|
|
# ഒരു ഐഒടി ഉപകരണത്തിൽ നിന്ന് പഴം ഗുണനിലവാരം പരിശോധിക്കുക
|
|
|
|
|
|
|
|
|
|
|
|
> [നിത്യ നരസിംഹൻ](https://github.com/nitya) രചിച്ച സ്കെച്ച്നോട്ട്. വലിയ പതിപ്പിന് ചിത്രം ക്ലിക്ക് ചെയ്യുക.
|
|
|
|
|
|
## പ്രീ-ലെക്ചർ ക്വിസ്
|
|
|
|
|
|
[പ്രീ-ലെക്ചർ ക്വിസ്](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31)
|
|
|
|
|
|
## പരിചയം
|
|
|
|
|
|
കഴിഞ്ഞ പാഠത്തിൽ നിങ്ങൾ ചിത്രം ക്ലാസിഫയർമാരെക്കുറിച്ച് പഠിച്ചു, നല്ലതും മോശവും ആയ പഴം കണ്ടെത്താൻ അവയെ എങ്ങനെ പരിശീലിപ്പിക്കാമെന്ന് കണ്ടു. ഈ ചിത്രം ക്ലാസിഫയറിനെ ഒരു ഐഒടി ആപ്ലിക്കേഷനിൽ ഉപയോഗിക്കാൻ, ഒരു ക്യാമറയുടെ സഹായത്തോടെ ഒരു ചിത്രം പകർത്താനും അവ ചിത്രം ക്ലൗഡിലേക്ക് അയച്ച് ക്ലാസിഫൈ ചെയ്യാനും കഴിയണം.
|
|
|
|
|
|
ഈ പാഠത്തിൽ നിങ്ങൾ ക്യാമറ സെൻസറുകളെക്കുറിച്ചും ഐഒടി ഉപകരണത്തോടു ചേർന്ന് ചിത്രം എടുക്കുന്നതെങ്ങനെ എന്നതും പഠിക്കും. നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽ നിന്ന് ചിത്രം ക്ലാസിഫയറിനെ എങ്ങനെ വിളിക്കാമെന്ന് നിങ്ങൾ അറിയും.
|
|
|
|
|
|
ഈ പാഠത്തിൽ ചർച്ച ചെയ്യാം:
|
|
|
|
|
|
* [ക്യാമറ സെൻസറുകൾ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
* [ഐഒടി ഉപകരണത്തെ ഉപയോഗിച്ച് ചിത്രം പകർത്തുക](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
* [നിങ്ങളുടെ ചിത്രം ക്ലാസിഫയർ പ്രസിദ്ധീകരിക്കുക](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
* [നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽനിന്ന് ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യുക](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
* [മോഡൽ മെച്ചപ്പെടുത്തുക](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
|
|
|
## ക്യാമറ സെൻസറുകൾ
|
|
|
|
|
|
ക്യാമറ സെൻസറുകൾ, പേരിൽ നിന്നും മനസ്സിലാകുന്നപോലെ, നിങ്ങക്് ഐഒടി ഉപകരണത്തിലേക്ക് കണക്റ്റ് ചെയ്യാൻ കഴിയുന്നതായ ക്യാമറകളാണ്. അവ ഇപ്പോഴത്തെ ചിത്രം പകർത്താനും ഓടുന്ന വീഡിയൊ പിടിക്കാനും കഴിയും. ചിലത് മിൻസൂക്ഷ്മ ഉപാധിയിൽ നിന്നും കമപ്രസ് ചെയ്ത ചിത്രം പോലുള്ള JPEG അല്ലെങ്കിൽ PNG ഫയലുകളാക്കി തിരികെ ನೀಡും. സാധാരണയായി ഐഒടി ഉപകരണങ്ങൾക്ക് അനുയോജ്യമായ ക്യാമറകൾ വളരെ ചെറുതും കുറഞ്ഞ റെസലൂഷൻ ഉള്ളതുമാണ്, എന്നാൽ നിങ്ങൾക്ക് ആൻഡ് ഫോൺ പോലുള്ള ഉയർന്ന റെസലൂഷൻ ക്യാമറകളും ലഭ്യമാണ്. പല തരത്തിലുള്ള ലെൻസുകൾ, ഒറ്റക്ക്യാമറയും, മൾട്ടി ക്യാമറ സജ്ജീകരണങ്ങളും, ഇൻഫ്രാറെഡ് താപ ക്യാമറകൾ, അല്ലെങ്കിൽ UV ക്യാമറകൾ എന്നിവയും ലഭ്യമാണ്.
|
|
|
|
|
|
|
|
|
|
|
|
മിക്ക ക്യാമറ സെൻസറുകളും ഇമേജ് സെൻസറുകളെ ഉപയോഗിക്കുന്നു, അവിടുത്തെ ഓരോ പിക്സലും ഒരു ഫോട്ടോഡയോഡ് ആണ്. ഒരു ലെൻസാണ് ഇമേജ് സെൻസറിൽ ചിത്രം കേന്ദ്രീകരിക്കുന്നത്, ആയിരക്കണക്കിന് ഫോട്ടോഡയോഡുകൾ ഓരോന്നിനും വെളിച്ചം വീഴുന്നത് കണ്ടെത്തി ആ ഡാറ്റ പിക്സൽ ഡാറ്റയായി രേഖപ്പെടുത്തുന്നു.
|
|
|
|
|
|
> 💁 ലെൻസുകൾ ചിത്രങ്ങളെ മറിക്കുകയും, ക്യാമറ സെൻസർ ചിത്രത്തെ മതിയായ രീതിയിൽ തിരിച്ചുവിടുകയും ചെയ്യുന്നു. നിങ്ങളുടെ കണ്ണിലും ഇത് സംഭവിക്കുന്നു - നിങ്ങൾ കാണുന്നത് നിങ്ങളുടെ കണ്ണിന്റെ പിന് വശത്ത് തെറ്റായി തെറ്റിയായി കണ്ടെത്തപ്പെടുന്നുവെങ്കിലും നിങ്ങളുടെ мозга ഇത് ശരിയാക്കുന്നു.
|
|
|
|
|
|
> 🎓 ചിത്രം സെൻസർ ഒരു ആക്ടീവ്-പിക്സൽ സെൻസറായാണ് (APS) അറിയപ്പെടുന്നത്, ആ പേരു ഏറ്റവും കൂടുതൽ ഉപയോഗിക്കുന്ന APS തരമാണ് കൂട്ടിണക്കം മെറ്റൽ-ഓക്സൈഡ് സെമികണ്ടക്റ്റർ സെൻസർ അല്ലെങ്കിൽ CMOS. ഫോട്ടോ എന്നർത്ഥത്തിൽ ക്യാമറ സെൻസറുകളിൽ CMOS സെൻസർ എന്ന പദം കേട്ടേക്കാം.
|
|
|
|
|
|
ക്യാമറ സെൻസറുകൾ ഡിജിറ്റൽ സെൻസറുകളാണ്, ചിത്രം ഡാറ്റ ഡിജിറ്റലായി അയയ്ക്കുന്നു, സാധാരണയായി ഒരു ലൈബ്രറി വഴി ഇത് കൈകോർത്തുകൊണ്ട്. ക്യാമറകൾ SPI പോലുള്ള പ്രോട്ടോക്കോൾ ഉപയോഗിച്ച് കണക്റ്റുചെയ്യുന്നു, കാരണം ഒരു സെൻസറിന്റെ ഒരുകണക്ക് അപേക്ഷിച്ച് ചിത്രങ്ങൾ വളരെ വലിയ ഡാറ്റയാണുള്ളത്.
|
|
|
|
|
|
✅ ഐഒടി ഉപകരണങ്ങളിൽ ചിത്രത്തിന്റെ വലുപ്പത്തെ കുറിച്ചുള്ള പരിമിതികൾ എന്തൊക്കെ? പ്രത്യേകിച്ച് മൈക്രോകൺട്രോളർ ഹാർഡ്വെയറിൽ പരിഗണിക്കുക.
|
|
|
|
|
|
## ഐഒടി ഉപകരണത്തിലൂടെ ഒരു ചിത്രം പകർത്തുക
|
|
|
|
|
|
നിങ്ങളുടെ ഐഒടി ഉപകരണം ഉപയോഗിച്ച് ചിത്രം പകർത്തി ക്ലാസിഫൈ ചെയ്യാൻ കഴിയും.
|
|
|
|
|
|
### ടാസ്ക് - ഐഒടി ഉപകരണത്തോട് കൂടി ചിത്രം പകർത്തുക
|
|
|
|
|
|
നിങ്ങളുടെ ഐഒടി ഉപകരണം ഉപയോഗിച്ച് ചിത്രം പകർത്താൻ ബന്ധപ്പെട്ട മാർഗ്ഗനിർദ്ദേശങ്ങൾ പിന്തുടരുക:
|
|
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-camera.md)
|
|
|
* [സിംഗിൾ-ബോർഡ് കമ്പ്യൂട്ടർ - Raspberry Pi](pi-camera.md)
|
|
|
* [സിംഗിൾ-ബോർഡ് കമ്പ്യൂട്ടർ - വെർച്വൽ ഡിവൈസ്](virtual-device-camera.md)
|
|
|
|
|
|
## നിങ്ങളുടെ ചിത്രം ക്ലാസിഫയർ പ്രസിദ്ധീകരിക്കുക
|
|
|
|
|
|
കഴിഞ്ഞ പാഠത്തിൽ നിങ്ങളുടെ ചിത്രം ക്ലാസിഫയർ പരിശീലിപ്പിച്ചിരുന്നു. ഐഒടി ഉപകരണത്തിൽ നിന്ന് ഉപയോഗിക്കാൻ മുമ്പ് മോഡൽ പ്രസിദ്ധീകരിക്കേണ്ടതാണ്.
|
|
|
|
|
|
### മോഡൽ ആവിറകൾ
|
|
|
|
|
|
കഴിഞ്ഞ പാഠത്തിൽ മോഡൽ പരിശീലിപ്പിക്കുമ്പോൾ, **Performance** ടാബിൽ ഇരിപ്പ് കാണാം. ആദ്യമായി പരിശീലിപ്പിക്കുമ്പോൾ *Iteration 1* കാണും. പ്രവചന ചിത്രങ്ങൾ ഉപയോഗിച്ച് മോഡൽ മെച്ചപ്പെടുത്തിയപ്പോൾ *Iteration 2* കാണും.
|
|
|
|
|
|
ഓരൊക്കെ പരിശീലനത്തിലും പുതിയ ഇരിപ്പ് ഉണ്ടാകും. ഇത് വ്യത്യസ്ത ഡാറ്റ സെറ്റുകളിൽ പരിശീലിപ്പിച്ച മോഡലുകളുടെ വേറിട്ട പതിപ്പുകൾ കണക്കാക്കാനുള്ള ഒരു മാർഗമാണ്. **Quick Test** ചെയ്യുമ്പോൾ, ഇരിപ്പുകൾ തിരഞ്ഞെടുക്കാനുള്ള ഡ്രോപ്പ്-ഡൗൺ ഉണ്ടാകും, അതിലൂടെ പല ഇരിപ്പുകളും താരതമ്യപ്പെടുത്താം.
|
|
|
|
|
|
ഏതെങ്കിലും ഇരിപ്പുമായി സന്തുഷ്ടനാണെങ്കിൽ, അതിനെ പ്രസിദ്ധീകരിച്ച് ബാഹ്യ ആപ്ലിക്കേഷനുകൾക്കായി ഉപയോഗിക്കാവുന്നതാക്കാം. ഇതിനാൽ നിങ്ങളുടെ ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്ന പ്രസിദ്ധീകരിച്ച പതിപ്പ് ഉണ്ടാവും, പിന്നീട് പുതിയ പതിപ്പിൽ പ്രവർത്തിച്ച് അത് പ്രസിദ്ധീകരിക്കാം.
|
|
|
|
|
|
### ടാസ്ക് - ഒരു ഇരിപ്പ് പ്രസിദ്ധീകരിക്കുക
|
|
|
|
|
|
ഇരിപ്പുകൾ Custom Vision പോർട്ടലിൽ നിന്ന് പ്രസിദ്ധീകരിക്കാം.
|
|
|
|
|
|
1. [CustomVision.ai](https://customvision.ai)വെബ്സൈറ്റ് വെച്ച് സൈൻ ഇൻ ചെയ്യുക, അല്ലെങ്കിൽ തുറക്കുക. തുടർന്ന് നിങ്ങളുടെ `fruit-quality-detector` പ്രോജക്ട് തുറക്കുക.
|
|
|
|
|
|
1. മുകളിലെ ഓപ്ഷനുകളിൽനിന്ന് **Performance** ടാബ് തിരഞ്ഞെടുക്കുക
|
|
|
|
|
|
1. *Iterations* പട്ടികയിൽ നിന്ന് ഏറ്റവും പുതിയ ഇരിപ്പ് തിരഞ്ഞെടുക്കുക
|
|
|
|
|
|
1. ഇരിപ്പിനായി **Publish** ബട്ടൺ തിരഞ്ഞെടുക്കുക
|
|
|
|
|
|
|
|
|
|
|
|
1. *Publish Model* ഡയലോഗിൽ, *Prediction resource* ആയി കഴിഞ്ഞ പാഠത്തിൽ നിങ്ങൾ സജ്ജീകരിച്ച `fruit-quality-detector-prediction` റിസോഴ്സ് തിരഞ്ഞെടുക്കുക. പേര് `Iteration2` പോലെ തന്നെ ഇരുത്തി **Publish** ബട്ടൺ അമർത്തുക.
|
|
|
|
|
|
1. പ്രസിദ്ധീകരിച്ചതിനുശേഷം, **Prediction URL** ബട്ടൺ തിരഞ്ഞെടുക്കുക. ഇത് പ്രവചന APIയുടെ വിശദാംശങ്ങൾ കാണിക്കും, നിങ്ങൾക്ക് നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽ നിന്നുള്ള മോഡൽ വിളിക്കുവാൻ ഇത് ആവശ്യമാണ്. താഴെയുള്ള വിഭാഗം *If you have an image file* എന്നു പേരിടപ്പെട്ടിരിക്കുന്നു, ഇതാണ് നിങ്ങൾക്ക് വേണ്ട വിശദാംശങ്ങൾ. കാണിക്കുന്ന URLയുടെ ഒരു പകുതി എടുത്തുക, ആ എന്നിവ ഇതുപോലും ആകും:
|
|
|
|
|
|
```output
|
|
|
https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/classify/iterations/Iteration2/image
|
|
|
```
|
|
|
|
|
|
`<location>` കസ്റ്റം വിസൻ റിസോഴ്സ് സൃഷ്ടിച്ച സ്ഥലം ആണ്, `<id>` ആ മിശ്രലിപികൾ (അക്ഷരങ്ങൾക്കും സംഖ്യകൾക്കും) ഉള്ള നീളമേറിയ ഐഡി ആണ്.
|
|
|
|
|
|
കൂടാതെ *Prediction-Key* മൂല്യവും എടുത്തു വയ്ക്കുക. മോഡൽ വിളിക്കുമ്പോൾ ഇത് സുരക്ഷിത കീ ആയി നൽകേണ്ടതാണ്. ഈ കീ നൽകുന്ന ആപ്ലിക്കേഷനുകൾക്ക് മാത്രമേ മോഡൽ ഉപയോഗിക്കാൻ അനുവാദമുണ്ടാവൂ, മറ്റ് ആപ്ലിക്കേഷനുകൾ നിരസിക്കപ്പെടും.
|
|
|
|
|
|
|
|
|
|
|
|
✅ പുതിയ ഇരിപ്പ് പ്രസിദ്ധീകരിക്കുമ്പോൾ പേരും വ്യത്യസ്തമാകും. ഒരു ഐഒടി ഉപകരണത്ത് ഉപയോഗിക്കുന്ന ഇരിപ്പ് എങ്ങനെ മാറ്റും എന്ന് നിങ്ങൾ കരുതുന്നതെന്താണ്?
|
|
|
|
|
|
## നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽ നിന്ന് ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യുക
|
|
|
|
|
|
ഇതിനുപരി, നിങ്ങൾക്ക് ഈ കണക്ഷൻ വിശദാംശങ്ങൾ ഉപയോഗിച്ച് നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽ നിന്നുള്ള ചിത്രം ക്ലാസിഫയറിനെ വിളിക്കാൻ കഴിയും.
|
|
|
|
|
|
### ടാസ്ക് - നിങ്ങളുടെ ഐഒടി ഉപകരണത്തിൽ നിന്നും ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യുക
|
|
|
|
|
|
നിങ്ങളുടെ ഐഒടി ഉപകരണം ഉപയോഗിച്ച് ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യാൻ ബന്ധപ്പെട്ട മാർഗ്ഗരേഖകൾ പിന്തുടരുക:
|
|
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
|
|
|
* [സിംഗിൾ-ബോർഡ് കമ്പ്യൂട്ടർ - Raspberry Pi / വെർച്വൽ ഐഒടി ഉപകരണം](single-board-computer-classify-image.md)
|
|
|
|
|
|
## മോഡൽ മെച്ചപ്പെടുത്തുക
|
|
|
|
|
|
നിങ്ങളുടെ ഐഒടി ഉപകരണത്ത് കണക്റ്റ് ചെയ്ത ക്യാമറ ഉപയോഗിച്ച് ചിത്രങ്ങൾ എടുത്തപ്പോൾ നിങ്ങൾ പ്രതീക്ഷിക്കുന്നതുപോലെ ഫലം ഉണ്ടാകാതെ പോകുന്നതായും നിങ്ങൾ കാണാൻ കഴിയും. പ്രവണതകൾ ഡെസ്ക്ക്ടോപിൽ നിന്ന് അപ്ലോഡ് ചെയ്ത ചിത്രങ്ങളുടെ പോലെ ശരിയായ നേട്ടം കാണിക്കുന്നില്ല. കാരണം മോഡൽ predictionsക്ക് ഉപയോഗിക്കുന്ന ഡാറ്റയും മോഡൽ പരിശീലനത്തിനുപയോഗിച്ച ഡാറ്റയും വ്യത്യസ്തമാണ്.
|
|
|
|
|
|
ഒരു ചിത്ര ക്ലാസിഫയർക്ക് മികച്ച ഫലം നൽകുവാൻ, പ്രവചനത്തിന് ഉപയോഗിക്കുന്ന ചിത്രങ്ങളുടെ സമാനമായ ചിത്രങ്ങളാൽ മോഡൽ പരിശീലിപ്പിക്കണം. ഉദാഹരണത്തിന്, നിങ്ങൾ ഫോൺ ക്യാമറ ഉപയോഗിച്ച് ചിത്രങ്ങൾ എടുത്ത് മോഡൽ പരിശീലിപ്പിച്ചിട്ടുണ്ടെങ്കിൽ, ആ ചിത്രങ്ങളുടെ ഗുണനിലവാരം, തികഞ്ഞ ഭാഗങ്ങൾ, നിറങ്ങൾ ഐഒടി ഉപകരണത്തിനൊപ്പം ഉള്ള ക്യാമറയുടെ ചിത്രങ്ങളിൽനിന്നും വ്യത്യസ്തമായിരിക്കും.
|
|
|
|
|
|
|
|
|
|
|
|
மேலுள்ள படத்தில், இடതுபுறம் Raspberry Pi ക്യാമറ ഉപയോഗിച്ചാണ് പേശങ്ങലക്കളുടെ ചിത്രം എടുത്തിരിക്കുന്നത്, വலതுபക്ഷം ഐഫോണിൽ നിന്നുള്ളതാണ്. ഗുണനിലവാരത്തിൽ വ്യക്തമായ വ്യത്യാസം ഉണ്ട് - ഐഫോൺ ചിത്രം കൂടുതൽ തെളിഞ്ഞ, നിറം നിറയുകയും കണ്ട്രാസ്റ്റ് കൂടുതലായുള്ളതാണ്.
|
|
|
|
|
|
✅ നിങ്ങളുടെ ഐഒടി ഉപകരണത്താൽ പകർത്തപ്പെട്ട ചിത്രങ്ങളിൽ തെറ്റായി പ്രവചനങ്ങൾ ഉണ്ടാകാനുള്ള മറ്റേതൊ കാര്യങ്ങൾ എന്തൊക്കെ? ഒരു ഐഒടി ഉപകരണം ഉപയോഗിക്കുന്ന പരിസ്ഥിതി, ചിത്രത്തിനും ബാധകമായ ഘടകങ്ങളെ കുറിച്ച് ചിന്തിക്കുക.
|
|
|
|
|
|
മോഡൽ മെച്ചപ്പെടുത്താൻ, നിങ്ങൾക്ക് ഐഒടി ഉപകരണത്തിൽനിന്നും പകർത്തിയ ചിത്രങ്ങൾ ഉപയോഗിച്ച് വീണ്ടും പരിശീലിപ്പിക്കാം.
|
|
|
|
|
|
### ടാസ്ക് - മോഡൽ മെച്ചപ്പെടുത്തുക
|
|
|
|
|
|
1. നിങ്ങളുടെ ഐഒടി ഉപകരണത്താൽ പാകംസമയത്തും പാകമല്ലാത്ത പഴങ്ങളും ഉൾപ്പെടെയുള്ള നിരവധി ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യുക.
|
|
|
|
|
|
1. Custom Vision പോർട്ടലിൽ *Predictions* ടാബിൽ ഉള്ള ചിത്രങ്ങൾ ഉപയോഗിച്ച് മോഡൽ വീണ്ടും പരിശീലിപ്പിക്കുക.
|
|
|
|
|
|
> ⚠️ ആവശ്യമുണ്ടെങ്കിൽ [പഠന ക്ലാസിഫയർ വീണ്ടും പരിശീലിപ്പിക്കുന്നതിനുള്ള നിർദ്ദേശങ്ങൾ മുൻപത്തെ പാഠത്തിൽ](../1-train-fruit-detector/README.md#retrain-your-image-classifier) കാണുക.
|
|
|
|
|
|
1. നിങ്ങളുടെ ചിത്രങ്ങൾ ആദ്യം പരിശീലനത്തിനു ഉപയോഗിച്ച ചിത്രങ്ങളിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണെങ്കിൽ, *Training Images* ടാബിൽ നിന്ന് അവയെല്ലാം തിരഞ്ഞെടുത്ത് **Delete** ബട്ടൺ അമർത്തി അപ്രയോഗമാക്കാം. ഒരു ചിത്രം തിരഞ്ഞെടുക്കാൻ, കറ്സർ അതിന്റെ മുകൾഭാഗത്ത് കൊണ്ടുപോകുക, ടിക്ക് അടയാളം കാണുമെന്ന് ടിക്ക് അമർത്തി തിരഞ്ഞെടുക്കാനോ ഒഴിവാക്കാനോ കഴിയും.
|
|
|
|
|
|
1. പുതിയ ഇരിപ്പ് പരിശീലിപ്പിച്ച്, മുൻപ് നൽകിയ പ്രകാരമാണ് പ്രസിദ്ധീകരിക്കുക.
|
|
|
|
|
|
1. കോഡിലെ എൻഡ്പോയിന്റ് URL അപ്ഡേറ്റ് ചെയ്ത് ആപ്പ് വീണ്ടും പ്രവർത്തിപ്പിക്കുക.
|
|
|
|
|
|
1. പ്രവചനഫലങ്ങളിൽ നിങ്ങൾ സനന്തുഷ്ടനാകുന്നതുവരെ ഈ ചുവടുകൾ ആവർത്തിക്കുക.
|
|
|
|
|
|
---
|
|
|
|
|
|
## 🚀 വെല്ലുവിളി
|
|
|
|
|
|
ചിത്ര റെസലൂഷനും ലൈറ്റിങ്ങും പ്രവചനത്തെ എങ്ങനെ ബാധിക്കുന്നു?
|
|
|
|
|
|
നിങ്ങളുടെ ഡിവൈസ് കോഡിൽ ചിത്രം റെസലൂഷൻ മാറ്റി പരീക്ഷിച്ച് ചിത്രത്തിന്റെ ഗുണനിലവാരത്തിൽ എന്തെങ്കിലും വ്യത്യാസമുണ്ടോ നോക്കുക. ലൈറ്റിങും മാറ്റി പരീക്ഷിക്കുക.
|
|
|
|
|
|
ഫോമുകൾക്കും ഫാക്ടറികൾക്കും വിൽക്കാൻ ഒരു പ്രൊഡക്ഷൻ ഡിവൈസ് ഉണ്ടാക്കുകയാണെങ്കിൽ, എല്ലായ്പ്പോഴും സ്ഥിരമായ ഫലങ്ങൾ ലഭിക്കുന്നതെങ്ങനെ ഉറപ്പാക്കും?
|
|
|
|
|
|
## പോസ്റ്റ്-ലെക്ചർ ക്വിസ്
|
|
|
|
|
|
[പോസ്റ്റ്-ലെക്ചർ ക്വിസ്](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/32)
|
|
|
|
|
|
## അവലോകനം & സ്വയം പഠനം
|
|
|
|
|
|
നിങ്ങൾ കസ്റ്റം വിസൻ മോഡൽ പോർട്ടൽ വഴി പരിശീലിപ്പിച്ചു. ഇതിന് ചിത്രങ്ങൾ ലഭ്യമായിരിക്കണം. യഥാർത്ഥ ലോകത്തിൽ നിങ്ങളുടെ ഉപകരണത്തിലെ ക്യാമറ പിടിച്ചെടുക്കുന്ന ചിത്രങ്ങളോട് പൊരുത്തമുള്ള പരിശീലന ഡാറ്റ ലഭിക്കണം എന്ന് ഉറപ്പ് വരുത്താൻ കഴിയില്ല. നിങ്ങൾക്ക് അവയുടെ പരിസരത്തേദിച്ചു, ട്രെയിനിങ് API ഉപയോഗിച്ച് നേരിട്ട് ഉപകരണത്തിൽ നിന്നു ചിത്രങ്ങൾ ഉപയോഗിച്ച് മോഡൽ പരിശീലിപ്പിക്കാൻ കഴിയും.
|
|
|
|
|
|
* [Custom Vision SDK ക്വിക്ക് സ്റ്റാർട്ടിൽ](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?WT.mc_id=academic-17441-jabenn&tabs=visual-studio&pivots=programming-language-python) ട്രെയിനിംഗ് APIയെ കുറിച്ച് വായിക്കുക.
|
|
|
|
|
|
## അസൈൻമെന്റ്
|
|
|
|
|
|
[ക്ലാസിഫികേഷൻ ഫലങ്ങൾക്ക് പ്രതികരിക്കുക](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
|
**അസ്തിത്വപ്രമാണം**:
|
|
|
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന എഐ ഭാഷാന്തര സേവനം ഉപയോഗിച്ച് പരിഭാഷ ചെയ്തതാണ്. നാം ശുദ്ധതയ്ക്ക് ശ്രമിക്കുന്നുവെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന പരിഭാഷകളിൽ പിശകുകൾ അല്ലെങ്കിൽ അപൂർവതകൾ ഉണ്ടാകാം എന്ന് ശ്രദ്ധിക്കണം. യഥാർത്ഥ രേഖ അതിന്റെ ജന്മഭാഷയിലുള്ള ആധികാരിക ഉറവിടമായി കണക്കാക്കപ്പെടണം. ഗൗരവമുള്ള വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മാനവ പരിഭാഷ നിർദേശം നൽകപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗിക്കുന്നതിനായി ഉണ്ടായ എന്തെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യത്യാസങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |
