IoT-For-Beginners/translations/ml/5-retail/lessons/2-check-stock-device/README.md

# ഒരു IoT ഉപകരണത്തിൽ നിന്നും സ്റ്റോക്ക് പരിശോധിക്കുക

![ഈ പാഠത്തിന്റെ സ്കെച്ച്നോട്ട് അവലോകനം](../../../../../translated_images/ml/lesson-20.0211df9551a8abb3.webp)

> സ്കെച്ച്നോട്ട് [Nitya Narasimhan](https://github.com/nitya) ഇ വഴി. വലിയ വേർഷൻ കാണാനായി ചിത്രം ക്ലിക്ക് ചെയ്യുക.

## മുൻപാഠം ക്വിസ്

[മുൻപാഠം ക്വിസ്](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/39)

## പരിചയം

മുൻപത്തെ പാഠത്തിൽ റീറ്റെയിൽ മേഖലയിൽ वस्तു തിരിച്ചറിയലിന്റെ വ്യത്യസ്ത ഉപയോഗങ്ങളെ കുറിച്ച് പഠിച്ചു. സ്റ്റോക്ക് തിരിച്ചറിയാൻ ഒരു ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ ട്രെയിൻ ചെയ്യുന്നതെങ്ങനെ എന്നും പഠിച്ചു. ഈ പാഠത്തിൽ, നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നുള്ള ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ ഉപയോഗിച്ച് സ്റ്റോക്ക് എണാളാൻ എങ്ങനെ ചെയ്യാം എന്ന് നിങ്ങൾ പഠിക്കും.

ഈ പാഠത്തിൽ ഞങ്ങൾ ഇതു പരിചോദിക്കും:

* [സ്റ്റോക്ക് എണ്ണല്‍](../../../../../5-retail/lessons/2-check-stock-device)
* [നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നു നിങ്ങളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ വിളിക്കുക](../../../../../5-retail/lessons/2-check-stock-device)
* [ബൗണ്ടിംഗ് ബോക്സുകൾ](../../../../../5-retail/lessons/2-check-stock-device)
* [മോഡൽ പുനഃപ്രശിക്ഷിക്കുക](../../../../../5-retail/lessons/2-check-stock-device)
* [സ്റ്റോക്ക് എണ്ണം](../../../../../5-retail/lessons/2-check-stock-device)

> 🗑 ഈ പ്രോജക്റ്റിലെ അവസാന പാഠമാണിത്, അതിനാൽ ഈ പാഠവും അസൈൻമെന്റും പൂർത്തിയാക്കിയുശേഷം നിങ്ങളുടെ ക്ലൗഡ് സേവനങ്ങൾ ശുചീകരിക്കാൻ മടിക്കണ്ട. അസൈൻമെന്റ് പൂർത്തിയാക്കാൻ ഈ സേവനങ്ങൾ ആവശ്യമുണ്ടാകും, ആദ്യം അസൈൻമെന്റ് പൂർത്തിയാക്കുകയും ചെയ്യുക.
>
> ഇതിന്റെ നിർദ്ദേശങ്ങൾക്ക് [താങ്കളുടെ പ്രോജക്റ്റ് ക്ലീൻ ചെയ്യാനുള്ള ഗൈഡ്](../../../clean-up.md) കാണുക.

## സ്റ്റോക്ക് എണ്ണം

ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ സ്റ്റോക്ക് പരിശോധിക്കാൻ ഉപയോഗിക്കാം, അഥവാ സ്റ്റോക്ക് എണ്ണാനോ അതു ഉണ്ടല്ലെങ്കിൽ സ്ഥിതിയറിയാനോ. ക്യാമറകൾ അടങ്ങിയ IoT ഉപകരണങ്ങൾ സ്റ്റോറിന്റെ ചുറ്റും വിന്യസിക്കാം, പ്രധാനമായി അവിടെയുള്ള ഹോട്ട് സ്‌പോട്ടുകളിൽ, ഇവിടങ്ങളിലാണ് ഉൽപ്പന്നങ്ങൾ പുനഃസ്നേഹം ആവശ്യമുള്ളത്, ഉദാഹരണത്തിന് ചെറിയ എണ്ണം മൂല്യമേറിയ സാധനങ്ങൾ സൂക്ഷിക്കുന്ന പ്രദേശങ്ങൾ.

ഉദാഹരണത്തിന്, ഒരു ക്യാമറ 8 ടോമാറ്റോ പേസ്റ്റ് കാനുകൾ അടങ്ങിയ ഒരു ഷെൽഫ് നോക്കുമ്പോൾ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ 7 കാനുകൾ മാത്രമെങ്കിലും കണ്ടുപിടിച്ചാൽ, ഒരു കാൻ ഇല്ലാതായതാണ്, അതിനാൽ പുനഃസ്നേഹം ആവശ്യം ഉണ്ടാകുന്നു.

![ഷെൽഫിൽ 7 ടോമാറ്റോ പേസ്റ്റ് കാനുകൾ - മുകളിലെ വരിയിൽ 4, താഴെയൊക്കെ 3](../../../../../translated_images/ml/stock-7-cans-tomato-paste.f86059cc573d7bec.webp)

മുകളിൽ ഉള്ള ചിത്രത്തിൽ, ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ 8 കാനുകൾ സൂക്ഷിക്കാവുന്ന ഒരു ഷെൽഫിൽ നിന്ന് 7 ടോമാറ്റോ പേസ്റ്റ് കാനുകൾ കണ്ടെത്തി. IoT ഉപകരണം പുനഃസ്നേഹത്തിന് അറിയിപ്പ് അയക്കാനാകുന്നതുപോലെ, അപൂർവമായ ഈ കാണാൻ കഴിയാത്ത ഉൽപ്പന്നത്തിന്റെ സ്ഥിതിയും സൂചന നൽകാം, റൊബോട്ടുകൾ ഉപയോഗിച്ച് ഷെൽഫുകൾ പുനഃസ്നേഹം ചെയ്യുമ്പോൾ ഇത് വളരെ പ്രാധാന്യമുള്ള ഡാറ്റ ആണ്.

> 💁 വസ്തുവിന്റെ സ്റ്റോർ തിരിച്ചറിയലും ജനപ്രിയതയും ആശ്രയിച്ചാണ് പുനഃസ്നേഹം ഉണ്ടാകുന്നതെന്നും, ഒരേയൊരു കാനും ഇല്ലാതായാൽ പുനഃസ്നേഹം സാധാരണയായി വേണ്ട 않을 수도 있다고. നിങ്ങൾക്ക് ഉൽപ്പന്നം, ഉപഭോക്താക്കൾ, മറ്റ് മാനദണ്ഡങ്ങൾ അടിസ്ഥാനമാക്കി പുനഃസ്നേഹത്തിനുള്ള സമയത്തിനുള്ള ആലഗോരിതം തയാറാക്കേണ്ടി വരും.

✅ മറ്റെന്തെല്ലാ സാഹചര്യങ്ങളിൽ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷനും റൊബോട്ടുകളും ഒന്നിച്ച് ഉപയോഗിക്കാനാകും?

അവസരങ്ങളിൽ തെറ്റായ സ്റ്റോക്ക് ഷെൽഫുകളിൽ ഉണ്ടാവാം. ഇത് പുനഃസ്നേഹം ചെയ്യുന്ന സമയത്തെ മനുഷ്യ പിഴവോ ഉപഭോക്താക്കളുടെ മനോഭാവ മാറ്റമോ ഒരൊറ്റ സാധനത്തെ ആദ്യം ലഭ്യമായ സ്ഥലത്ത്വക്കത്ത് വെക്കലായിരിക്കും. ഇത് സ്ഥിരതയുള്ള വസ്തുക്കൾ ആയാൽ, ഉദാഹരണത്തിന് കാന്ഡ് ഭക്ഷണ പദാർത്ഥങ്ങൾ, ഇത് ചെറിയ അസ്വസ്ഥത മാത്രമാണ്. എന്നാൽ പാരിഷബിള്‍ സാധനങ്ങൾ, ഉദാഹരണത്തിന് ഫ്രോസൻ നെ കേള്ണ്ട.goodsആയിവാർ, ഇത് ഫ്രീസർ പുറത്തു എത്രനാൾ ഉണ്ടായിരുന്നു എന്ന് അറിയാൻ കഴിയാതിരുന്നാൽ, വസ്തുവിന്റെ വിൽപ്പന അവസാനിക്കാം.

ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ഉപയോഗിച്ച് അനിയത വസ്തുക്കൾ കണ്ടെത്താൻ കഴിയും, വീണ്ടും മനുഷ്യോ റൊബോട്ടോ എത്രയും വേഗം വസ്തു തിരിച്ചു വെക്കണമെന്ന് അറിയിക്കാനാകും.

![ടോമാറ്റോ പേസ്റ്റ് ഷെൽഫിൽ കിടക്കുന്ന തെറ്റായ ബേബി കോണിന്റെ കാൻ](../../../../../translated_images/ml/stock-rogue-corn.be1f3ada8c457854.webp)

മുകളിൽ കാണുന്ന ചിത്രത്തിൽ, ടോമാറ്റോ പേസ്റ്റ് ഷെൽഫിന് അടുത്ത് ഒരു ബേബി കോൺ കാൻ വെച്ചിരിക്കുന്നു. ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ഇത് കണ്ടെത്തി, കാരണം IoT ഉപകരണം ഒരു മനുഷ്യനോ റൊബോട്ടോ കാന്ന് ശരിയായ സ്ഥലത്ത് തിരിച്ച് വെക്കാൻ അറിയിക്കാനാകും.

## നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നു ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ വിളിക്കുക

മുൻപുള്ള പാഠത്തിൽ നിങ്ങൾ ട്രെയിൻ ചെയ്ത ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നു വിളിക്കാവുന്നതാണ്.

### ടാസ്‌ക് - ഒബ്ജക്റ്റ് ഡിറ്റക്ടറിന്റെ ഒരു ഇട്ടറേഷൻ പ്രസിദ്ധീകരിക്കുക

കസ്റ്റം വിറ്റൻ പോർട്ടലിൽ നിന്നാണ് ഇട്ടറേഷനുകൾ പ്രസിദ്ധീകരിക്കുന്നത്.

1. [CustomVision.ai](https://customvision.ai) ല്‍ കസ്റ്റം വിസൻ പോർട്ടൽ തുറക്കുക, ഇപ്പോൾ തുറന്നിട്ടില്ലെങ്കിൽ സൈനിൻ ചെയ്യുക. തുടർന്ന് നിങ്ങളുടെ `stock-detector` പ്രോജക്റ്റ് തുറക്കുക.

1. മുകളിലുള്ള ഓപ്ഷനുകളിൽ നിന്നും **Performance** ടാബ് തിരഞ്ഞെടുക്കുക

1. വശത്തുള്ള *Iterations* ലിസ്റ്റിൽ നിന്നു ഏറ്റവും പുതിയ ഇട്ടറേഷൻ തിരഞ്ഞെടുക്കുക

1. ഇട്ടറേഷനിൽ നിന്ന് **Publish** ബട്ടൺ തിരഞ്ഞെടുക്കുക

    ![പ്രസിദ്ധീകരണ ബട്ടൺ](../../../../../translated_images/ml/custom-vision-object-detector-publish-button.34ee379fc650ccb9.webp)

1. *Publish Model* ഡയലോഗിൽ, *Prediction resource* ആയി കഴിഞ്ഞ പാഠത്തിൽ നിങ്ങൾ സൃഷ്ടിച്ച `stock-detector-prediction` റിസോഴ്‌സ് തിരഞ്ഞെടുക്കുക. പേര് `Iteration2` ആയിരിക്കട്ടെ, തുടർന്ന് **Publish** ബട്ടൺ ക്ളിക്ക് ചെയ്യുക.

1. പ്രസിദ്ധീകരിച്ചതിന് ശേഷം, **Prediction URL** ബട്ടൺ തിരഞ്ഞെടുക്കുക. ഇത് prediction API വിശദാംശങ്ങൾ കാണിക്കും, നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്ന് മോഡൽ വിളിക്കുന്നതിന് ഇവ ആവശ്യമാണ്. താഴെയുള്ള വല്ലയതി *If you have an image file* എന്നാണു അറിയിച്ചത്, ഇത് നിങ്ങൾക്ക് വേണ്ട വിവരങ്ങളാണ്. കാണിക്കുന്ന URL-ന്റെ ഒരു കോപ്പി എടുക്കുക, വിലാസം ഇതുപോലെ ആയിരിക്കും:

    ```output
    https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/detect/iterations/Iteration2/image
    ```

    ഇവിടെ `<location>` നിങ്ങളുടെ കസ്റ്റം വിസൻ റിസോഴ്‌സ് സൃഷ്ടിച്ച സമയത്ത് ഉപയോഗിച്ച സ്ഥലം ആയിരിക്കും, `<id>` ഫോൾ അക്ഷരങ്ങളും സംഖ്യകളും കൊണ്ടുണ്ടായ നീളമുള്ള ഐഡി ആയിരിക്കും.

    കൂടാതെ *Prediction-Key* മൂല്യവും കോപ്പി ചെയ്യുക. ഇത് മോഡൽ വിളിക്കുന്നപ്പോൾ താങ്കള്‍ അയക്കേണ്ട സുരക്ഷിത കീ ആണ്. ഈ കീയുള്ള അപേക്ഷകൾക്ക് മാത്രമേ മോഡൽ ഉപയോഗിക്കാൻ അനുമതിയുള്ളൂ, മറ്റേതെങ്കിലും അപേക്ഷകൾ നിരസിക്കപ്പെടും.

    ![Prediction API ഡയലോഗ് URL, കീ എന്നിവ കാണിക്കുന്നു](../../../../../translated_images/ml/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp)

✅ പുതിയ ഇട്ടറേഷൻ പ്രസിദ്ധീകരിക്കുമ്പോൾ അത് වෙනൊരു പേര് ലഭിക്കും. IoT ഉപകരണം ഉപയോഗിക്കുന്ന ഇಟ್ಟറേഷൻ മാറ്റാൻ നിങ്ങൾ എങ്ങനെ ഉദ്ദേശിക്കുന്നു?

### ടാസ്‌ക് - നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നു ഒബ്ജക്റ്റ് ഡിറ്റക്ടറെ വിളിക്കുക

താങ്കളുടെ IoT ഉപകരണത്തിൽ നിന്നുവീഴെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ഉപയോഗിക്കുന്നതിന് സംബന്ധിച്ച അനുയോജ്യമായ ഗൈഡ് പിന്തുടരുക:

* [Arduino - Wio Terminal](wio-terminal-object-detector.md)
* [Single-board computer - Raspberry Pi/Virtual device](single-board-computer-object-detector.md)

## ബൗണ്ടിംഗ് ബോക്സുകൾ

ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ഉപയോഗിക്കുമ്പോൾ, നിങ്ങൾ തിരിച്ചറിയപ്പെട്ട വസ്തുക്കളുടെ ടാഗുകളും സാധ്യതകളും മാത്രമല്ല, ബൗണ്ടിംഗ് ബോക്സുകളും ലഭിക്കുന്നു. ഇവ ഒബ്ജക്റ്റ് ഡിറ്റക്ടറിന്റെ ഉറപ്പോടെ വസ്തു കണ്ടെത്തിയ സ്ഥലം നിർവചിക്കുന്നു.

> 💁 ബൗണ്ടിംഗ് ബോക്സ് എന്ന് പറയുന്നത് തിരിച്ചറിഞ്ഞ വസ്തുവിന്റെ പരിധി നിർവ്വചിക്കുന്ന ഒരു ബോക്സാണ്.

Custom Vision-ൽ **Predictions** ടാബിൽ പ്രവചനഫലങ്ങൾക്കായി ചിത്രത്തിൽ ബൗണ്ടിംഗ് ബോക്സുകൾ വരയ്ക്കപ്പെട്ടിരിക്കുന്നു.

![4 ടോമാറ്റോ പേസ്റ്റ് കാനുകൾ ഒരു ഷെൽഫിൽ, 35.8%, 33.5%, 25.7%, 16.6% സാധ്യതകളോടെ 4 തിരിച്ചറിയലുകൾ](../../../../../translated_images/ml/custom-vision-stock-prediction.942266ab1bcca341.webp)

മുകളിൽ നൽകിയ ചിത്രത്തിൽ, 4 ടോമാറ്റോ പെയ്സി കാനുകൾ കണ്ടെത്തിയിട്ടുണ്ട്. ഫലങ്ങളിൽ ചിത്രത്തിൽ തിരിച്ചറിയപ്പെട്ട ഓരോ വസ്തുവിനും ബൗണ്ടിംഗ് ബോക്സ് കാണിക്കുന്ന ചുവപ്പ് ചതുരം പതിച്ചിരിക്കുന്നു.

✅ Custom Vision-ൽ പ്രവചനങ്ങൾ തുറന്ന് ബൗണ്ടിംഗ് ബോക്സുകൾ പരിശോധിക്കൂ.

ബൗണ്ടിംഗ് ബോക്സുകൾ നാലു മൂല്യങ്ങൾ ഉപയോഗിച്ച് നിർവചിക്കപ്പെടുന്നു - മുകൾഭാഗം, ഇടത്, ഉയരം, വീതി. ഈ മൂല്യങ്ങൾ 0 മുതൽ 1 വരെയുള്ള സ്കെയിലിലാണ്, ചിത്രത്തിന്റെ വലുപ്പത്തിന്റെ ശതമാനമായി സ്ഥാനങ്ങൾ പ്രതിനിധീകരിക്കുന്നു. ഏതിടത്താണ് മൂലസംഹിത (0,0) അഥവാ ആരംഭ ബിന്ദു എന്ന് നോക്കുമ്പോൾ അത് ചിത്രത്തിന്റെ മുകളില്‍ ഇടത്തക്ക ഭാഗമാണ്. അതിനാൽ മുകളിലെ വില 0.4 ആണെങ്കിൽ, അതായത് 800 പിക്സൽ ഉയരം ഉള്ള ചിത്രത്തിൽ 320 പിക്സൽ ഒപ്പം. ബോക്സ് മുകളിൽ മുതൽ കാണുന്നത് ബോക്സിന്റെ മുകളിൽ വലുപ്പം കൂട്ടിയതിനുശേഷം എത്തുന്ന സ്ഥലം ആണ്.

![ടോമാറ്റോ പേസ്റ്റ് കാനിനുള്ള ബൗണ്ടിംഗ് ബോക്സ്](../../../../../translated_images/ml/bounding-box.1420a7ea0d3d15f7.webp)

മുകളിലുള്ള ചിത്രം 600 പിക്‌സൽ വീതിയുള്ളതും 800 പിക്‌സൽ ഉയരമുള്ളതും ആണ്. ബൗണ്ടിംഗ് ബോക്സ് 320 പിക്‌സൽ താഴേക്ക് ആരംഭിക്കുന്നു, അതിന്റെ മുകളില്‍ മൂല്യം 0.4 ആണ് (800 x 0.4 = 320). ഇടത്തു നിന്ന് ബൗണ്ടിംഗ് ബോക്സ് 240 പിക്‌സൽ വ്യാപിച്ചിരിക്കുന്നു, അതിന്റെ ഇടത് മൂല്യം 0.4 ആണ് (600 x 0.4 = 240). ബൗണ്ടിംഗ് ബോക്സ് ഉയരം 240 പിക്സൽ, അതിന്റെ ഉയരം മൂല്യം 0.3 ആണ് (800 x 0.3 = 240). വീതി 120 പിക്‌സൽ, അതിന്റെ വീതി മൂല്യം 0.2 ആണ് (600 x 0.2 = 120).

| കോ ഓർഡിനേറ്റ് | മൂല്യം |
| ---------- | ----: |
| മുകളില്‍ (Top)        | 0.4   |
| ഇടത് (Left)       | 0.4   |
| ഉയരം (Height)     | 0.3   |
| വീതി (Width)      | 0.2   |

0-1 എന്ന ശതമാന മൂല്യങ്ങൾ ഉപയോഗിച്ചതിനാൽ, ചിത്രം എത്ര വലുതായാലും, ബൗണ്ടിംഗ് ബോക്സ് മുകളിൽ നിന്ന് 0.4, ഇടതുനിന്നും 0.4 സ്ഥലം നിന്ന് ആരംഭിക്കുകയാണുള്ളത്, ഉയരം 0.3, വീതി 0.2 ആണ്.

നിങ്ങൾ ബൗണ്ടിംഗ് ബോക്സുകളും സാധ്യതകളും ചേർത്ത് ഉപയോഗിച്ച് തിരിച്ചറിയലിന്റെ കൃത്യത വിലയിരുത്താനാകും. ഉദാഹരണത്തിന്, ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ ഒരുപാട് ഒബ്ജക്റ്റുകൾ തിരിച്ചറിയാം, ചിലപ്പോൾ ഒരെണ്ണം മറ്റൊന്നിനുള്ളിൽ വരെ overlap (കവർക്കൽ) ചെയ്യും. നിങ്ങളുടെ കോഡ് ബൗണ്ടിംഗ് ബോക്സുകൾ പരിശോധിച്ച്, ഇത് സാധ്യമല്ല എന്ന് മനസ്സിലാക്കി, അധികം overlap ഉളള വസ്തുക്കളിൽ കുറവ് സാധ്യതയുള്ളത് നിർത്താനാകും.

![രണ്ട് ബൗണ്ടിംഗ് ബോക്സുകൾ overlap ചെയ്ത് ടോമാറ്റോ പേസ്റ്റ് കാൻ](../../../../../translated_images/ml/overlap-object-detection.d431e03cae75072a.webp)

ഉദാഹരണത്തിൽ, ഒരു ബൗണ്ടിംഗ് ബോക്സ് 78.3% സാധ്യതയോടെ ടോമാറ്റോ പേസ്റ്റ് കാൻ കണ്ടെത്തിയതായി കാണിക്കുന്നു. രണ്ടാമത്തേത് ചെറിയതാണ്, ആദ്യ ബോക്സിനുള്ളിൽ 64.3% സാധ്യതയോടെ കാണുന്നു. നിങ്ങളുടെ കോഡ് ഇവയുടെ ബൗണ്ടിംഗ് ബോക്സ് പരിശോധിച്ച്, ഇവ മുഴുവനും overlap ചെയ്യുന്നതായി കണ്ടാൽ കുറഞ്ഞ സാധ്യതയുള്ളത് നിഷേധിക്കാം, ഒന്നിനുള്ളിൽ മറ്റൊന്ന് ഉണ്ടാകാനാകില്ലെന്നതിനാൽ.

✅ ഒരു വസ്തു മറ്റൊന്നിനുള്ളിൽ തിരിച്ചറിയുന്നത് സാധുവായ ഒരു അവസ്ഥ നിങ്ങൾക്കു തോന്നുന്നുണ്ടോ?

## മോഡൽ പുനഃപ്രശിക്ഷിക്കുക

ഇമേജ് ക്ലാസിഫയർ പോലെ, നിങ്ങളുടെ IoT ഉപകരണത്തിൽ നിന്നുള്ള വാസ്തവത്തിൻറെ ഡാറ്റ ഉപയോഗിച്ച് മോഡൽ പുനഃപ്രശിക്ഷിക്കാം. ഇത് നിങ്ങളുടെ മോഡൽ IoT ഉപകരണത്തിൽ നിന്ന് ഉപയോഗിക്കുമ്പോൾ നന്നായി പ്രവർത്തിക്കാൻ സഹായിക്കും.

ഇമേജ് ക്ലാസിഫയറുടെ പക്ഷേ, ഒരു ചിത്രം ടാഗ് ചെയ്യുന്നത് മാത്രമല്ല സരിയാകൂ. മോഡൽ കണ്ടെത്തിയ ഓരോ ബൗണ്ടിംഗ് ബോക്സും പരിശോധിക്കേണ്ടതാണ്. ബോക്സ് തെറ്റായ വസ്തു ചുറ്റിപ്പറ്റിയിട്ടുണ്ടെങ്കിൽ അത് നീക്കം ചെയ്യണം, തെറ്റായ സ്ഥലത്താണെങ്കിൽ അതിന് ശരിയാക്കുകയും വേണം.

### ടാസ്‌ക് - മോഡൽ പുനഃപ്രശിക്ഷിക്കുക

1. നിങ്ങളുടെ IoT ഉപകരണം ഉപയോഗിച്ച് വിവിധ ചിത്രങ്ങൾ പിടിച്ച് സൂക്ഷിച്ചിരിക്കലാണെന്ന് ഉറപ്പാക്കുക.

1. **Predictions** ടാബിൽ നിന്ന് ഒരു ചിത്രം തിരഞ്ഞെടുക്കുക. കണ്ടെത്തിയ വസ്തുക്കളുടെ ബൗണ്ടിംഗ് ബോക്സുകൾ ചുവപ്പ് ബോക്സുകളായി കാണും.

1. ഓരോ ബൗണ്ടിംഗ് ബോക്സും ഒരുകൂട്ടം പരിശോധിക്കുക. ആദ്യം തിരഞ്ഞെടുത്താൽ ടാഗ് കാണിക്കുന്ന ഒരു പടിയുണ്ടാകും. ആവശ്യമെങ്കിൽ ബോക്സിന്റെ വലിപ്പം കോണുകളിൽ നിന്നും മാറ്റാമാകും. ടാഗ് തെറ്റായിരുന്നാൽ **X** ചിഹ്നത്തിൽ ക്ലിക്ക് ചെയ്ത് ഒഴിവാക്കുകയും ശരിയായ ടാഗ് ചേർക്കുക. ബോക്സിനുള്ളിൽ വസ്തു ഇല്ലെങ്കിൽ തുലസ്തം ബട്ടൺ ഉപയോഗിച്ച് അത് നശിപ്പിക്കുക.

1. നിലവ് പൂർത്തിയാക്കിയ ശേഷം എഡിറ്റർ അടയ്ക്കുക, ചിത്രം **Predictions** ടാബിൽ നിന്നായി **Training Images** ടാബിലേയ്ക്ക് മാറും. എല്ലാ പ്രവചനങ്ങൾക്കും ഈ പ്രക്രിയ പുനരാവർത്തിക്കുക.

1. **Train** ബട്ടൺ ഉപയോഗിച്ച് മോഡൽ വീണ്ടും ട്രെയിനിംഗ് തുടങ്ങുക. ട്രെയിനിംഗ് പൂർത്തിയായശേഷം ഇട്ടറേഷൻ പ്രസിദ്ധീകരിച്ച് പുതിയ ഇട്ടറേഷന്റെ URL ഉപയോഗിക്കാൻ നിങ്ങളുടെ IoT ഉപകരണം അപ്ഡേറ്റ് ചെയ്യുക.

1. നിങ്ങളുടെ കോഡ് വീണ്ടും വിന്യസിക്കുകയും IoT ഉപകം പരീക്ഷിക്കയും ചെയ്യുക.

## സ്റ്റോക്ക് എണ്ണം

കണ്ടെത്തിയ വസ്തുക്കളുടെ എണ്ണം കൂടാതെ ബൗണ്ടിംഗ് ബോക്സുകൾ ഉപയോഗിച്ച് ഷെൽഫിലുള്ള സ്റ്റോക്ക് എണ്ണാം.

### ടാസ്‌ക് - സ്റ്റോക്ക് എണ്ണം

താങ്കളുടെ IoT ഉപകരണത്തിൽ നിന്നുള്ള ഒബ്ജക്റ്റ് ഡിറ്റക്ടറിന്റെ ഫലങ്ങൾ ഉപയോഗിച്ച് സ്റ്റോക്ക് എണ്ണുന്നതിനുള്ള അനുയോജ്യമായ ഗൈഡ് പിന്തുടരുക:

* [Arduino - Wio Terminal](wio-terminal-count-stock.md)
* [Single-board computer - Raspberry Pi/Virtual device](single-board-computer-count-stock.md)

---

## 🚀 വെല്ലുവിളി

തെറ്റായ സ്റ്റോക്ക് നിങ്ങൾ തിരിച്ചറിയാനാകുമോ? ബഹുഉപകരണങ്ങളിലും പരിശീലിപ്പിച്ച്, തെറ്റായ സ്റ്റോക്ക് കണ്ടാൽ നിങ്ങൾക്ക് ആപ്പ് അറിയിക്കുന്നതായി അപ്ഡേറ്റ് ചെയ്യൂ.

ഇതിനു പുറമെ ഒരു ഷെൽഫിലൊന്ന് പത്തിരുത്തി വച്ച് സ്റ്റോക്ക് തിരിച്ചറിയാനും, ബൗണ്ടിംഗ് ബോക്സുകൾക്ക് പരിധികൾ നിർവ്വചിച്ച് തെറ്റായ സ്ഥലത്ത് വസ്തു വെച്ചിരിക്കുകയാണ് എങ്കിൽ കണ്ടറിയാനും ശ്രമിക്കൂ.

## പാഠാനന്തര ക്വിസ്

[പാഠാനന്തര ക്വിസ്](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/40)

## അവലോകനവും സ്വയം പഠനവും

* [Microsoft Docs-ൽ Out of stock detection at the edge പാറ്റേൺ ഗൈഡ്](https://docs.microsoft.com/hybrid/app-solutions/pattern-out-of-stock-at-edge?WT.mc_id=academic-17441-jabenn) വഴി സ്റ്റോക്ക് കണ്ടെത്തൽ സമ്പൂർണ്ണ സംവിധാനം രൂപകൽപ്പന ചെയ്യുന്നത് എങ്ങനെ എന്നതിനെക്കുറിച്ച് കൂടുതൽ അറിയുക
* ആർക്കിടെക്റ്റ് ചെയ്ത വിവിധ IoT, ക്ലൗഡ് സേവനങ്ങൾ കൂട്ടിച്ചേർന്ന് എങ്ങനെ റീറ്റെയിൽ പരിഹാരങ്ങൾ നിർമ്മിക്കാം എന്ന് [YouTube上的 Behind the scenes of a retail solution - Hands On! വീഡിയോ](https://www.youtube.com/watch?v=m3Pc300x2Mw) കാണുകയുമാണ്.

## അസൈൻമെന്റ്

[നിങ്ങളുടെ ഒബ്ജക്റ്റ് ഡിറ്റക്ടർ എഡ്ജിൽ ഉപയോഗിക്കുക](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസംബന്ധിത കുറിപ്പ്**:  
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന എഐ വിവർത്തന സേവനം ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്.ങ്ങളിൽ നമുക്ക് കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നതിനിടയിൽ, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകളും അപങ്ങങ്ങളും ഉണ്ടാകാമെന്ന് ദയവായി അറിഞ്ഞിരിക്കണം. ഭാഷാമൂലം രേഖയെ യഥാർത്ഥ പ്രാമാണിക מקורമായി കരുതുക. ഗൗരവമെണ്ണുന്ന വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം നിർദ്ദേശിച്ചിരിക്കുന്നു. ഈ വിവർത്തനം ഉപയോഗിച്ചതിനാൽ ഉണ്ടായേക്കാവുന്ന എന്തെങ്കിലും തെറ്റിദ്ധാരണകൾക്ക് chúng ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->