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

ഒരു ഫലം ഗുണനിലവാരം കണ്ടെത്തുന്ന ഉപകരണം പരിശീലിപ്പിക്കുക

സ്കെച്ച്നോട്ട് നിത്യ നരസിംഹൻ tarafından. വലിയ വേച്ചൻസിനായി ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക.

ഈ വീഡിയോ Azure Custom Vision സേവനത്തിന്റെ ഒരു അവലോകനം നൽകുന്നു, ഇത് ഈ പാഠത്തിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നു.

🎥 വീഡിയോ കാണാൻ മുകളിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക

മുൻപത്തെ പാഠ പരിശോധന

Pre-lecture quiz

പരിചയം

ഇന്ന് ആർട്ടിഫിഷ്യൽ ഇൻറലിജൻസ് (AI) എന്നും മെഷീൻ ലേണിങ് (ML) എന്നും ഉയർന്നു വരുന്ന സാങ്കേതിക വിദ്യകൾ വികസകർക്കും പലവിധ ശേഷികൾ നൽകുന്നു. ML മോഡലുകൾ ചിത്രങ്ങളിൽ വ്യത്യസ്ത കാര്യങ്ങൾ തിരിച്ചറിയാൻ പരിശീലിപ്പിക്കപ്പെടാൻ കഴിയും, ഇരുണ്ട പഴങ്ങൾ ഉൾപ്പെടെ, ഇത് ഐഒടി ഉപകരണങ്ങളിൽ പറമ്പ്യത്തുള്ള വിളകൾ ചിട്ടപ്പെടുത്തുന്നതിന് സഹായിക്കാനാകും, വിളവ് എടുക്കുമ്പോൾ അല്ലെങ്കിൽ ഫാക്ടറികളിലും ഗോദാമുകളിലുമുള്ള പ്രോസസ്സിംഗ് സമയത്ത്.

ഈപാഠത്തിൽ നിങ്ങൾ ഇമേജ് ക്ലാസിഫിക്കേഷൻ — വ്യത്യസ്ത കാര്യങ്ങളുടെ ചിത്രങ്ങൾ തമ്മിൽ ഉൾക്കൊള്ളിച്ച് തിരിച്ചറിയാൻ ML മോഡലുകൾ ഉപയോഗിക്കുന്നത് — പഠിക്കും. നല്ലതും ചീത്തതുമായ പഴങ്ങൾ, പാകം കുറവോ അധികമാണോ, പാടുകൾ അല്ലെങ്കിൽ പാഴ്‌സൽ എന്നിവ തിരിച്ചറിയാൻ ഒരു ഇമേജ് ക്ലാസിഫയർ പരിശീലിപ്പിക്കുന്നത് എങ്ങനെ എന്നത് നിങ്ങൾക്കു അറിയാം.

ഈ പാഠത്തിൽ നാം ചർച്ച ചെയ്യുന്നത്:

• ഭക്ഷണം വ്യത്യസ്തമായി തിരിച്ചറിയാൻ AI, ML ഉപയോഗിക്കുന്നത്
• മെഷീൻ ലേണിംഗ് വഴി ഇമേജ് ക്ലാസിഫിക്കേഷൻ
• ഒരു ഇമേജ് ക്ലാസിഫയർ പരിശീലിപ്പിക്കുക
• നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പരീക്ഷിക്കുക
• നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ വീണ്ടും പരിശീലിപ്പിക്കുക

ഭക്ഷണം തിരിച്ചറിയാൻ AI, ML ഉപയോഗിക്കുന്നത്

ലോകത്തെ ജനസംഖ്യയെ ഭക്ഷിപ്പിക്കുന്നത് കഷ്ടമാണ്, പ്രത്യേകിച്ച് എല്ലാവർക്കും സുലഭമായ വിലയിൽ ഭക്ഷണം ലഭ്യമാക്കേണ്ടത്. ഏറ്റവും വലിയ ചെലവുകളിൽ ഒന്നാണ് അടി തൊഴിലാളികൾ, അതുകൊണ്ടുതന്നെ കാർഷികജോലികാര്യം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്-യും ഐഒടി ഉപകരണങ്ങളും ഉപയോഗിച്ച് സ്വയം ഓട്ടോമേഷന്‍ ചെയ്യുന്നതിലൂടെ കുറക്കാൻ ശ്രമിക്കുന്നു. കയ്യോടെ വിളവെടുപ്പ് കഠിനമായ തൊഴിലാളിജോലി ആണ് (പിറകുവേദനയുളള ജോലി), ഈ ജോലി യന്ത്രങ്ങളിൽ മാറ്റിവെക്കുന്നു, പ്രത്യേകിച്ച് സമ്പന്നമായ രാജ്യങ്ങളിൽ. യന്ത്രങ്ങൾ ഉപയോഗിച്ച് വിളവെടുപ്പിൽ ചിലവ് കുറയുമ്പോഴും പഴം തിരിച്ചറിയൽ എന്നത് വെല്ലുവിളി ആണു.

എല്ലാ വിളകളും ഒറ്റപടി പകുതി പാകമായില്ല. കാരറ്റ് കൃഷ്യയിൽ ചിലപ്പോള്‍ കയറിനുള്ള ഉള്ളിലെ ചില പച്ച പഴങ്ങൾ വിളവെടുപ്പിന് തയാറായ വറ്റുന്ന പഴങ്ങൾക്ക് തുടക്കംക്കെത്തുന്നതോടെ ഇണങ്ങിയിരിക്കും. ഈ പച്ച പഴങ്ങൾ വിളവെടുപ്പ് വേഗത്തിൽ കളയുന്നത് ചിലവാകുന്നു, കര്‍ഷകൻ എല്ലാവരും യന്ത്രം ഉപയോഗിച്ച് വിളവെടുക്കും, ശേഷം പച്ച പഴങ്ങൾ ഒഴിവാക്കും.

✅ നിങ്ങളുടെ സമീപത്ത് കൃഷിയിടങ്ങളിലോ തോട്ടത്തിലോ അല്ലെങ്കിൽ കടകളിൽ ഉള്ള വിവിധ പഴങ്ങൾ അല്ലെങ്കിൽ പച്ചക്കറികൾ നോക്കുക. ഇവയുടെ പാകം മുഴുവനും തുല്യമാണ്, അല്ലെങ്കിൽ വ്യത്യാസങ്ങൾ കാണപ്പെടുന്നുണ്ടോ?

സ്വയം ഓട്ടോമേറ്റഡ് വിളവെടുപ്പ് കൊണ്ട് വിളവ് തിരഞ്ഞെടുക്കൽ വിളവെടുപ്പ് സ്ഥലത്തുനിന്ന് ഫാക്ടറിയിലേക്ക് മാറി. ഭക്ഷണം ദീർഘമായ കൺവേയർ ബെൽറ്റുകളിൽ നടത്തിയ, കണക്ക് കൂട്ടിയ ആളുകൾ ഭക്ഷണം പരിശോധിച്ച് കഴിവും നിലവാരവും കുറഞ്ഞതു തള്ളിപ്പറിച്ചിരുന്നത്. യന്ത്രം കാരണം വിളവെടുപ്പ് വില കുറച്ചു പോയെങ്കിലും, ഭക്ഷണം മാനുവലായി തെരഞ്ഞെടുത്തതിൽ ചെലവ് ഉണ്ടായിരുന്നു.

അടുത്ത തലമുറ യന്ത്രങ്ങൾ മെക്കാനിസങ്ങളിൽ നിർമ്മിച്ചോ, പ്രോസസ്സിംഗ് പ്ലാന്റുകളിലോ ഉപയോഗിച്ചു. ആദ്യ തലമുറ യന്ത്രങ്ങൾ കളർ ഡിറ്റക്ഷനായി ഓപ്റ്റിക്കൽ സെൻസറുകൾ ഉപയോഗിച്ചു, പച്ച തക്കാളികളെ ലെവറുകൾക്കോ വായു കാറ്റ് കളിക്കലുകളിലോ കൊണ്ട് വെള്ളത്തിനുള്ളിൽ തള്ളുന്നു, ചുവപ്പുള്ളതിനു നേരെ കൺവേയർ കണികളുടെ പോവുന്നു.

ഈ വീഡിയോയിൽ, ഒരു കൺവേയർ ബെൽറ്റിൽ നിന്നും മറ്റൊന്നിലേക്ക് തക്കാളികൾ വീഴുമ്പോൾ, പച്ച തക്കാളികൾ തിരിച്ചറിഞ്ഞ് ലെവറുകൾ വഴി ഒരു കുഴിയിൽ തള്ളുന്നു.

✅ ഈ ഓപ്റ്റിക്കൽ സെൻസറുകൾ ശരിയായി പ്രവർത്തിക്കാൻ ഫാക്ടറിയിലോ വയലിലോ നിങ്ങൾക്ക് എന്ത് പാടു സജ്ജീകരണം ആവശ്യമായിരിക്കും?

ഇത്തരത്തിലുള്ള യന്ത്രങ്ങളുടെ ഏറ്റവും പുതിയ പരിഷ്കാരങ്ങളിൽ AI, ML ഉപയോഗിച്ച് മോഡലുകൾ ആവശ്യമായ ഗുണമുള്ളതും കുറഞ്ഞ ഗുണമുള്ളതുമായ ഉൽപ്പന്നങ്ങൾ തിരിച്ചറിയാൻ പരിശീലിപ്പിക്കുന്നുണ്ട്. കളർ വ്യത്യാസങ്ങൾ മുതൽ രോഗം അടങ്ങിയ ഉപസിത്തുത്വങ്ങൾ വരെ തിരിച്ചറിയാം.

മെഷീൻ ലേണിംഗ് വഴി ഇമേജ് ക്ലാസിഫിക്കേഷൻ

പരമ്പരാഗത പ്രോഗ്രാമിംഗ് എന്നാൽ ഡേറ്റ സ്വീകരിച്ച് ആ ഡേറ്റയ്ക്ക് ആൽഗോരിതം പ്രയോഗിച്ച് ഫലങ്ങൾ പ്രാപിക്കുന്നതാണ്. കഴിഞ്ഞ പ്രോജക്റ്റിൽ നിങ്ങൾ ജിപിഎസ് കോർഡിനേറ്റുകളും ജിയോഫെൻസ് ഉപയോഗിച്ച് Azure Maps ഒരുക്കിയ ആൽഗോരിതം ഉപയോഗിച്ച് പോയിന്റ് ജിയോഫെൻസിനുള്ളിൽ ആണോ പുറത്തോ എന്ന ഫലം കണ്ടു. കൂടുതൽ ഡേറ്റ നൽകും, കൂടുതൽ ഫലം ലഭിക്കും.

മെഷീൻ ലേണിംഗ് ഗണിതം മൊഴിയത് വിപരീതം — ഡേറ്റയും നിമിഷങ്ങളിലേ ഉള്ള ഫലങ്ങളും ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് ആൽഗോരിതം പഠിക്കുന്നു. പരിശീലിപ്പിച്ച ആൽഗോരിതം നഷ്ടപ്പെട്ടുമോഡൽ എന്നു വിളിക്കുന്നു, പുതിയ ഡേറ്റ നൽകിക്കൊണ്ട് പുതിയ ഫലങ്ങൾ നേടാം.

🎓 മെഷീൻ ലേണിംഗ് ആൽഗോരിതം ഡേറ്റയിൽ നിന്നും പഠിക്കുന്ന പ്രക്രിയയെ പരിശീലനം എന്നു വിളിക്കുന്നു. ഇൻപുട്ടുകളും അറിയപ്പെടുന്ന ഫലങ്ങളും പരിശീലന ഡാറ്റ ആകുന്നു.

ഉദാഹരണം: ഒരു മോഡലിന് മില്ല്യണുകൾ ഇരുണ്ട പഴങ്ങളുടെ ചിത്രങ്ങൾ ഇൻപുട്ടായി കൊടുക്കുക, ഫലം unripe ആയി സജ്ജിപ്പിക്കുക, ripe പഴങ്ങളുടെ ചിത്രങ്ങൾ ഫലമായി ripe ആയി. ആൽഗോരിതം ഈ ഡാറ്റ അടിസ്ഥാനമാക്കി മോഡൽ സൃഷ്ടിക്കും. പുതിയ ഒരു പഴം ചിത്രം നൽകിയാൽ, അത് ripe അല്ലെങ്കിൽ unripe ആണെന്ന് പ്രവചിക്കും.

🎓 ML മോഡലുകളുടെ ഫലങ്ങളെ പ്രവചനങ്ങൾ എന്നാണ് വിളിക്കുന്നത്.

ML മോഡലുകൾ തറവാട്ടുള്ള ഉത്തരങ്ങൾ നൽകാറില്ല, പകരം സാദ്ധ്യതകൾ നൽകുന്നു. ഒരു മോഡൽ ഒരു പഴം ചിത്രം Propaganda ripe 99.7% സാദ്ധ്യതയും unripe 0.3% സാദ്ധ്യതയും നൽകാം. നിങ്ങളുടെ കോഡ് മികച്ച പ്രവചനമെടുത്ത് പഴം പാകം ആണെന്ന് തീരുമാനിക്കും.

ഈ ചിത്രങ്ങളെ കണ്ടെത്താൻ ഉപയോഗിക്കുന്ന മോഡലിനെ ഇമേജ് ക്ലാസിഫയർ എന്ന് വിളിക്കുന്നു - ലേബൽ ചെയ്ത ചിത്രങ്ങൾ നൽകുകയും പുതിയ ചിത്രങ്ങൾ ഈ ലേബൽ അടിസ്ഥാനമാക്കി തരംതിരിക്കുകയും ചെയ്യുന്നു.

💁 ഇത് ഒരു ലളിതീകരണമാണ്, ലേബൽ ചെയ്യാത്ത ഫലങ്ങൾ വേണ്ടിയും മോഡലുകൾ പരിശീലിപ്പിക്കാനുള്ള മറ്റു സമീപനങ്ങൾ ഉണ്ട്, ഉദാഹരണത്തിന് അൺസൂപ്പർവൈസ്ഡ് ലേണിംഗ്. മെഷീൻ ലേണിംഗ് കൂടുതൽ പഠിക്കാൻ ML for beginners, a 24 lesson curriculum on Machine Learning കാണുക.

ഒരു ഇമേജ് ക്ലാസിഫയർ പരിശീലിപ്പിക്കുക

ഒരു ഇമേജ് ക്ലാസിഫയർ വിജയകരമായി പരിശീലിപ്പിക്കാൻ പുത്തൻ ദശലക്ഷങ്ങൾ ചിത്രങ്ങൾ ആവശ്യമാണ്. ആയിരിക്കുമ്പോൾ, ഒരിക്കൽ ദശലക്ഷങ്ങൾ അല്ലെങ്കിൽ ബില്ല്യൺ അളവിൽ ചിത്രങ്ങളിൽ പരിശീലനം നേടിയാൽ, നിങ്ങൾ ചെറിയ ഒരു ചിത്രജാലം ഉപയോഗించి പുതിയതായി വീണ്ടും പരിശീലിപ്പിച്ച് (പുനർപരിശീലനം) മികച്ച ഫലം നേടാം, ഇത് ട്രാൻസ്ഫർ ലേണിംഗ് എന്ന് അറിയപ്പെടുന്നു.

🎓 ട്രാൻസ്ഫർ ലേണിംഗ് എന്നത് നിലവിലുള്ള ML മോഡലിൽ നിന്നുള്ള പഠനങ്ങൾ പുതുതായി നിലവിലുള്ള ഡാറ്റ ഉപയോഗിച്ചുള്ള പുതിയ മോഡലിൽ കൈമാറുന്നതാണ്.

വ്യത്യസ്ത ചിത്രങ്ങൾ തിരിച്ചറിയാൻ പരിശീലിച്ച ഒരു ഇമേജ് ക്ലാസിഫയറുടെ ഉൾക്കാഴ്‌ചകൾ രൂപങ്ങൾ, കളറുകൾ, പാറ്റേണുകൾ സൂക്ഷ്മമായി തിരിച്ചറിയുന്നുണ്ട്. ട്രാൻസ്ഫർ ലേണിംഗ് മോഡലിന് ആ അനുഭവം കൈമാറുകയും പുതിയ ചിത്രങ്ങൾ തിരിച്ചറിയാനുള്ള കഴിവ് നൽകുകയും ചെയ്യുന്നു.

കുട്ടികളുടെ ആകൃതികൾ പഠിപ്പിക്കുന്ന പുസ്തകങ്ങളുടെ പോലെ ഈ അവതരണം കരുതാം, സെമി-ബാഹ്യവൃത്തം, ശരളാകൃതി, ത്രികോണം എന്നിവ തിരിച്ചറിയാൻ കഴിഞ്ഞാൽ, ഈ ആകൃതികൾ ബോട്ട് അല്ലെങ്കിൽ പൂച്ചയായി ക്രമീകരിച്ചാൽ തിരിച്ചറിയാം. ഇമേജ് ക്ലാസിഫയർ ആ രൂപങ്ങൾ തിരിച്ചറിയുന്നു, ട്രാൻസ്ഫർ ലേണിംഗ് ആ രൂപങ്ങൾ ഏത് കൂട്ടത്തിൽ ബോട്ട് അല്ലെങ്കിൽ പൂച്ചയാകുന്നു എന്ന് പഠിപ്പിക്കുന്നു — അല്ലെങ്കിൽ പാകം പൂർണ്ണമായ വാഴപ്പഴം.

ഇത് ചെയ്യാൻ സഹായിക്കുന്ന പല ഉപകരണങ്ങളും ഉണ്ട്, ചിലത് ക്ലൗഡ് അടിസ്ഥാനമാക്കിയിട്ടുള്ള സേവനങ്ങൾ ആണ്, അവ മോഡൽ പരിശീലിപ്പിച്ച് വെബ് API മുഖേന ഉപയോഗിക്കാൻ സഹായിക്കുന്നു.

💁 ഈ മോഡലുകൾ പരിശീലിപ്പിക്കാൻ വൻ സ്കെയിലിലുള്ള കമ്പ്യൂട്ടർ ശക്തി ആവശ്യമാണ്, സാധാരണയായി GPUകളായ ഗ്രാഫിക്സ് പ്രോസസ്സിംഗ് യൂണിറ്റുകൾ ഉപയോഗിച്ച്. നിങ്ങളുടെ Xbox ലെ ഗെയിമുകൾ അത്ഭുതമായി പ്രദർശിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഈ പ്രത്യേക ഹാർഡ്‌വെയർ മെഷീൻ ലേണിംഗ് മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതിനും ഉപയോഗിക്കാം. ക്ലൗഡ് ഉപയോഗിച്ച് നിങ്ങൾക്ക് ആവശ്യമായ സമയത്തിനായി ഉയർന്ന ശേഷിയുള്ള GPUകൾ ഉടമസ്ഥഅധികാരങ്ങൾ വാടകയ്ക്ക് ലഭിക്കുന്നു.

Custom Vision

Custom Vision ഒരു ക്ലൗഡ് അടിസ്ഥാനമാക്കിയുള്ള ഇമേജ് ക്ലാസിഫയർ പരിശീലന ഉപകരണം ആണ്. ഇത് കുറച്ചു ചിത്രങ്ങൾ ഉപയോഗിച്ച് ക്ലാസിഫയർ പരിശീലിപ്പിക്കാൻ സഹായിക്കുന്നു. നിങ്ങൾക്ക് ചിത്രം വെബ് പോർട്ടൽ, വെബ് API അല്ലെങ്കിൽ SDK വഴി അപ്‌ലോഡ് ചെയ്യാം, ഓരോ ചിത്രത്തിനും അതിന്റെ വർഗ്ഗീകരണം അടങ്ങിയ ടാഗ് നൽകാം. തുടർന്ന് മോഡൽ പരിശീലിപ്പിച്ച് പരീക്ഷിച്ചു മികച്ചഫ്ലം എങ്ങനെ ലഭിക്കുന്നു എന്നു പരിശോധിക്കാം. മോഡൽ സന്തോഷപ്രദമാണെങ്കിൽ, ഇതിന്റെ വെർഷനുകൾ വെബ് API അല്ലെങ്കിൽ SDK വഴി ലഭ്യമാക്കാം.

💁 ഓരോ ക്ലാസിഫിക്കേഷനിലും കുറഞ്ഞത് 5 ചിത്രങ്ങൾ ഉപയോഗിച്ച് Custom Vision മോഡൽ പരിശീലിപ്പിക്കാം, പക്ഷേ കൂടുതൽ നല്ലത്. കുറഞ്ഞത് 30 ചിത്രങ്ങൾ ആശ്രയിച്ച് മികച്ച ഫലങ്ങൾ ലഭിക്കും.

Custom Vision മൈക്രോസോഫ്റ്റ് കോഗ്നിറ്റീവ് സർവീസസിന്റെ ഭാഗമാണ്. പരിശീലനം ആവശ്യമില്ലാതെ അല്ലെങ്കിൽ കുറച്ച് പരിശീലനത്തോടെ പ്രവർത്തിക്കുന്ന AI അസിസ്റ്റന്റുകൾ ഇവയാണത്. ഭാഷാ മനസ്സിലാക്കൽ, സ്പീച്ച് റെക്കഗ്നിഷൻ, അന്വയം, ചിത്രം വിശകലനം ഉൾപ്പെടുന്നു. ഇത് Azureൽ സൗജന്യ ടയർ അടക്കം സജ്ജമാക്കിയിട്ടുണ്ട്.

💁 വികസന ജോലികൾക്ക് മോഡൽ സൃഷ്ടിക്കാൻ, പരിശീലിപ്പിക്കാൻ, ഉപയോഗിക്കാൻ സൗജന്യ ടയർ മതി. സൗജന്യ ടയറിന്റെ പരിധികളについて പഠിക്കാനായി Custom Vision Limits and quotas page on Microsoft docs സന്ദർശിക്കുക.

ടാസ്‌ക്ക് - കോഗ്നിറ്റീവ് സർവീസസ് റിസോഴ്‌സ് സൃഷ്ടിക്കുക

Custom Vision ഉപയോഗിക്കാൻ, ആദ്യം Azure CLI ഉപയോഗിച്ച് രണ്ട് കോഗ്നിറ്റീവ് സർവീസസ് റിസോഴ്‌സുകൾ സൃഷ്ടിക്കണം, ഒന്ന് Custom Vision പരിശീലനത്തിനും മറ്റൊന്ന് Custom Vision പ്രവചനത്തിനും.

1. ഈ പ്രോജക്റ്റിനായി fruit-quality-detector എന്ന പേരിൽ ഒരു റിസോഴ്‌സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക

2. സൗജന്യ Custom Vision പരിശീലന റിസോഴ്‌സ് സൃഷ്ടിക്കാൻ താഴെയുള്ള കമാൻഡ് ഉപയോഗിക്കുക:

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

   <location> എന്നിടത്ത് റിസോഴ്‌സ് ഗ്രൂപ്പ് സൃഷ്ടിച്ച ലൊക്കേഷൻ നൽകുക.

   ഇത് നിങ്ങളുടെ Resource Group-ൽ Custom Vision പരിശീലന റിസോഴ്‌സ് സൃഷ്ടിക്കും. ഇതിന് fruit-quality-detector-training എന്ന പേര് നൽകും, F0 sku ഉപയോഗിച്ച്, അത് സൗജന്യ ടയർ ആണ്. --yes ഓപ്ഷൻ കോഗ്നിറ്റീവ് സർവീസസ് നിബന്ധനകൾ അംഗീകരിക്കുന്നു എന്നർത്ഥം.

💁 നിങ്ങൾക്കു മുമ്പെ തന്നെ സൗജന്യ അക്കൗണ്ട് ഉണ്ടെങ്കിൽ നിങ്ങൾക്ക് S0 sku ഉപയോഗിക്കാം.

1. സൗജന്യ Custom Vision പ്രവചന റിസോഴ്‌സ് സൃഷ്ടിക്കാൻ താഴെ കമാൻഡ് ഉപയോഗിക്കുക:

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

   <location> എന്നിടത്ത് റിസോഴ്‌സ് ഗ്രൂപ്പ് സൃഷ്ടിച്ച സ്ഥാനമെഴുതുക.

   ഇത് Resource Group-ൽ Custom Vision പ്രവചന റിസോഴ്‌സ് സൃഷ്ടിക്കും. ഇതിന് fruit-quality-detector-prediction എന്ന പേര് നൽകും, F0 sku ഉപയോഗിച്ച് സൗജന്യ ടയർ ആണ്. --yes ഓപ്ഷൻ കോഗ്നിറ്റീവ് സർവീസസ് നിബന്ധനകൾ അംഗീകരിക്കുന്നു എന്നർത്ഥം.

ടാസ്‌ക്ക് - ഇമേജ് ക്ലാസിഫയർ പ്രോജക്റ്റ് സൃഷ്ടിക്കുക

1. CustomVision.ai ൽ Custom Vision പോർട്ടൽ തുറന്നുകMicrosoft അക്കൗണ്ടിൽ സൈൻ-ഇൻ ചെയ്യുക, അത് നിങ്ങളുടെ Azure അക്കൗണ്ടിനോട് ബന്ധമുള്ളത് ആയിരിക്കണം.

2. Microsoft ഡോക്സ് ൽ നൽകിയ create a new Project വിഭാഗം പിന്തുടർന്ന് ഒരു പുതിയ Custom Vision പ്രോജക്റ്റ് സൃഷ്ടിക്കുക. UI മാറാം, എപ്പോഴും ഈ ഡോക്യുമെന്റേഷൻ ഏറ്റവും പുതിയതാണ്.

   നിങ്ങളുടെ പ്രോജക്ടിന് fruit-quality-detector എന്ന് പേരിടുക.

   പ്രോജക്റ്റ് സൃഷ്ടിക്കുമ്പോൾ, മുമ്പ് സൃഷ്ടിച്ച fruit-quality-detector-training റിസോഴ്‌സ് ഉപയോഗിക്കുക. Classification പ്രോജക്റ്റ് ടൈപ്പ്, Multiclass ക്ലാസിഫിക്കേഷൻ ടൈപ്പ്, Food ഡൊമെയ്ൻ ഉപയോഗിക്കുക.

   

✅ നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയറിനായി Custom Vision UI പരിശോധിക്കാൻ കുറച്ചു സമയം ചിലവഴിക്കുക.

ടാസ്‌ക്ക് - നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പ്രോജക്റ്റ് പരിശീലിപ്പിക്കുക

ഒരു ഇമേജ് ക്ലാസിഫയർ പരിശീലിപ്പിക്കാൻ നല്ലതും തിന്മയുള്ളതുമായ പല ചിത്രങ്ങളും ആവശ്യമുണ്ട്, ഉദാഹരണത്തിന് പാകം തക്ക പഴവും അധികം പാകം പൂർത്തിയാക്കിയ പഴവും.

💁 ഈ ക്ലാസിഫയറുകൾ ഒന്നെങ്കിലും തരം തിരിച്ചറിയാനും കഴിവുള്ളവയാണ്, അതിനാൽ വസ്തുതയില്ലെങ്കിൽ വ്യത്യസ്തയുള്ള രണ്ടു പഴങ്ങളോ, പൂച്ചകളും നായകളും ഉപയോഗിക്കാം!

സാധാരണയായി ഓരോ ചിത്രവും പഴം മാത്രമുള്ളതാകണം, ഒരു സ്ഥിരമായ പശ്ചാത്തലം അല്ലെങ്കിൽ വ്യത്യസ്ത പശ്ചാത്തലങ്ങളും ഉപയോഗിക്കാം. പശ്ചാത്തലത്തിൽ പാകം തക്കയും ആയതും തിരിച്ചറിയാനാകാത്ത കാരണങ്ങൾ ഇല്ലെന്ന് ഉറപ്പാക്കുക.

💁 ഓരോ ടാഗിന്റെയും വിധിചെയ്യുന്ന വസ്തുവുമായി தொடர்பില്ലാത്ത പ്രത്യേക പിൻഭാഗങ്ങളോ, പ്രത്യേക വസ്തുക്കളോ ഉണ്ടാകാതെ ഇരിക്കാൻ പ്രധാനമാണ്, അല്ലാതെ ക്ലാസിഫയർ പിന്നഭാഗത്തെ അടിസ്ഥാനമാക്കി മാത്രം ക്ക്ലാസിഫൈ ചെയ്യാൻ സാധ്യതയുണ്ട്. ത്വക്കു് കാൻസർ ക്ലാസിഫയർ ഉണ്ടായിരുന്നു, സാധാരണയും ക്യാൻസറായ മolesും കൈകാര്യം ചെയ്തതായിരുന്നു, ക്യാൻസറായ മolesവുകളെ ഏതെല്ലാം നിറഞ്ഞുവക്കുന്നതിനായി റൂളറുകൾ ഒരുമിച്ചു കാണിച്ചിരുന്നു. അപ്പോൾ ക്ലാസിഫയർ ചിത്രങ്ങളിലെ റൂളറുകൾ തിരിച്ചറിയുന്നതിൽ 100% പ്രായോഗികത നേടിയതാണ്, ക്യാൻസറായ മolesയെല്ലാം അല്ല.

ഇമേജ് ക്ലാസിഫയർ വളരെ കുറഞ്ഞ റെസല്യൂഷനിൽ പ്രവർത്തിക്കുന്നു. ഉദാഹരണത്തിന് Custom Vision 10240x10240 വരെ വാർത്താവിനിമയവും പ്രവചനം ചിത്രങ്ങളും സ്വീകരിച്ചേക്കാമെങ്കിലും, 227x227 ചിത്രങ്ങളിൽ മോഡൽ പരിശീലനവും പ്രവർത്തനവും നടത്തുന്നു. വലിയ ചിത്രങ്ങൾ ഈ വലുപ്പത്തിൽ ചുരുക്ക് ചെയ്യപ്പെടുന്നു, അതിനാൽ നിങ്ങൾ ക്ലാസിഫൈ ചെയ്യുന്ന വസ്തു ചെറിയ ഇമേജിൽ വളരെ ചെറിയ വലുപ്പത്തിൽ കാണാനും സാധ്യതയുള്ളതിനാൽ ദൃശ്യത്തിൽ വലിയൊരു ഭാഗമാകണം.

1. നിങ്ങളുടെ ക്ലാസിഫയറിനു ചിത്രംകൾ ശേഖരിക്കുക. ക്ലാസിഫയറിന് പരിശീലനത്തിനായി ഓരോ ലേബലിനും കുറഞ്ഞത് 5 ചിത്രങ്ങൾ ആവശ്യമുള്ളതാണ്, പക്ഷേ കൂടുതൽ ഉത്തമമാണ്. കൂടാതെ പരീക്ഷണത്തിന് ചിത്രങ്ങൾ കുറച്ച് വേണം. ഈ ചിത്രങ്ങൾ ഒരേ വസ്തുവിന്റെ വ്യത്യസ്ത ദൃശ്യരൂപങ്ങളാകണം. ഉദാഹരണത്തിന്:

   • 2 പകഫലമായ മർക്കളുകൾ ഉപയോഗിച്ച്, ഓരോതിന്റെയും പല വ്യത്യസ്ത കോണുകളിൽ നിന്നുള്ള ചിത്രങ്ങൾ എടുക്കുക, കുറഞ്ഞത് 7 ചിത്രം (5 പരിശീലനത്തിനും 2 പരീക്ഷണത്തിനും), എന്നിരുന്നാലും കൂടുതൽ വാങ്ങാനാണ് ഉദ്ദേശം.

     

   • 2 പകവഴിതുള്ള മർക്കളുകൾ ഉപയോഗിച്ച് സമാന പ്രക്രിയ ആവർത്തിക്കുക

   നിങ്ങൾക്കിടയിൽ കുറഞ്ഞത് 10 പരിശീലന ചിത്രങ്ങൾ ഉണ്ടായിരിക്കണം, 5 പകഫലവും 5 പകവഴിതുള്ളവയും, 4 പരീക്ഷണ ചിത്രങ്ങളും, 2 പകഫലവും 2 പകവഴിതുള്ളവയും. ചിത്രങ്ങൾ png അല്ലെങ്കിൽ jpeg ഫോർമാറ്റിലായിരിക്കണം, 6MB-ലധികം ചെറുതായിരിക്കണം. ഉദാഹരണത്തിന് iPhone ഉപയോഗിച്ച് സൃഷ്ടിച്ചെങ്കിൽ, ചിത്രങ്ങൾ ഉയർന്ന റെസല്യൂഷനുള്ള HEIC ഫയലുകൾ ആകാം, അവ മാറ്റി പിൻവലിക്കുകയും ചുരുക്കുകയും ചെയ്യേണ്ടിവരും. കൂടുതൽ ചിത്രങ്ങൾ ഉത്തമമാണ്, പകഫലവും പകവഴിതുള്ളവിടേതും സമാന എണ്ണത്തിൽ ഉണ്ടായിരിക്കണം.

   പകഫലവും പകവഴിതുള്ളവയും ഇല്ലെങ്കിൽ, വ്യത്യസ്ത പഴങ്ങൾ അല്ലെങ്കിൽ ലഭ്യമായ ഏതെങ്കിലും രണ്ട് വസ്തുക്കൾ ഉപയോഗിക്കാവുന്നതാണ്. ripe ഉം unripe ഉം ഉള്ള ബനാനകളുടെ ഉദാഹരണ ചിത്രങ്ങൾ images എന്ന ഫോൾഡറിൽ ലഭ്യമാണ്.

2. നിങ്ങളുടെ പരിശീലന ചിത്രങ്ങൾ അപ്‌ലോഡ് ചെയ്യാൻ Microsoft ഡോക്യുമെന്റിലുള്ള ബിൽഡ് എ ക്ലാസിഫയർ ക്വിക്ക്സ്റ്റാർട്ട് വിഭാഗത്തിലിലെ അപ്‌ലോഡ് ആൻഡ് ടാഗ് ഇമേജസ് വിഭാഗം പിന്തുടരുക. പകഫല പഴം ripe എന്നാണ് ടാഗ് ചെയ്യുക, പകവഴിതുള്ള പഴം unripe.

   

3. നിങ്ങളുടെ അപ്‌ലോഡ് ചെയ്ത ചിത്രങ്ങളിൽ ക്ലാസിഫയർ പരിശീലിപ്പിക്കാൻ Microsoft ഡോക്യൂമെന്റിലെ ട്രെയിൻ ദ ക്ലാസിഫയർ വിഭാഗം അനുസരിക്കുക.

   പരിശീലന തരം തിരഞ്ഞെടുക്കാനുള്ള അവസരം ലഭിക്കും. Quick Training തിരഞ്ഞെടുക്കുക.

അതിനുശേഷം ക്ലാസിഫയർ പരിശീലനം തുടങ്ങും. പരിശീലനം പൂർത്തിയാകുന്നതിന് ചില മിനിറ്റുകൾ എടുക്കും.

🍌 ക്ലാസിഫയർ പരിശീലന സമയത്ത് നിങ്ങളുടെ പഴം കഴിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ആദ്യം പരീക്ഷണത്തിന് വേണ്ട മതിയായ ചിത്രങ്ങൾ ഉണ്ടെന്ന് ഉറപ്പാക്കുക!

നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പരീക്ഷിക്കുക

നിങ്ങളുടെ ക്ലാസിഫയർ പരിശീലിപ്പിച്ചതിനു ശേഷം, പുതിയ ഒരു ചിത്രം നൽകി ക്ലാസിഫൈ ചെയ്യുന്നു പരീക്ഷിക്കാം.

ജോലി - നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പരീക്ഷിക്കുക

1. Microsoft ഡോക്യൂമെന്റിലെ ടെസ്റ്റ് യോർ മodel വിഭാഗം പിന്തുടരുക നിങ്ങളുടെ ക്ലാസിഫയർ പരീക്ഷിക്കാൻ. പരിശീലനത്തിന് ഉപയോഗിച്ച ചിത്രങ്ങളിൽ അല്ല, അതിന്റെ പകരം നിങ്ങൾ മുൻപായി സൃഷ്ടിച്ച പരീക്ഷണ ചിത്രങ്ങൾ ഉപയോഗിക്കുക.

   

2. നിങ്ങൾക്ക് ലഭ്യമായ എല്ലാ പരീക്ഷണ ചിത്രങ്ങളും പരീക്ഷിച്ച് അനുമാനിക്കുന്ന സാധ്യതകൾ നിരീക്ഷിക്കുക.

നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പുനഃപരിശീലനം നടത്തുക

നിങ്ങൾ ക്ലാസിഫയർ പരീക്ഷിക്കുമ്പോൾ, പ്രതീക്ഷിച്ച ഫലം ലഭിക്കാത്തതായി തോന്നാം. ഇമേജ് ക്ലാസിഫറുകൾ ദൃശ്യരൂപങ്ങളിലെ പ്രത്യേക ആകൃതികൾ/ലക്ഷണങ്ങൾ ഒരു ലേബലിന് യോജിക്കുന്നതായി സാധ്യതകളുടെ അടിസ്ഥാനത്തിൽ മനസിലാക്കുന്നു. ദൃശ്യത്തെ ഉള്ളതു് എന്താണെന്ന് അവയ്ക്ക് അറിയില്ല - ഒരു ബനാന എന്തെന്നറിയില്ല, ഒരു ബനാനയെ ഒരു ബോട്ടായി മാറ്റുന്ന കാര്യം മനസ്സിലാക്കില്ല. തെറ്റിദ്ധരിച്ച ചിത്രങ്ങൾ ഉപയോഗിച്ച് പുനഃപരിശീലനം നടത്തുക ക്ലാസിഫയറിനെ മെച്ചപ്പെടുത്താൻ സഹായിക്കും.

ക്വിക് ടെസ്റ്റ് ഓപ്ഷൻ ഉപയോഗിച്ച് ഒരൊറ്റ പ്രവചനവും ഉപയോഗിച്ചാൽ, ചിത്രം ഫലം സംഗ്രഹിക്കുന്നു. ഈ ചിത്രങ്ങൾ ഉപയോഗിച്ച് മോഡൽ പുനഃപരിശീലനം നടത്താം.

ജോലി - നിങ്ങളുടെ ഇമേജ് ക്ലാസിഫയർ പുനഃപരിശീലനം നടത്തുക

1. Microsoft ഡോക്യൂമെന്റിലെ പ്രവചിച്ച ചിത്രം പരിശീലനത്തിന് ഉപയോഗിക്കുക വിഭാഗം അനുസരിച്ച് ശരിയായ ടാഗ് ഉപയോഗിച്ച് മോഡൽ പുനഃപരിശീലനം നടത്തുക.

2. പുനഃപരിശീലനം പൂർത്തിയായ ശേഷം പുതിയ ചിത്രങ്ങളിൽ പരീക്ഷണം നടത്തുക.

---

🚀 ചലഞ്ച്

ബനാനകളുമായി പരിശീലിപ്പിച്ച മോഡൽ strawberry, inflatable banana, banana വേഷധാരിയായ ഒരു വ്യക്തി, അല്ലെങ്കിൽ Simpsons പോലുള്ള മഞ്ഞ നിറമുള്ള കാർട്ടൂൺ കഥാപാത്രത്തിന്റെ ചിത്രം ഉപയോഗിച്ചാൽ എന്താകും സംഭവിക്കുക എന്ന് നിങ്ങൾ കരുതുന്നതെന്താണ്?

പരീക്ഷിച്ച് നോക്കൂ, പ്രവചനങ്ങൾ എന്താണെന്ന് കണ്ടു കാണുക. പരീക്ഷിക്കാനുള്ള ചിത്രങ്ങൾ ലഭിക്കാൻ Bing Image search ഉപയോഗിക്കാം.

പോസ്റ്റ്-ലക്ടർ ക്വിസ്

Post-lecture quiz

അവലോകനം & സ്വയം പഠനം

• നിങ്ങൾ ക്ലാസിഫയർ പരിശീലിപ്പിക്കുമ്പോൾ Precision, Recall, AP എന്നീ മൂല്യങ്ങൾ മോഡലിനെ വിലയിരുത്തുന്നതിനായുള്ളതാണെന്ന് കണ്ടിട്ടുണ്ടാകും. ഇവ എന്താണെന്ന് പഠിക്കാൻ Microsoft ഡോക്യൂമെന്റിലെ evaluate the classifier വിഭാഗം വായിക്കുക
• നിങ്ങളുടെ ക്ലാസിഫയർ മെച്ചപ്പെടുത്താനുള്ള മാർഗങ്ങൾ പഠിക്കാൻ Microsoft ഡോക്യൂമെന്റിലെ how to improve your Custom Vision model വായിക്കുക

അസൈൻമെന്റ്

Train your classifier for multiple fruits and vegetables

---

ഡിസ്ലെയിമർ:
ഈ പ്രമാണം AI തർജ്ജമ സേവനം Co-op Translator ഉപയോഗിച്ച് തർജ്ജമ ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായുള്ള ശ്രമം നടത്തുന്നുവെങ്കിലും, ഓട്ടോമാറ്റഡ്ഡ് തർജ്ജമകളിൽ വഴിമുട്ടലുകളോ അബദ്ധങ്ങളോ ഉണ്ടായേക്കാവുന്നതായുള്ളതിന് ശ്രദ്ധ തേടുന്നു. ആധാരമായ ഭാഷയിലെ મૂળ പ്രമാണം കൂടുതൽ സത്യസന്ധമായ ഉറവിടമായി കരുതപ്പെടണം. അതാത് പ്രധാനപ്പെട്ട വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യ തർജ്ജമ നിർദ്ദേശിക്കുന്നു. ഈ തർജ്ജമയുടെ ഉപയോഗത്തിൽ ഉണ്ടായ ഏതൊരു തെറ്റിദ്ധാരണകൾക്കും അല്ലെങ്കിൽ ദുരൂഹതകൾക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.