You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
172 lines
26 KiB
172 lines
26 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "557f4ee96b752e0651d2e6e74aa6bd14",
|
|
"translation_date": "2025-08-27T10:15:59+00:00",
|
|
"source_file": "4-manufacturing/lessons/2-check-fruit-from-device/README.md",
|
|
"language_code": "mr"
|
|
}
|
|
-->
|
|
# IoT डिव्हाइसद्वारे फळांची गुणवत्ता तपासा
|
|
|
|
|
|
|
|
> स्केच नोट [नित्य नरसिंहन](https://github.com/nitya) यांनी तयार केली आहे. मोठ्या आवृत्तीसाठी प्रतिमेवर क्लिक करा.
|
|
|
|
## पूर्व-व्याख्यान प्रश्नमंजुषा
|
|
|
|
[पूर्व-व्याख्यान प्रश्नमंजुषा](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31)
|
|
|
|
## परिचय
|
|
|
|
मागील धड्यात तुम्ही इमेज क्लासिफायरबद्दल शिकले, आणि चांगले व खराब फळ ओळखण्यासाठी त्यांना कसे प्रशिक्षण द्यायचे ते समजले. IoT अॅप्लिकेशनमध्ये या इमेज क्लासिफायरचा वापर करण्यासाठी, तुम्हाला कॅमेराचा वापर करून प्रतिमा कॅप्चर करणे आणि ती क्लाउडवर पाठवून वर्गीकृत करणे आवश्यक आहे.
|
|
|
|
या धड्यात तुम्ही कॅमेरा सेन्सर्सबद्दल शिकाल आणि IoT डिव्हाइससह प्रतिमा कॅप्चर कशी करायची ते समजून घ्याल. तुम्ही IoT डिव्हाइसवरून इमेज क्लासिफायरला कॉल कसा करायचा हे देखील शिकाल.
|
|
|
|
या धड्यात आपण खालील गोष्टींचा अभ्यास करू:
|
|
|
|
* [कॅमेरा सेन्सर्स](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
* [IoT डिव्हाइस वापरून प्रतिमा कॅप्चर करा](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
* [तुमचा इमेज क्लासिफायर प्रकाशित करा](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
* [तुमच्या IoT डिव्हाइसवरून प्रतिमा वर्गीकृत करा](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
* [मॉडेल सुधारित करा](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
|
|
|
|
## कॅमेरा सेन्सर्स
|
|
|
|
कॅमेरा सेन्सर्स, नावाप्रमाणेच, असे कॅमेरे आहेत जे तुम्ही तुमच्या IoT डिव्हाइसशी जोडू शकता. हे स्थिर प्रतिमा घेऊ शकतात किंवा स्ट्रीमिंग व्हिडिओ कॅप्चर करू शकतात. काही कॅमेरे कच्चा प्रतिमा डेटा परत करतात, तर काही प्रतिमा डेटा JPEG किंवा PNG सारख्या फाइलमध्ये संकुचित करतात. सामान्यतः IoT डिव्हाइससाठी वापरले जाणारे कॅमेरे लहान आणि कमी रिझोल्यूशनचे असतात, परंतु तुम्ही उच्च रिझोल्यूशन कॅमेरे मिळवू शकता जे उच्च दर्जाच्या फोनशी स्पर्धा करू शकतात. तुम्हाला विविध प्रकारचे बदलण्यायोग्य लेन्स, एकाधिक कॅमेरा सेटअप, इन्फ्रा-रेड थर्मल कॅमेरे किंवा UV कॅमेरे मिळू शकतात.
|
|
|
|
|
|
|
|
बहुतेक कॅमेरा सेन्सर्स इमेज सेन्सर्स वापरतात जिथे प्रत्येक पिक्सेल एक फोटो डायोड असतो. लेन्स प्रतिमेला इमेज सेन्सरवर केंद्रित करते, आणि हजारो किंवा लाखो फोटो डायोड्स प्रत्येकावर पडणारा प्रकाश शोधतात आणि त्याला पिक्सेल डेटामध्ये नोंदवतात.
|
|
|
|
> 💁 लेन्स प्रतिमा उलटवतात, कॅमेरा सेन्सर नंतर प्रतिमा पुन्हा योग्य दिशेने फिरवतो. तुमच्या डोळ्यांमध्येही असेच होते - तुम्ही जे पाहता ते तुमच्या डोळ्याच्या मागील बाजूस उलट्या दिशेने शोधले जाते आणि तुमचा मेंदू त्याला दुरुस्त करतो.
|
|
|
|
> 🎓 इमेज सेन्सरला अॅक्टिव-पिक्सेल सेन्सर (APS) म्हणून ओळखले जाते, आणि APS चा सर्वात लोकप्रिय प्रकार म्हणजे कॉम्प्लिमेंटरी मेटल-ऑक्साइड सेमीकंडक्टर सेन्सर, किंवा CMOS. तुम्ही कॅमेरा सेन्सर्ससाठी CMOS सेन्सर हा शब्द ऐकला असेल.
|
|
|
|
कॅमेरा सेन्सर्स डिजिटल सेन्सर्स असतात, जे प्रतिमा डेटा डिजिटल स्वरूपात पाठवतात, सामान्यतः संवादासाठी लायब्ररीच्या मदतीने. कॅमेरे SPI सारख्या प्रोटोकॉलचा वापर करून मोठ्या प्रमाणात डेटा पाठवण्यासाठी कनेक्ट होतात - प्रतिमा तापमान सेन्सरसारख्या सेन्सरमधून मिळणाऱ्या एका संख्येपेक्षा खूप मोठ्या असतात.
|
|
|
|
✅ IoT डिव्हाइससाठी प्रतिमेच्या आकारावर कोणती मर्यादा असते? विशेषतः मायक्रोकंट्रोलर हार्डवेअरवरील मर्यादा विचार करा.
|
|
|
|
## IoT डिव्हाइस वापरून प्रतिमा कॅप्चर करा
|
|
|
|
तुम्ही तुमच्या IoT डिव्हाइसचा वापर करून वर्गीकृत करण्यासाठी प्रतिमा कॅप्चर करू शकता.
|
|
|
|
### कार्य - IoT डिव्हाइस वापरून प्रतिमा कॅप्चर करा
|
|
|
|
तुमच्या IoT डिव्हाइसचा वापर करून प्रतिमा कॅप्चर करण्यासाठी संबंधित मार्गदर्शकाचा अभ्यास करा:
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-camera.md)
|
|
* [सिंगल-बोर्ड संगणक - Raspberry Pi](pi-camera.md)
|
|
* [सिंगल-बोर्ड संगणक - व्हर्च्युअल डिव्हाइस](virtual-device-camera.md)
|
|
|
|
## तुमचा इमेज क्लासिफायर प्रकाशित करा
|
|
|
|
तुम्ही मागील धड्यात तुमचा इमेज क्लासिफायर प्रशिक्षित केला. IoT डिव्हाइसवरून त्याचा वापर करण्यासाठी, तुम्हाला मॉडेल प्रकाशित करणे आवश्यक आहे.
|
|
|
|
### मॉडेल पुनरावृत्ती
|
|
|
|
मागील धड्यात तुमचे मॉडेल प्रशिक्षण घेत असताना, तुम्हाला **Performance** टॅबमध्ये बाजूला पुनरावृत्ती दिसली असेल. जेव्हा तुम्ही प्रथम मॉडेल प्रशिक्षित केले तेव्हा तुम्हाला प्रशिक्षणात *Iteration 1* दिसले असेल. जेव्हा तुम्ही भविष्यवाणी प्रतिमांचा वापर करून मॉडेल सुधारित केले, तेव्हा तुम्हाला प्रशिक्षणात *Iteration 2* दिसले असेल.
|
|
|
|
प्रत्येक वेळी तुम्ही मॉडेल प्रशिक्षित करता, तुम्हाला नवीन पुनरावृत्ती मिळते. हे वेगवेगळ्या डेटासेटवर प्रशिक्षित केलेल्या मॉडेलच्या विविध आवृत्त्यांचा मागोवा ठेवण्याचा एक मार्ग आहे. जेव्हा तुम्ही **Quick Test** करता, तेव्हा तुम्ही ड्रॉप-डाउन वापरून पुनरावृत्ती निवडू शकता, त्यामुळे तुम्ही अनेक पुनरावृत्त्यांमधील परिणामांची तुलना करू शकता.
|
|
|
|
जेव्हा तुम्ही एखाद्या पुनरावृत्तीवर समाधानी असता, तेव्हा तुम्ही ती बाह्य अॅप्लिकेशन्ससाठी उपलब्ध करण्यासाठी प्रकाशित करू शकता. अशा प्रकारे तुम्ही तुमच्या डिव्हाइसद्वारे वापरलेली प्रकाशित आवृत्ती ठेवू शकता, नंतर नवीन आवृत्तीवर अनेक पुनरावृत्त्यांवर काम करू शकता, आणि त्यावर समाधानी झाल्यावर ती प्रकाशित करू शकता.
|
|
|
|
### कार्य - पुनरावृत्ती प्रकाशित करा
|
|
|
|
Custom Vision पोर्टलमधून पुनरावृत्ती प्रकाशित केली जाते.
|
|
|
|
1. [CustomVision.ai](https://customvision.ai) वर Custom Vision पोर्टल सुरू करा आणि साइन इन करा, जर तुम्ही ते आधीच उघडले नसेल. नंतर तुमचा `fruit-quality-detector` प्रकल्प उघडा.
|
|
|
|
1. वरच्या पर्यायांमधून **Performance** टॅब निवडा.
|
|
|
|
1. बाजूच्या *Iterations* यादीमधून नवीनतम पुनरावृत्ती निवडा.
|
|
|
|
1. पुनरावृत्तीसाठी **Publish** बटण निवडा.
|
|
|
|
|
|
|
|
1. *Publish Model* संवादात, *Prediction resource* म्हणून तुम्ही मागील धड्यात तयार केलेला `fruit-quality-detector-prediction` संसाधन सेट करा. नाव `Iteration2` म्हणून ठेवा आणि **Publish** बटण निवडा.
|
|
|
|
1. प्रकाशित झाल्यानंतर, **Prediction URL** बटण निवडा. हे भविष्यवाणी API चा तपशील दर्शवेल, आणि तुम्हाला तुमच्या IoT डिव्हाइसवरून मॉडेल कॉल करण्यासाठी याची आवश्यकता असेल. खालचा विभाग *If you have an image file* लेबल केलेला आहे, आणि तुम्हाला हवे असलेले तपशील येथे आहेत. URL ची प्रत घ्या जी काहीतरी अशा प्रकारे असेल:
|
|
|
|
```output
|
|
https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/classify/iterations/Iteration2/image
|
|
```
|
|
|
|
जिथे `<location>` तुम्ही तुमचे Custom Vision संसाधन तयार करताना वापरलेले स्थान असेल, आणि `<id>` अक्षरे आणि संख्यांनी बनलेला एक लांब ID असेल.
|
|
|
|
*Prediction-Key* मूल्याची देखील प्रत घ्या. हे एक सुरक्षित की आहे जे तुम्ही मॉडेल कॉल करताना पास करणे आवश्यक आहे. फक्त ती अॅप्लिकेशन्स जी ही की पास करतात त्यांना मॉडेल वापरण्याची परवानगी आहे, इतर कोणत्याही अॅप्लिकेशन्स नाकारल्या जातात.
|
|
|
|
|
|
|
|
✅ जेव्हा नवीन पुनरावृत्ती प्रकाशित केली जाते, तेव्हा त्याला वेगळे नाव असते. तुम्ही IoT डिव्हाइसवर वापरली जाणारी पुनरावृत्ती कशी बदलाल असे तुम्हाला वाटते?
|
|
|
|
## तुमच्या IoT डिव्हाइसवरून प्रतिमा वर्गीकृत करा
|
|
|
|
तुम्ही आता या कनेक्शन तपशीलांचा वापर करून तुमच्या IoT डिव्हाइसवरून इमेज क्लासिफायरला कॉल करू शकता.
|
|
|
|
### कार्य - तुमच्या IoT डिव्हाइसवरून प्रतिमा वर्गीकृत करा
|
|
|
|
तुमच्या IoT डिव्हाइसचा वापर करून प्रतिमा वर्गीकृत करण्यासाठी संबंधित मार्गदर्शकाचा अभ्यास करा:
|
|
|
|
* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
|
|
* [सिंगल-बोर्ड संगणक - Raspberry Pi/व्हर्च्युअल IoT डिव्हाइस](single-board-computer-classify-image.md)
|
|
|
|
## मॉडेल सुधारित करा
|
|
|
|
तुम्हाला असे आढळू शकते की तुमच्या IoT डिव्हाइसशी जोडलेल्या कॅमेराचा वापर करून मिळालेले परिणाम तुमच्या अपेक्षेप्रमाणे जुळत नाहीत. भविष्यवाणी नेहमी संगणकावरून अपलोड केलेल्या प्रतिमांइतकी अचूक नसते. याचे कारण म्हणजे मॉडेल वेगळ्या डेटावर प्रशिक्षित केले गेले आहे जे भविष्यवाणीसाठी वापरल्या जाणाऱ्या डेटापेक्षा वेगळे आहे.
|
|
|
|
सर्वोत्तम परिणाम मिळवण्यासाठी, तुम्हाला भविष्यवाणीसाठी वापरल्या जाणाऱ्या प्रतिमांसारख्या प्रतिमांसह मॉडेल प्रशिक्षित करायचे आहे. उदाहरणार्थ, जर तुम्ही तुमच्या फोन कॅमेराचा वापर करून प्रशिक्षणासाठी प्रतिमा कॅप्चर केल्या असतील, तर प्रतिमेची गुणवत्ता, तीव्रता, आणि रंग IoT डिव्हाइसशी जोडलेल्या कॅमेरापेक्षा वेगळे असतील.
|
|
|
|
|
|
|
|
वरील प्रतिमेत, डावीकडील केळीची प्रतिमा Raspberry Pi कॅमेराचा वापर करून घेतली गेली आहे, तर उजवीकडील प्रतिमा त्याच केळीची त्याच ठिकाणी iPhone वापरून घेतली गेली आहे. गुणवत्ता मध्ये लक्षणीय फरक आहे - iPhone प्रतिमा अधिक तीव्र, अधिक चमकदार रंग आणि अधिक कॉन्ट्रास्टसह आहे.
|
|
|
|
✅ IoT डिव्हाइसद्वारे कॅप्चर केलेल्या प्रतिमांमध्ये चुकीच्या भविष्यवाणी होण्याचे आणखी कोणते कारण असू शकते? IoT डिव्हाइस ज्या वातावरणात वापरले जाते त्याचा विचार करा, प्रतिमा कॅप्चर करण्यावर कोणते घटक परिणाम करू शकतात?
|
|
|
|
मॉडेल सुधारण्यासाठी, तुम्ही IoT डिव्हाइसद्वारे कॅप्चर केलेल्या प्रतिमांचा वापर करून ते पुन्हा प्रशिक्षित करू शकता.
|
|
|
|
### कार्य - मॉडेल सुधारित करा
|
|
|
|
1. IoT डिव्हाइस वापरून पिकलेल्या आणि न पिकलेल्या फळांच्या अनेक प्रतिमा वर्गीकृत करा.
|
|
|
|
1. Custom Vision पोर्टलमध्ये, *Predictions* टॅबवर प्रतिमांचा वापर करून मॉडेल पुन्हा प्रशिक्षित करा.
|
|
|
|
> ⚠️ [धडा 1 मध्ये तुमचा क्लासिफायर पुन्हा प्रशिक्षित करण्याच्या सूचनांचा संदर्भ घ्या](../1-train-fruit-detector/README.md#retrain-your-image-classifier).
|
|
|
|
1. जर तुमच्या प्रतिमा प्रशिक्षणासाठी वापरलेल्या मूळ प्रतिमांपेक्षा खूप वेगळ्या दिसत असतील, तर तुम्ही *Training Images* टॅबमध्ये मूळ प्रतिमा निवडून आणि **Delete** बटण निवडून त्या सर्व प्रतिमा हटवू शकता. प्रतिमा निवडण्यासाठी, तुमचा कर्सर त्यावर हलवा आणि एक टिक दिसेल, ती टिक निवडून प्रतिमा निवडा किंवा निवड रद्द करा.
|
|
|
|
1. मॉडेलची नवीन पुनरावृत्ती प्रशिक्षित करा आणि वर दिलेल्या चरणांचा वापर करून ती प्रकाशित करा.
|
|
|
|
1. तुमच्या कोडमध्ये एंडपॉइंट URL अपडेट करा आणि अॅप पुन्हा चालवा.
|
|
|
|
1. तुम्ही भविष्यवाणीच्या परिणामांवर समाधानी होईपर्यंत हे चरण पुन्हा करा.
|
|
|
|
---
|
|
|
|
## 🚀 आव्हान
|
|
|
|
प्रतिमेचे रिझोल्यूशन किंवा प्रकाशयोजना भविष्यवाणीवर किती परिणाम करते?
|
|
|
|
तुमच्या डिव्हाइस कोडमध्ये प्रतिमांचे रिझोल्यूशन बदलून पहा आणि प्रतिमांच्या गुणवत्तेवर फरक पडतो का ते तपासा. तसेच प्रकाशयोजना बदलून पहा.
|
|
|
|
जर तुम्ही शेतात किंवा कारखान्यांमध्ये विक्रीसाठी उत्पादन डिव्हाइस तयार करणार असाल, तर तुम्ही कसे सुनिश्चित कराल की ते नेहमी सातत्यपूर्ण परिणाम देते?
|
|
|
|
## व्याख्यानानंतरची प्रश्नमंजुषा
|
|
|
|
[व्याख्यानानंतरची प्रश्नमंजुषा](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/32)
|
|
|
|
## पुनरावलोकन आणि स्व-अभ्यास
|
|
|
|
तुम्ही पोर्टल वापरून तुमचे कस्टम व्हिजन मॉडेल प्रशिक्षित केले. हे प्रतिमा उपलब्ध असण्यावर अवलंबून आहे - आणि वास्तविक जगात तुम्हाला तुमच्या डिव्हाइसच्या कॅमेराने कॅप्चर केलेल्या प्रतिमांशी जुळणारे प्रशिक्षण डेटा मिळवता येणार नाही. तुम्ही प्रशिक्षण API वापरून थेट तुमच्या डिव्हाइसवरून प्रशिक्षण देऊन हे टाळू शकता, जे IoT डिव्हाइसद्वारे कॅप्चर केलेल्या प्रतिमांचा वापर करून मॉडेल प्रशिक्षित करते.
|
|
|
|
* [Custom Vision SDK क्विक स्टार्ट](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) मध्ये प्रशिक्षण API बद्दल वाचा.
|
|
|
|
## असाइनमेंट
|
|
|
|
[वर्गीकरण परिणामांवर प्रतिसाद द्या](assignment.md)
|
|
|
|
---
|
|
|
|
**अस्वीकरण**:
|
|
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही. |