಗಳ ಚಿತ್ರಗಳನ್ನು ಅಮಾಪಿತ್ರವಾಗದ ಎಂದು ತರಬೇತಿ ಡೇಟಾ ಇನ್ಪುಟ್ ನೀಡಿ, ಮತ್ತು ಲಕ್ಷಾಂತರ ಕ್ಯಾಳಾದ ಹಣ್ಣುಗಳ ಚಿತ್ರಗಳನ್ನು ಪಕ್ವ ಎಂದೂ ಸೂಚಿಸಿ ತರಬೇತುಗೊಳಿಸಬಹುದು. ನಂತರ ML ಆಲ್ಗಾರಿಥಂ ಈ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ನೀವು ನಂತರ ಈ ಮಾದರಿಗೆ ಹೊಸ ಹಣ್ಣು ಚಿತ್ರದ ಕೊಡುವಾಗ ಅದು ಪಕ್ವ ಅಥವಾ ಅಮಾಪಿತ್ರ ಎಂದೇ ಭವಿಷ್ಯವನ್ನು ಊಹಿಸುತ್ತದೆ.

🎓 ML ಮಾದರಿಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿ ಎಂದು ಕರೆಯುತ್ತಾರೆ

ML ಮಾದರಿಗಳು ದ್ವೈಮೂಲಿಕ ಉತ್ತರ ಕೊಡುವುದಿಲ್ಲ, ಬದಲಿಗೆ ಸಾಧ್ಯತೆಗಳನ್ನು ನೀಡುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿಗೆ ಬ್ಯಾನೆನ್ ಚಿತ್ರ ನೀಡಿದಾಗ 99.7% ಪಕ್ವ ಮತ್ತು 0.3% ಅಮಾಪಿತ್ರ ಎಂದು ಊಹಿಸಬಹುದು. ನಿಮ್ಮ ಕೋಡ್ ಉತ್ತಮ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಆರಿಸಿ ಬ್ಯಾನೆನ್ ಪಕ್ವ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಚಿತ್ರಗಳನ್ನು ಪತ್ತೆ ಮಾಡಬಲ್ಲ ML ಮಾದರಿಗಳನ್ನು ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರ ಎಂದು ಹೆಸರಿಸಲಾಗುತ್ತದೆ – ಈ ಮುದ്രಿತ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸಿ ಹೊಸ ಚಿತ್ರಗಳನ್ನು ಆ ಲೇಬಲ್ ಗಳ ಆಧಾರದ ಮೇಲೆ ವರ್ಗೀಕರಿಸುತ್ತದೆ.

💁 ಇದು ಸಾದಾರಣೀಕರಣವಾಗಿದೆ, ಮತ್ತು ಲೇಬಲ್ ಲಭ್ಯವಿಲ್ಲದ ತರಬೇತಿಗೆ ಪರೀಕ್ಷಣೆಯಿಲ್ಲದ ಕಲಿಕೆ ಸೇರಿದಂತೆ ಹಲವಾರು ತರಬೇತಿ ವಿಧಾನಗಳಿವೆ. ML ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಲು, ML ಶುರುಮಾಡುವವರಿಗೆ, 24 ಪಾಠಗಳ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪಠ್ಯಕ್ರಮ ಪರಿಶೀಲಿಸಿ.

ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರ ತರಬೇತಿ

ಒಂದು ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರ ತರಬೇತಿ ಮಾಡಲು ಲಕ್ಷಾಂತರ ಚಿತ್ರಗಳು ಬೇಕಾಗುತ್ತವೆ. ಆದರೆ, ನೀವು 이미 ಹಲವಾರು ಬಗೆಯ ಚಿತ್ರಗಳೊಂದಿಗೆ ಒಂದು ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರವನ್ನು ತರಬೇತು ಮಾಡಿಕೊಂಡಿದ್ದರೆ, ಅದನ್ನು ಪುನಃ ಬಳಸಿಕೊಂಡು ಕಡಿಮೆ ಸಂખ્યೆಯ ಚಿತ್ರಗಳೊಂದಿಗೆ ಹಸ್ತಾಂತರ ಕಲಿಕೆ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಬಹುದು.

🎓 ಹಸ್ತಾಂತರ ಕಲಿಕೆ ಎಂದರೆ ಈಗಿರುವ ML ಮಾದರಿಯಿಂದ ಕಲಿಕೆಯನ್ನೊಂದು ಹೊಸ ಮಾದರಿಗಿಂತ ಹೊಸ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ವರ್ಗಾಯಿಸುವುದು.

ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರವು ವಿವಿಧ ಚಿತ್ರಗಳ ಮೇಲೆ ತರಬೇತುಗೊಂಡಾಗ, ಇದು ಆಕಾರಗಳು, ಬಣ್ಣಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಪರಿಣತಿ ಹೊಂದುತ್ತದೆ. ಹಸ್ತಾಂತರ ಕಲಿಕೆ ಈ ಕಲಿತಮನಸ್ಸಿನ ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಹೊಸ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ.

ನೀವು ಇದನ್ನು ಮಕ್ಕಳ ಆಕಾರ ಪುಸ್ತಕಗಳಂತೆ ಯೋಚಿಸಬಹುದು, ಅಲ್ಲಿ ನೀವು ಅರ್ಧ ವೃತ್ತ, ಚತುರಸ್ರ ಮತ್ತು ತ್ರಿಭುಜವನ್ನು ಗುರುತಿಸಿದರೆ, ಅವುಗಳ ಸಂಕಲನದಿಂದ ತುಕ್ಕಿನ ಹಡಗು ಅಥವಾ ಬೆಕ್ಕಿನ ಚಿತ್ರವನ್ನು ಗುರುತಿಸಬಹುದು. ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರವು ಆಕಾರಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಹಸ್ತಾಂತರ ಕಲಿಕೆ ಯಾವ ಸಂಯೋಜನೆಯು ಹಡಗು ಅಥವಾ ಬೆಕ್ಕು ಅಥವಾ ಪಕ್ವ ಬ್ಯಾನೆನ್ ಎಂಬುದನ್ನು ಕಲಿಸುತ್ತದೆ.

ಹೆಚ್ಚು ಸಹಾಯಕ ಉಪಕರಣಗಳಿವೆ, ಸೇರಿದಂತೆ ಮೇಘ ಆಧಾರಿತ ಸೇವೆಗಳು, ನೀವು ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ತರಬೇತು ಮಾಡಿ ನಂತರ ವೆಬ್ APIಗಳ ಮೂಲಕ ಬಳಸಬಹುದು.

💁 ಈ ಮಾದರಿಗಳ ತರಬೇತಿ ಬಹುಕಾಲದ ಕಂಪ್ಯೂಟರ್ ಶಕ್ತಿಯನ್ನು ಅಗತ್ಯವಿರುತ್ತದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಗ್ರಾಫಿಕ್ಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯುನಿಟ್‌ಗಳ (GPU) ಮೂಲಕ. ನಿಮ್ಮ XBox ನಲ್ಲಿ ಆಟಗಳನ್ನು ಅದ್ಭುತವಾಗಿ ತೋರಿಸುವ ವಿಶೇಷ ತಂತ್ರಾಂಶಗಳನ್ನು ML ಮಾದರಿಗಳು ತರಬೇತು ಮಾಡಲು ಬಳಸಬಹುದು. ಮೇಘ ಸೇವೆಗಳಿಂದ ಈ ಶಕ್ತಿಯ ಸಮಯವನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆಯಬಹುದು, ನಿಮಗೆ ಬೇಕಾದಷ್ಟು ಸಮಯಕ್ಕೆ ಮಾತ್ರ.

ಕಸ್ಟಮ್ ದೃಷ್ಠಿ

ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವ ಮೇಹಗೆ ಆಧಾರಿತ ಉಪಕರಣವಾಗಿದೆ. ಇದು ಕಡಿಮೆ ಚಿತ್ರಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಣ ಯಂತ್ರ ತರಬೇತುಗೊಳಿಸಲು ಅನುಕೂಲವಾಗುತ್ತದೆ. ನೀವು ಚಿತ್ರಗಳನ್ನು ವೆಬ್ ಪೋರ್ಟಲ್, ವೆಬ್ API ಅಥವಾ SDK ಮೂಲಕ ಅಪ್‌ಲೋಡ್ ಮಾಡಬಹುದು, ಮತ್ತು ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ ಅದರ ವರ್ಗೀಕರಣದ ಟ್ಯಾಗ್ ಕೊಡಬಹುದು. ನಂತರ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಿ ಕಾರ್ಯಕ್ಷಮತೆ ಪರೀಕ್ಷಿಸಬಹುದು. ನೀವು ದೋಷರಹಿತವಾಗಿದ್ದರೆ, ನೀವು ಅದನ್ನು ವೆಬ್ API ಅಥವಾ SDK ಮೂಲಕ ಪ್ರವೇಶಿಸಲು ಪ್ರಕಟಿಸಬಹುದು.

💁 ನೀವು ಪ್ರತಿಯೊಂದು ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಕನಿಷ್ಠ 5 ಚಿತ್ರಗಳೊಂದಿಗೆ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಬಹುದು, ಆದರೆ ಹೆಚ್ಚು ಉತ್ತಮ. ಕನಿಷ್ಠ 30 ಚಿತ್ರಗಳೊಂದಿಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶ ಸಿಗಬಹುದು.

ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಕಾಗ್ನಿಟಿವ್ ಸೇವೆಗಳ ಒಂದು ಭಾಗವಾಗಿದೆ. ಇವು ತರಬೇತಿನ್ ಇলে ಬಳಸಬಹುದಾದ ಅಥವಾ ಕಡಿಮೆ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದ AI ಉಪಕರಣಗಳಾಗಿವೆ. ಇದರಲ್ಲಿ ಮಾತು ಗುರುತಿಸುವಿಕೆ, ಭಾಷಾಂತರ, ಭಾಷೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆ ಸೇರಿವೆ. ಮೇಘದ ಉಚಿತ ಮಟ್ಟದಲ್ಲಿ ಇವು ಲಭ್ಯವಿವೆ.

💁 ಉಚಿತ ಮಟ್ಟವು ಮಾದರಿಯನ್ನು ಸೃಷ್ಟಿಸುವ, ತರಬೇತು ಮಾಡಲು, ಅಭಿವೃದ್ಧಿಮಾಡಲು ಸಾಕಷ್ಟಾಗಿದೆ. ಉಚಿತ ಮಟ್ಟದ ಮಿತಿಗಳನ್ನು ಕಸ್ಟಮ್ ವೀಷನ್ ಮಿತಿಗಳು ಮತ್ತು ಕಾಲಾವಧಿಗಳ ಡಾಕ್ಯುಮೆಂಟ್ ನಲ್ಲಿ ಓದಬಹುದು.

ಕಾರ್ಯ - ಕಾಗ್ನಿಟಿವ್ ಸರ್ವಿಸ್ ಸಂಪನ್ಮೂಲ ರಚಿಸಿ

ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಬಳಸಲು, ನೀವು ಮೊದಲು ಅಜೆರ್ CLI ಮೂಲಕ ಎರಡು ಕಾಗ್ನಿಟಿವ್ ಸರ್ವಿಸ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ರಚಿಸಬೇಕು, ಒಂದು ತರಬೇತಿ ಮತ್ತು ಇನ್ನೊಂದು ಭವಿಷ್ಯವಾಣಿ (prediction) ಗೆ.

ಈ ಪ್ರಾಜೆಕ್ಟ್ ಗಾಗಿ fruit-quality-detector ಎಂಬ ರಿಸೋರ್ಸ್ ಗುಂಪನ್ನು ರಚಿಸಿ
ಈ ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ಬಳಸಿ ಉಚಿತ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ತರಬೇತಿ ಸಂಪನ್ಮೂಲ ರಚಿಸಿ:
```
az cognitiveservices account create --name fruit-quality-detector-training \
                                    --resource-group fruit-quality-detector \
                                    --kind CustomVision.Training \
                                    --sku F0 \
                                    --yes \
                                    --location <location>
```
<location> ಅನ್ನು ನೀವು ರಿಸೋರ್ಸ್ ಗುಂಪು ರಚಿಸುವಾಗ ಬಳಸಿದ ಸ್ಥಳದಿಂದ ಬದಲಾಯಿಸಿ.

ಇದು ನಿಮ್ಮ ರಿಸೋರ್ಸ್ ಗುಂಪಿನಲ್ಲಿ fruit-quality-detector-training ಎಂಬ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ತರಬೇತಿ ಸಂಪನ್ಮೂಲವನ್ನು ಉಚಿತ F0 SKU ಬಳಸಿ ರಚಿಸುತ್ತದೆ. --yes ಆಯ್ಕೆಯು ಕಾಗ್ನಿಟಿವ್ ಸರ್ವಿಸ್ ನಿಯಮಗಳಿಗೆ ಒಪ್ಪಿಗೆ ಸೂಚಿಸುತ್ತದೆ.

💁 ನೀವು ಈಗಾಗಲೇ ಕಾಗ್ನಿಟಿವ್ ಸರ್ವಿಸ್ ಉಚಿತ ಖಾತೆಯನ್ನು ಹೊಂದಿದ್ದರೆ S0 SKU ಬಳಸಿ.

ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ಬಳಸಿ ಉಚಿತ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಭವಿಷ್ಯವಾಣಿ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸಿ:
```
az cognitiveservices account create --name fruit-quality-detector-prediction \
                                    --resource-group fruit-quality-detector \
                                    --kind CustomVision.Prediction \
                                    --sku F0 \
                                    --yes \
                                    --location <location>
```
<location> ಅನ್ನು ನೀವು ರಿಸೋರ್ಸ್ ಗುಂಪು ರಚಿಸುವಾಗ ಬಳಸಿದ ಸ್ಥಳದಿಂದ ಬದಲಾಯಿಸಿ.

ಇದು ನಿಮ್ಮ ರಿಸೋರ್ಸ್ ಗುಂಪಿನಲ್ಲಿ fruit-quality-detector-prediction ಎಂಬ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಭವಿಷ್ಯವಾಣಿ ಸಂಪನ್ಮೂಲವನ್ನು ಉಚಿತ F0 SKU ಬಳಸಿ ರಚಿಸುತ್ತದೆ. --yes ಆಯ್ಕೆಯು ಕಾಗ್ನಿಟಿವ್ ಸರ್ವಿಸ್ ನಿಯಮಗಳಿಗೆ ಒಪ್ಪಿಗೆ ಸೂಚಿಸುತ್ತದೆ.

ಕಾರ್ಯ - ಚಿತ್ರ ವರ್ಗೀಕರಣ ಪ್ರಾಜೆಕ್ಟ್ ರಚಿಸಿ

ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಪೋರ್ಟಲ್ CustomVision.ai ಗೆ ಹೋಗಿ, ಮತ್ತು ನೀವು ಬಳಸಿದ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೆರ್ ಖಾತೆಯೊಂದಿಗೆ ಲಾಗಿನ್ ಆಗಿ.
ಮೈಕ್ರೋಸಾಫ್ಟ್ ಡಾಕ್ಯುಮೆಂಟ್‌ನ ಬಿಲ್ಡ್ ಎ ಕ್ಲಾಸ್ಸಿಫೈಯರ್ ಕ್ವಿಕ್‌ಸ್ಟಾರ್ಟ್‌ನ ಹೊಸ ಪ್ರಾಜೆಕ್ಟ್ ರಚಿಸುವ ವಿಭಾಗವನ್ನು ಅನುಸರಿಸಿ ಹೊಸ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಪ್ರಾಜೆಕ್ಟ್ ರಚಿಸಿ. ಬಳಕೆಪಡೆಯುವ UI ಬದಲಾಯಿಸಬಹುದು, ಈ ಡಾಕ್ಸ್ ತಾಜಾದ ಮಾಹಿತಿಯೇ ಆಗಿರುತ್ತವೆ.

ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಹೆಸರು fruit-quality-detector ಎಂದು ಇರಿಸಿ.

ಪ್ರಾಜೆಕ್ಟ್ ರಚಿಸುವಾಗ, ನಿಮಗೆ ಮೊದಲು ರಚಿಸಿದ fruit-quality-detector-training ಸಂಪನ್ಮೂಲವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಉಪಯೋಗಿಸಿ. Classification ಪ್ರಾಜೆಕ್ಟ್ ಬಗೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ, Multiclass ವರ್ಗೀಕರಣ ಪ್ರಕಾರವನ್ನು ಬಳಸಿ ಮತ್ತು Food ಡೊಮೇನ್ ಅನ್ನು ಆರಿಸಿಕೊಳ್ಳಿ.

✅ ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರಕ್ಕಾಗಿ ಕಸ್ಟಮ್ ದೃಷ್ಠಿ ಬಳಕೆಪಡೆಯುವಿಕೆಯು ಆದಷ್ಟು ಅನುಭವಿಸಿ.

ಕಾರ್ಯ - ನಿಮ್ಮ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಯಂತ್ರವನ್ನು ತರಬೇತಿ ಮಾಡಿ

ಚಿತ್ರ ವರ್ಗೀಕರಣ ತರಬೇತಿಗಾಗಿ ಹಲವು ಹಣ್ಣುಗಳ ಚಿತ್ರಗಳು ಬೇಕಾಗುತ್ತವೆ, ಉತ್ತಮ ಮತ್ತು ಕೆಟ್ಟ ಗುಣಮಟ್ಟದ, ಉದಾಹರಣೆಗೆ ಪಕ್ವ ಮತ್ತು ಹತ್ತಿರ ತುಂಬಾ ಹಾಳಾದ ಬ್ಯಾನಾನ.

💁 ಈ ವರ್ಗೀಕರಣ ಯಂತ್ರಗಳು ಯಾವುದೇ ಚಿತ್ರಗಳ ವರ್ಗೀಕರಣಕ್ಕೆ ಬಳಸಬಹುದು, ಹಾಗಾಗಿ ನಿಮಗೆ ಹಣ್ಣುಗಳ ವಿಭಿನ್ನ ಗುಣಮಟ್ಟದ ಚಿತ್ರಗಳಿಲ್ಲದಿದ್ದರೆ, ಎರಡು ವಿಭಿನ್ನ ಹಣ್ಣುಗಳು ಅಥವಾ ಬೆಕ್ಕು ಮತ್ತು ನಾಯಿಗಳನ್ನು ಬಳಸಬಹುದು!

ಆದರ ideally ಪ್ರತಿಯೊಂದು ಚಿತ್ರವು ಹಣ್ಣು ಮಾತ್ರ ಇರಬೇಕು, ಸ್ಥಿರ ಹಿನ್ನೆಲೆಯೊಂದಿಗೆ ಅಥವಾ ವಿಭಿನ್ನ ಹಿನ್ನೆಲೆಗಳೊಂದಿಗೆ. ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಪಕ್ವ ಹಣ್ಣು ಮತ್ತು ಅಮಾಪಿತ್ರ ಹಣ್ಣುಗಳ ನಡುವೆ ವಿಶಿಷ್ಟತೆಯಾಗಬಾರದು.

💁 ಪ್ರತಿ ಟ್ಯಾಗ್‌ಗಾಗಿ ವರ್ಗೀಕರಿಸುವ ವಸ್ತುಗಳಿಗೆ ಸಂಬಂಧಿಸದ ವಿಶೇಷ ಹಿನ್ನೆಲೆಗಳು ಅಥವಾ ವಿಶೇಷ ವಸ್ತುಗಳನ್ನು ಹೊಂದಿರಬಾರದು, ಇಲ್ಲದೆಯೇ ವರ್ಗೀಕರಿಸುವಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ಕ್ಲಾಸಿಫೈಯರ್ ಹಿನ್ನೆಲೆಯ ಆಧಾರದ ಮೇಲೆ ವರ್ಗೀಕರಿಸಬಹುದು. ಚರ್ಮ ಕ್ಯಾನ್ಸರ್‌ಗಾಗಿ ಇದ್ದ ಒಂದು ಕ್ಲಾಸಿಫೈಯರ್ ಸಾಮಾನ್ಯ ಹಾಗೂ ಕ್ಯಾನ್ಸರ್ ಹೊಂದಿರುವ ಮೊಲೆಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡಲಾಗಿತ್ತು, ಆದರೆ ಕ್ಯಾನ್ಸರ್ ಹೊಂದಿರುವ ಮೊಲೆಗಳ ಮೇಲೆ ಎಡಿಗೆಗಳನ್ನು ಅಳತೆಹಾಕಲು rulers ಇರಲಿತ್ತು. ಇದರಿಂದ ಕ್ಲಾಸಿಫೈಯರ್ ಚಿತ್ರದಲ್ಲಿನ rulers ಅನ್ನು 100% ಶೇಕಡಾವಾರಿಯಾಗಿ ಗುರುತಿಸುವಲ್ಲಿ ಯಶಸ್ವಿಯಾದುದು, ಮೊಲೆಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಅಲ್ಲ.

ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವವರು ಕಡಿಮೆ ರೆಸೊಲ್ಯೂಷನ್‌ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ Custom Vision 10240x10240 ರವರೆಗೆ ತರಬೇತಿ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿ ಚಿತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸಬಹುದು, ಆದರೆ 227x227 ರವರೆಗೆ ಚಿತ್ರಗಳಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮತ್ತು ನಿರ್ವಹಣೆ ಮಾಡುತ್ತದೆ. ದೊಡ್ಡ ಚಿತ್ರಗಳನ್ನು ಈ ಗಾತ್ರಕ್ಕೆ ಚುರುಕುಮಾಡಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ವರ್ಗೀಕರಿಸುವ ವಸ್ತು ಚಿತ್ರದಲ್ಲಿ ದಟ್ಟವಾಗಿ ಇರಬೇಕು, ಇಲ್ಲದಿದ್ದರೆ ವರ್ಗೀಕರಿಸುವವರು ಬಳಸುವ ಚಿಕ್ಕ ಚಿತ್ರದಲ್ಲಿ ಅದು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿರಬಹುದು.

ನಿಮ್ಮ ಕ್ಲಾಸಿಫೈಯರ್‌ಗೆ ಚಿತ್ರಗಳನ್ನು ಸೇರಿಸಿಕೊಳ್ಳಿ. ಪ್ರತಿ ಟ್ಯಾಗ್‌ಗೆ ಕನಿಷ್ಠ 5 ಚಿತ್ರಗಳು ತರಬೇತಿ ನೀಡಲು ಬೇಕಾಗುತ್ತದೆ, ಆದ್ರೆ ಹೆಚ್ಚು ಇದ್ರೆ ಉತ್ತಮ. ಪರೀಕ್ಷೆಗಾಗಿ ಕೆಲವು ಹೆಚ್ಚುವರಿ ಚಿತ್ರಗಳು ಬೇಕಾದೀತು. ಈ ಚಿತ್ರಗಳು ಒಂದೇ ವಸ್ತುವಿನ ವಿಭಿನ್ನ ಚಿತ್ರಗಳಾಗಿರಬೇಕು. ಉದಾಹರಣೆಗೆ:
- ಎರಡು ಸಬ್ಬಳ ಬಾಳೆಹಣ್ಣುಗಳಿಂದ, ಪ್ರತಿಯೊಂದರನ್ನೂ ವಿಭಿನ್ನ ಕೋನಗಳಿಂದ ಕನಿಷ್ಠ 7 ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ (5 ತರಬೇತಿಗೆ, 2 ಪರೀಕ್ಷೆಗೆ), ಆದ್ರೆ ಬಹುಮಾನ ಹೆಚ್ಚು.
- ಎರಡು ಕಚಿಂತ ಬಾಳೆಹಣ್ಣುಗಳನ್ನು ಇದೇ ರೀತಿಯಲ್ಲಿ ಮಾಡಿ.
ನಿಮಗೆ ಕನಿಷ್ಠ 10 ತರಬೇತಿ ಚಿತ್ರಗಳು ಇರಬೇಕು, 5 ಸಬ್ಬಳ ಮತ್ತು 5 ಕಚಿಂತ ಬಾಳೆಹಣ್ಣುಗಳೊಂದಿಗೆ, ಮತ್ತು 4 ಪರೀಕ್ಷಾ ಚಿತ್ರಗಳು, 2 ಸಬ್ಬಳ ಹಾಗೂ 2 ಕಚಿಂತ. ನಿಮ್ಮ ಚಿತ್ರಗಳು png ಅಥವಾ jpeg ಆಗಿರಲಿ, 6MB ಕಿಂತಲೂ ಸಣ್ಣ ಗಾತ್ರದಲ್ಲಿ ಇರಲಿ. ಉದಾಹರಣೆಗೆ iPhone ನಿಂದ ತೆಗೆದುಕೊಂಡರೆ ಅವುಗಳ ರೆಸೊಲ್ಯೂಷನ್ ಹೆಚ್ಚು ಇರುವ HEIC ಚಿತ್ರಗಳಾಗಿರಬಹುದು, ಅವುಗಳನ್ನು ಪರಿವರ್ತಿಸಿ ಮತ್ತು ಸಾಧ್ಯವಾದ್ರೆ ಚುರುಕುಮಾಡಿಕೊಳ್ಳಬೇಕು. ಹೆಚ್ಚು ಚಿತ್ರಗಳು ಉತ್ತಮ, ಮತ್ತು ಸಬ್ಬಳ ಹಾಗೂ ಕಚಿಂತ ಹಣ್ಣುಗಳ ಸಮನಷ್ಟು ಸಂಖೆಗಳು ಇರಬೇಕು.

ನೀವು ಸಬ್ಬಳ ಮತ್ತು ಕಚಿಂತ ಹಣ್ಣುಗಳನ್ನು ಎರಡನ್ನೂ ಹೊಂದಿರದಿದ್ದರೆ, ವಿಭಿನ್ನ ಹಣ್ಣುಗಳು ಅಥವಾ ಲಭ್ಯವಿರುವ ಯಾವುದೇ ಎರಡು ವಸ್ತುಗಳನ್ನು ಬಳಸಬಹುದು. ನೀವು images ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಸಬ್ಬಳ ಮತ್ತು ಕಚಿಂತ ಬಾಳೆಹಣ್ಣುಗಳ ಉದಾಹರಣೆಚಿತ್ರಗಳನ್ನು ಕಂಡು ಬಳಸಬಹುದು.
Microsoft ದ್ವಾರಾ ಕ್ಲಾಸಿಫೈಯರ್ ಬೇಸಿಗೆಯಲ್ಲಿ ಚಿತ್ರಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮತ್ತು ಟ್ಯಾಗ್ ಮಾಡುವುದು ವಿಭಾಗವನ್ನು ಅನುಸರಿಸಿ ನಿಮ್ಮ ತರಬೇತಿ ಚಿತ್ರಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿ. ಸಬ್ಬಳ ಹಣ್ಣಿಗೆ ripe ಮತ್ತು ಕಚಿಂತ ಹಣ್ಣಿಗೆ unripe ಎಂದು ಟ್ಯಾಗ್ ಮಾಡಿ.
Microsoft ದ್ವಾರಾ ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿ ನೀಡುವುದು ವಿಭಾಗವನ್ನು ಅನುಸರಿಸಿ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿ ನೀಡಿ.

ತರಬೇತಿಗಾಗಿ ಆಯ್ಕೆ ನೀಡಲಾಗುತ್ತದೆ. ತ್ವರಿತ ತರಬೇತಿ ಆಯ್ದುಕೊಳ್ಳಿ.

ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿ ನಡೆಸುತ್ತದೆ. ತರಬೇತಿ ಸಂಪೂರ್ಣವಾಗಲು ಕೆಲವು ನಿಮಿಷಗಳು ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

🍌 ನೀವು ತರಬೇತಿ ನಡೆಯುವಾಗ ನಿಮ್ಮ ಹಣ್ಣು ತಿನ್ನಲು ನಿರ್ಧರಿಸಿದರೆ, ಮೊದಲು ಪರೀಕ್ಷೆಗಾಗಿ ಸಾಕಷ್ಟು ಚಿತ್ರಗಳಿರಬೇಕು!

ನಿಮ್ಮ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಪರೀಕ್ಷಿಸಿ

ನಿಮ್ಮ ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿಯಾಗಿದ್ದ ಮೇಲೆ, ಹೊಸ ಚಿತ್ರವನ್ನು ಕೊಡಿಸಿ ಅದನ್ನು ಪರೀಕ್ಷೆ ಮಾಡಬಹುದು.

ಕಾರ್ಯ - ನಿಮ್ಮ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಪರೀಕ್ಷಿಸಿ

Microsoft ದ್ವಾರಾ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವ ವಿಭಾಗ ಅನ್ನು ಅನುಸರಿಸಿ ನಿಮ್ಮ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಪರೀಕ್ಷಿಸಿ. ನೀವು ಮೊದಲು ಸೃಷ್ಟಿಸಿದ ಪರೀಕ್ಷಾ ಚಿತ್ರಗಳನ್ನು ಹೋಲಿಸಿ, ತರಬೇತಿಗಾಗಿ ಬಳಸಿದ ಚಿತ್ರಗಳನ್ನು ಬಳಸದಿರಿ.
ನಿಮಗೆ ಲಭ್ಯವಿರುವ ಎಲ್ಲಾ ಪರೀಕ್ಷಾ ಚಿತ್ರಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಸಂಭವನೀಯತೆಗಳನ್ನು ಗಮನಿಸಿ.

ನಿಮ್ಮ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಮರುತರಬೇತಿಗೊಳಿಸು

ನೀವು ಕ್ಲಾಸಿಫೈಯರ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವಾಗ, ನಿರೀಕ್ಷೆಯ ಫಲಿತಾಂಶ ನೀಡಬಹುದು ಎಂಬುದಿಲ್ಲ. ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಒಂದು ಚಿತ್ರದಲ್ಲಿ ಏನು ಇದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಯಂತ್ರ ಅಭ್ಯಾಸ ಬಳಸಿ ಭವಿಷ್ಯ ವಾಣಿ ನೀಡುತ್ತದೆ, ಚಿತ್ರದಲ್ಲಿನ ವೈಶಿಷ್ಟ್ಯಗಳು ನಿರ್ದಿಷ್ಟ ಟ್ಯಾಗ್ ಜೊತೆ ಹೊಂದಿಕೆಯಾಗುವ ಸಂಭವನೀಯತೆಗಳ ಆಧಾರದ ಮೇಲೆ. ಚಿತ್ರದಲ್ಲಿ ಏನು ಇದೆ ಅರ್ಥೈಸುವುದಿಲ್ಲ - ಬಾಳೆಹಣ್ಣು ಏನೆಂದರೆ ಏನು ಎಂಬುದು ತಿಳಿಯದು ಅಥವಾ ಬೋಟ್ ಅಲ್ಲ ಬಾಳೆಹಣ್ಣು ಹೇಗೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಂಡಿಲ್ಲ. ಕೆಟ್ಟ ಫಲಿತಾಂಶ ನೀಡುವ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ ಮರುತರಬೇತಿ ಮಾಡಿಕೊಡಬಹುದು.

ಪ್ರತಿ ಬಾರಿ ನೀವು ತ್ವರಿತ ಪರೀಕ್ಷೆ ಆಯ್ಕೆಯನ್ನು ಬಳಿಸಿದಾಗ, ಚಿತ್ರ ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತವೆ. ಈ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಬಹುದು.

ಕಾರ್ಯ - ನಿಮ್ಮ ಚಿತ್ರ ಕ್ಲಾಸಿಫೈಯರ್ ಮರುತರಬೇತಿಗೊಳಿಸು

Microsoft ದ್ವಾರಾ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿದ ಚಿತ್ರಗಳನ್ನು ತರಬೇತಿಗೆ ಉಪಯೋಗಿಸುವುದು ವಿಭಾಗವನ್ನು ಅನುಸರಿಸಿ ಸರಿಯಾದ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮರುತರಬೇತಿ ಮಾಡಿ.
ಮರುತರಬೇತಿ ನಂತರ, ಹೊಸ ಚಿತ್ರಗಳ ಮೇಲೆ ಪರೀಕ್ಷೆ ಮಾಡಿ.

🚀 ಸವಾಲು

ನೀವು ಬಾಳೆಹಣ್ಣುಗಳ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಿದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ಟ್ರಾಬೆರಿ ಚಿತ್ರವನ್ನು ಹಾಕಿದರೆ, ಅಥವಾ ಬಾಳೆಹಣ್ಣಿನ ಬಾಳಿಂಫ್ಲೇಟೆಬಲ್, ಅಂದರೆ ಗಾಳಿಯಿಂದ ತುಂಬಿಸಿದ ಬಾಳೆಹಣ್ಣು, ಅಥವಾ ಬಾಳೆಹಣ್ಣಿನ ಬಟ್ಟೆಯೊಂದರಲ್ಲಿ ವ್ಯಕ್ತಿಯ ಚಿತ್ರ, ಅಥವಾ ಸಿಂಪ್ಸನ್ಸ್‌ನ ಮೇಲ್ವಿಚಾರಣೆಯಂತಹ ಹಳದಿ ಕಾರ್ಟೂನ್ ಪಾತ್ರ ಇವುಗಳಿಗಾಗಿಯೇ ಚಿತ್ರವನ್ನು ಹಾಕಿದರೆ ಏನು ಸಂಭವಿಸುವುದು ಎಂದು ನೀವು ಎನ್ನುತ್ತೀರಿ?

ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಗಳು ಏನಾಗಿವೆಎಂದು ನೋಡಿ. ಪ್ರಯತ್ನಿಸಲು ಚಿತ್ರಗಳನ್ನು ಹುಡುಕಲು Bing ಚಿತ್ರ ಹುಡುಕಾಟ ಬಳಸಬಹುದು.

ಉಪನ್ಯಾಸದ ನಂತರದ ಪ್ರಶ್ನಾಪಟ್ಟಿ

ಪರಿಶೀಲನೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ

ನೀವು ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿಗೊಳಿಸಿದಾಗ, ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು Precision, Recall, ಮತ್ತು AP ಮೌಲ್ಯಗಳು ನಿಮಗೆ ಕಾಣಿಸಿರಬಹುದು. ಈ ಮೌಲ್ಯಗಳು ಯಾವುವು ಎಂಬುದನ್ನು Microsoft ದ್ವಾರಾ ಕ್ಲಾಸಿಫೈಯರ್ ಮೌಲ್ಯಮಾಪನ ಭಾಗ ಓದಿ ತಿಳಿಯಿರಿ.
ನಿಮ್ಮ ಕ್ಲಾಸಿಫೈಯರ್ ಅನ್ನು ಹೇಗೆ ಸುಧಾರಿಸುವುದು ಎಂಬುದನ್ನು Microsoft ದ್ವಾರಾ ನಿಮ್ಮ Custom Vision ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸುವುದು ವಿಭಾಗವನ್ನು ಓದಿ ತಿಳಿಯಿರಿ.

ನಿಯೋಜನೆ

ಹಲವು ಹಣ್ಣು ಮತ್ತು ತರಕಾರಿಗಳಿಗಾಗಿ ನಿಮ್ಮ ಕ್ಲಾಸಿಫೈಯರ್ ತರಬೇತಿ ನೀಡಿ

ಅस्वೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನuvad ಒಂದುಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿರುವರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತೊಂದರೆಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರುವ ಸಾಧ್ಯತೆಗಳಿವೆ ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅದ್ದೂರಿ ಭಾಷೆಯಲ್ಲಿ ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದದ ಬಳಕೆ consequent ಆಗುವ ಯಾವುದೇ ಬೂದುಭ್ರಮೆಗಳು ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಿಲ್ಲ.

45 KiB Raw Permalink Blame History Unescape Escape