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

फलको गुणस्तर पत्ता लगाउने उपकरण प्रशिक्षण गर्नुहोस्

स्केच नोट नित्या नरसिम्हन द्वारा। ठूलो संस्करणको लागि तस्बिरमा क्लिक गर्नुहोस्।

यो भिडियोले Azure Custom Vision सेवा, जुन यस पाठमा समेटिनेछ, को अवलोकन दिन्छ।

🎥 माथिको तस्बिरमा क्लिक गरेर भिडियो हेर्नुहोस्

पाठ अघि क्विज

पाठ अघि क्विज

परिचय

हालैको कृत्रिम बुद्धिमत्ता (AI) र मेसिन लर्निङ (ML) को वृद्धि आजका विकासकर्ताहरूलाई विभिन्न प्रकारका क्षमताहरू प्रदान गर्दैछ। ML मोडेलहरूलाई तस्बिरहरूमा विभिन्न वस्तुहरू चिन्न प्रशिक्षण दिन सकिन्छ, जस्तै काँचो फलफूल, जसलाई IoT उपकरणहरूमा प्रयोग गरेर उत्पादनलाई छानबिन गर्न मद्दत गर्न सकिन्छ, चाहे यो खेतमा काट्ने क्रममा होस् वा कारखाना वा गोदाममा प्रशोधनको क्रममा।

यस पाठमा तपाईं तस्बिर वर्गीकरणको बारेमा सिक्नुहुनेछ - ML मोडेलहरू प्रयोग गरेर विभिन्न वस्तुहरूको तस्बिरहरू छुट्याउने। तपाईं सिक्नुहुनेछ कसरी तस्बिर वर्गीकर्तालाई राम्रो फलफूल र खराब फलफूल छुट्याउन प्रशिक्षण दिने, चाहे त्यो काँचो, धेरै पाकेको, चोट लागेको, वा कुहिएको होस्।

यस पाठमा हामी निम्न विषयहरू समेट्नेछौं:

• AI र ML प्रयोग गरेर खाना छानबिन गर्ने
• मेसिन लर्निङ मार्फत तस्बिर वर्गीकरण
• तस्बिर वर्गीकर्ता प्रशिक्षण गर्नुहोस्
• तपाईंको तस्बिर वर्गीकर्ता परीक्षण गर्नुहोस्
• तपाईंको तस्बिर वर्गीकर्ता पुनः प्रशिक्षण गर्नुहोस्

AI र ML प्रयोग गरेर खाना छानबिन गर्ने

विश्वव्यापी जनसंख्यालाई खुवाउनु चुनौतीपूर्ण छ, विशेष गरी यस्तो मूल्यमा जसले सबैका लागि खाना सुलभ बनाउँछ। सबैभन्दा ठूलो लागत श्रम हो, त्यसैले किसानहरू आफ्नो श्रम लागत घटाउन स्वचालन र IoT जस्ता उपकरणहरूको प्रयोगमा बढ्दो रूपमा निर्भर छन्। हातले काट्ने काम श्रमसाध्य (र प्रायः पीडादायक) हुन्छ, र यो विशेष गरी धनी राष्ट्रहरूमा मेसिनरीले प्रतिस्थापन गरिरहेको छ। मेसिनरी प्रयोग गरेर काट्ने लागत बचत भए पनि यसको एक कमजोरी छ - काट्ने क्रममा खाना छानबिन गर्ने क्षमता।

सबै बाली समान रूपमा पाक्दैनन्। उदाहरणका लागि, टमाटरहरूमा, जब अधिकांश फलफूल काट्न तयार हुन्छ, केही हरियो फलहरू लतरमा रहन सक्छन्। यद्यपि यी फलहरू चाँडै काट्नु बेकार हो, किसानका लागि सबै काटेर पछि काँचो उत्पादन फाल्न सस्तो र सजिलो हुन्छ।

✅ नजिकैको खेत वा तपाईंको बगैंचामा बढिरहेका फलफूल वा तरकारीहरू हेर्नुहोस्, वा पसलहरूमा। के ती सबै समान पाकेका छन्, वा तपाईंले भिन्नता देख्नुभएको छ?

स्वचालित काट्ने प्रविधिको वृद्धि उत्पादनको छानबिनलाई काट्ने कामबाट कारखानामा सारियो। खाना लामो कन्वेयर बेल्टमा यात्रा गर्थ्यो, जहाँ मानिसहरूको टोलीले उत्पादनलाई छानबिन गर्दै आवश्यक गुणस्तर मापदण्डमा नपर्ने वस्तुहरू हटाउँथ्यो। मेसिनरीले काट्ने काम सस्तो बनायो, तर खाना छानबिन गर्न अझै पनि श्रम लागत थियो।

अर्को विकास मेसिन प्रयोग गरेर छानबिन गर्ने थियो, चाहे काट्ने मेसिनमा नै निर्माण गरिएको होस् वा प्रशोधन प्लान्टहरूमा। यी मेसिनहरूको पहिलो पुस्ताले रंग पत्ता लगाउन अप्टिकल सेन्सरहरू प्रयोग गर्थ्यो, हरियो टमाटरलाई फोहोरको डिब्बामा पठाउन लिभर वा हावाको झोक प्रयोग गरेर नियन्त्रण गर्ने।

यस भिडियोमा, जब टमाटरहरू एक कन्वेयर बेल्टबाट अर्कोमा खस्छन्, हरियो टमाटरहरू पत्ता लगाइन्छन् र लिभरद्वारा डिब्बामा फालिन्छन्।

✅ यी अप्टिकल सेन्सरहरू सही रूपमा काम गर्न कारखाना वा खेतमा के कस्ता अवस्था आवश्यक पर्छ?

यी छानबिन गर्ने मेसिनहरूको पछिल्लो विकासले AI र ML को फाइदा उठाउँछ, राम्रो उत्पादन र खराब उत्पादन छुट्याउन प्रशिक्षित मोडेलहरू प्रयोग गर्दै। यसले केवल हरियो टमाटर र रातो टमाटर जस्ता स्पष्ट रंग भिन्नताहरू मात्र होइन, रोग वा चोटको संकेत गर्ने सूक्ष्म भिन्नताहरू पनि छुट्याउन सक्छ।

मेसिन लर्निङ मार्फत तस्बिर वर्गीकरण

परम्परागत प्रोग्रामिङमा तपाईंले डेटा लिन्छन्, त्यसमा एल्गोरिदम लागू गर्छन्, र आउटपुट प्राप्त गर्नुहुन्छ। उदाहरणका लागि, पछिल्लो परियोजनामा तपाईंले GPS समन्वय र जियोफेन्स लिएका थियौं, Azure Maps द्वारा प्रदान गरिएको एल्गोरिदम लागू गरे, र बिन्दु जियोफेन्स भित्र वा बाहिर छ भन्ने नतिजा प्राप्त गर्नुभयो। तपाईंले थप डेटा इनपुट गर्नुभयो, तपाईंले थप आउटपुट प्राप्त गर्नुभयो।

मेसिन लर्निङले यसलाई उल्टाउँछ - तपाईंले डेटा र ज्ञात आउटपुटबाट सुरु गर्नुहुन्छ, र मेसिन लर्निङ एल्गोरिदमले डेटा सिक्छ। त्यसपछि तपाईंले यो प्रशिक्षित एल्गोरिदम, जसलाई मेसिन लर्निङ मोडेल वा मोडेल भनिन्छ, लिन्छन् र नयाँ डेटा इनपुट गरेर नयाँ आउटपुट प्राप्त गर्नुहुन्छ।

🎓 मेसिन लर्निङ एल्गोरिदमले डेटा सिक्ने प्रक्रिया प्रशिक्षण भनिन्छ। इनपुट र ज्ञात आउटपुटलाई प्रशिक्षण डेटा भनिन्छ।

उदाहरणका लागि, तपाईंले मोडेललाई लाखौं काँचो केरा तस्बिरहरू इनपुट प्रशिक्षण डेटा दिन सक्नुहुन्छ, र आउटपुटलाई काँचो सेट गर्न सक्नुहुन्छ, र लाखौं पाकेको केरा तस्बिरहरू प्रशिक्षण डेटा दिन सक्नुहुन्छ र आउटपुटलाई पाकेको सेट गर्न सक्नुहुन्छ। ML एल्गोरिदमले यस डेटा आधारमा मोडेल सिर्जना गर्नेछ। त्यसपछि तपाईंले यो मोडेललाई नयाँ केरा तस्बिर दिनुहुन्छ र यसले भविष्यवाणी गर्नेछ कि नयाँ तस्बिर काँचो हो वा पाकेको।

🎓 ML मोडेलहरूको नतिजालाई भविष्यवाणी भनिन्छ।

ML मोडेलहरूले द्विआधारी उत्तर दिन्दैनन्, बरु तिनीहरूले सम्भावनाहरू दिन्छन्। उदाहरणका लागि, मोडेललाई एउटा केरा तस्बिर दिइएको छ र यसले पाकेको ९९.७% र काँचो ०.३% भविष्यवाणी गर्न सक्छ। तपाईंको कोडले सबैभन्दा राम्रो भविष्यवाणी चयन गर्नेछ र निर्णय गर्नेछ कि केरा पाकेको छ।

तस्बिर पत्ता लगाउन प्रयोग गरिने ML मोडेललाई तस्बिर वर्गीकर्ता भनिन्छ - यसलाई लेबल गरिएको तस्बिरहरू दिइन्छ, र यी लेबलहरूका आधारमा नयाँ तस्बिरहरू वर्गीकृत गर्छ।

💁 यो एक सरल व्याख्या हो, र मोडेल प्रशिक्षण गर्ने अन्य धेरै तरिकाहरू छन् जसले सधैं लेबल गरिएको आउटपुट आवश्यक पर्दैन, जस्तै अनसुपरभाइज्ड लर्निङ। यदि तपाईंले ML को बारेमा थप जान्न चाहनुहुन्छ भने, ML for beginners, मेसिन लर्निङमा २४ पाठको पाठ्यक्रम हेर्नुहोस्।

तस्बिर वर्गीकर्ता प्रशिक्षण गर्नुहोस्

तस्बिर वर्गीकर्ता सफलतापूर्वक प्रशिक्षण गर्न तपाईंलाई लाखौं तस्बिरहरू आवश्यक हुन्छ। तर, एकपटक तपाईंले लाखौं वा अर्बौं विभिन्न तस्बिरहरूमा प्रशिक्षित तस्बिर वर्गीकर्ता प्राप्त गर्नुभयो भने, तपाईंले यसलाई पुनः प्रयोग गर्न सक्नुहुन्छ र ट्रान्सफर लर्निङ नामक प्रक्रियाको प्रयोग गरेर थोरै तस्बिरहरूको सेट प्रयोग गरेर पुनः प्रशिक्षण गर्न सक्नुहुन्छ।

🎓 ट्रान्सफर लर्निङ भनेको पहिले नै प्रशिक्षित ML मोडेलको सिकाइलाई नयाँ डेटा आधारमा नयाँ मोडेलमा स्थानान्तरण गर्ने प्रक्रिया हो।

एकपटक तस्बिर वर्गीकर्ता विभिन्न प्रकारका तस्बिरहरूका लागि प्रशिक्षित भएपछि, यसको आन्तरिक संरचना आकार, रंग र ढाँचाहरू चिन्न उत्कृष्ट हुन्छ। ट्रान्सफर लर्निङले मोडेललाई तस्बिरका भागहरू चिन्न सिकाएको कुरालाई नयाँ तस्बिरहरू चिन्न प्रयोग गर्न अनुमति दिन्छ।

तपाईं यसलाई बच्चाहरूको आकारको पुस्तकजस्तै सोच्न सक्नुहुन्छ, जहाँ एकपटक तपाईंले अर्धवृत्त, आयत र त्रिकोण चिन्न सक्नुभयो भने, तपाईंले डुङ्गा वा बिरालो चिन्न सक्नुहुन्छ, आकारहरूको कन्फिगरेसनमा निर्भर गर्दै। तस्बिर वर्गीकर्ताले आकारहरू चिन्न सक्छ, र ट्रान्सफर लर्निङले यसलाई डुङ्गा वा बिरालो - वा पाकेको केरा चिन्न सिकाउँछ।

यसलाई गर्न मद्दत गर्ने उपकरणहरूको विस्तृत श्रृंखला उपलब्ध छ, जसमा क्लाउड-आधारित सेवाहरू समावेश छन् जसले तपाईंलाई मोडेल प्रशिक्षण गर्न मद्दत गर्न सक्छ, त्यसपछि वेब API मार्फत प्रयोग गर्न अनुमति दिन्छ।

💁 यी मोडेलहरू प्रशिक्षण गर्न धेरै कम्प्युटर शक्ति आवश्यक हुन्छ, सामान्यतया ग्राफिक्स प्रोसेसिङ युनिट्स (GPUs) मार्फत। तपाईंको Xbox मा खेलहरूलाई अद्भुत देखाउने उही विशेष हार्डवेयर मेसिन लर्निङ मोडेलहरू प्रशिक्षण गर्न पनि प्रयोग गर्न सकिन्छ। क्लाउड प्रयोग गरेर तपाईं GPU भएको शक्तिशाली कम्प्युटरमा समय भाडामा लिन सक्नुहुन्छ, तपाईंलाई आवश्यक समयको लागि मात्र कम्प्युटिङ शक्ति प्राप्त गर्दै।

कस्टम भिजन

Custom Vision एक क्लाउड-आधारित उपकरण हो जसले तस्बिर वर्गीकर्ताहरू प्रशिक्षण गर्न मद्दत गर्दछ। यसले तपाईंलाई थोरै तस्बिरहरू प्रयोग गरेर वर्गीकर्ता प्रशिक्षण गर्न अनुमति दिन्छ। तपाईं वेब पोर्टल, वेब API वा SDK मार्फत तस्बिरहरू अपलोड गर्न सक्नुहुन्छ, प्रत्येक तस्बिरलाई ट्याग दिनुहुन्छ जसले उक्त तस्बिरको वर्गीकरण जनाउँछ। त्यसपछि तपाईंले मोडेल प्रशिक्षण गर्नुहुन्छ, र यो कत्तिको राम्रो प्रदर्शन गर्छ भनेर परीक्षण गर्नुहुन्छ। एकपटक तपाईं मोडेलसँग सन्तुष्ट भएपछि, तपाईं यसलाई वेब API वा SDK मार्फत पहुँच गर्न सकिने संस्करणहरू प्रकाशित गर्न सक्नुहुन्छ।

💁 तपाईंले प्रत्येक वर्गीकरणका लागि कम्तिमा ५ तस्बिरहरू प्रयोग गरेर कस्टम भिजन मोडेल प्रशिक्षण गर्न सक्नुहुन्छ, तर धेरै तस्बिरहरू राम्रो हुन्छ। कम्तिमा ३० तस्बिरहरू प्रयोग गरेर तपाईंले राम्रो नतिजा प्राप्त गर्न सक्नुहुन्छ।

Custom Vision Microsoft को Cognitive Services नामक AI उपकरणहरूको दायराको हिस्सा हो। यी AI उपकरणहरूलाई प्रशिक्षण बिना वा थोरै प्रशिक्षणको साथ प्रयोग गर्न सकिन्छ। यसमा भाषण पहिचान र अनुवाद, भाषा बुझाइ र तस्बिर विश्लेषण समावेश छ। यी Azure मा निःशुल्क स्तरको रूपमा उपलब्ध छन्।

💁 निःशुल्क स्तर मोडेल सिर्जना गर्न, प्रशिक्षण गर्न, र विकास कार्यको लागि प्रयोग गर्न पर्याप्त छ। तपाईं Microsoft Docs मा Custom Vision Limits and quotas पृष्ठ मा निःशुल्क स्तरको सीमाहरूको बारेमा पढ्न सक्नुहुन्छ।

कार्य - कग्निटिभ सेवाहरूको स्रोत सिर्जना गर्नुहोस्

Custom Vision प्रयोग गर्न, तपाईंले Azure मा Azure CLI प्रयोग गरेर दुई कग्निटिभ सेवाहरूको स्रोत सिर्जना गर्न आवश्यक छ, एउटा Custom Vision प्रशिक्षणको लागि र अर्को Custom Vision भविष्यवाणीको लागि।

1. यस परियोजनाको लागि fruit-quality-detector नामक स्रोत समूह सिर्जना गर्नुहोस्।

2. निम्न आदेश प्रयोग गरेर निःशुल्क Custom Vision प्रशिक्षण स्रोत सिर्जना गर्नुहोस्:

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

   <location> लाई स्रोत समूह सिर्जना गर्दा प्रयोग गरिएको स्थानले प्रतिस्थापन गर्नुहोस्।

   यसले तपाईंको स्रोत समूहमा Custom Vision प्रशिक्षण स्रोत सिर्जना गर्नेछ। यसलाई fruit-quality-detector-training भनिनेछ र F0 sku प्रयोग गर्नेछ, जुन निःशुल्क स्तर हो। --yes विकल्पले कग्निटिभ सेवाहरूको सर्तहरू र शर्तहरू स्वीकार गर्नुभएको जनाउँछ।

💁 यदि तपाईंले पहिले नै कग्निटिभ सेवाहरूको कुनै पनि निःशुल्क खाता प्रयोग गरिरहनुभएको छ भने S0 sku प्रयोग गर्नुहोस्।

1. निम्न आदेश प्रयोग गरेर निःशुल्क Custom Vision भविष्यवाणी स्रोत सिर्जना गर्नुहोस्:

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

   <location> लाई स्रोत समूह सिर्जना गर्दा प्रयोग गरिएको स्थानले प्रतिस्थापन गर्नुहोस्।

   यसले तपाईंको स्रोत समूहमा Custom Vision भविष्यवाणी स्रोत सिर्जना गर्नेछ। यसलाई fruit-quality-detector-prediction भनिनेछ र F0 sku प्रयोग गर्नेछ, जुन निःशुल्क स्तर हो। --yes विकल्पले कग्निटिभ सेवाहरूको सर्तहरू र शर्तहरू स्वीकार गर्नुभएको जनाउँछ।

कार्य - तस्बिर वर्गीकर्ता परियोजना सिर्जना गर्नुहोस्

1. CustomVision.ai मा Custom Vision पोर्टल सुरू गर्नुहोस्, र तपाईंको Azure खाताको लागि प्रयोग गरिएको Microsoft खातामा साइन इन गर्नुहोस्।

2. Microsoft Docs मा तस्बिर वर्गीकर्ता निर्माणको क्विकस्टार्टको नयाँ परियोजना खण्ड अनुसरण गरेर नयाँ Custom Vision परियोजना सिर्जना गर्नुहोस्। UI परिवर्तन हुन सक्छ र यी डकहरू सधैं सबैभन्दा अद्यावधिक सन्दर्भ हुन्।

   तपाईंको परियोजनालाई fruit-quality-detector नाम दिनुहोस्।

   जब तपाईं आफ्नो परियोजना सिर्जना गर्नुहुन्छ, सुनिश्चित गर्नुहोस् कि तपाईंले पहिले सिर्जना गरेको fruit-quality-detector-training स्रोत प्रयोग गर्नुभएको छ। Classification परियोजना प्रकार, Multiclass वर्गीकरण प्रकार, र Food डोमेन प्रयोग गर्नुहोस्।

   

✅ तपाईंको तस्बिर वर्गीकर्ताको लागि Custom Vision UI अन्वेषण गर्न केही समय लिनुहोस्।

कार्य - तपाईंको तस्बिर वर्गीकर्ता परियोजना प्रशिक्षण गर्नुहोस्

तस्बिर वर्गीकर्ता प्रशिक्षण गर्न, तपाईंलाई फलफूलका विभिन्न तस्बिरहरू आवश्यक हुन्छ, राम्रो र खराब गुणस्तरका, जस्तै काँचो र धेरै पाकेको केरा। 💁 यी वर्गीकरणकर्ताहरूले कुनै पनि चीजको छविहरू वर्गीकरण गर्न सक्छन्, त्यसैले यदि तपाईंसँग विभिन्न गुणस्तरका फलहरू छैनन् भने, तपाईं दुई फरक प्रकारका फलहरू, वा बिरालो र कुकुरहरू प्रयोग गर्न सक्नुहुन्छ! प्रत्येक तस्वीरमा केवल फलफूल मात्र हुनु पर्छ, या त समान पृष्ठभूमि, वा विभिन्न प्रकारका पृष्ठभूमिहरू। पृष्ठभूमिमा कुनै पनि यस्तो वस्तु हुनु हुँदैन जसले पक्कै पनि पाको वा काँचो फल छुट्याउन मद्दत गर्छ।

💁 यो महत्त्वपूर्ण छ कि पृष्ठभूमि विशेष नहोस्, वा प्रत्येक ट्यागसँग सम्बन्धित नभएका वस्तुहरू नहोस्, अन्यथा वर्गीकरणकर्ताले पृष्ठभूमिका आधारमा मात्र वर्गीकरण गर्न सक्छ। छालाको क्यान्सरको लागि बनाइएको एक वर्गीकरणकर्ताले सामान्य र क्यान्सरयुक्त तिलहरूलाई प्रशिक्षण दिएको थियो, र क्यान्सरयुक्त तिलहरू सबैमा आकार मापन गर्न रूलरहरू थिए। अन्ततः वर्गीकरणकर्ताले क्यान्सरयुक्त तिल होइन, रूलरहरूलाई लगभग १००% सही पहिचान गरेको पत्ता लाग्यो।

तस्वीर वर्गीकरणकर्ताहरू धेरै कम रिजोल्युसनमा चल्छन्। उदाहरणका लागि, Custom Vision ले 10240x10240 सम्मको प्रशिक्षण र भविष्यवाणीका लागि तस्वीरहरू लिन सक्छ, तर 227x227 मा प्रशिक्षण र मोडेल चलाउँछ। ठूला तस्वीरहरू यस आकारमा सानो बनाइन्छ, त्यसैले तपाईंले वर्गीकरण गर्न चाहेको वस्तु तस्वीरको ठूलो भाग ओगट्नुपर्छ, अन्यथा यो वर्गीकरणकर्ताले प्रयोग गर्ने सानो तस्वीरमा धेरै सानो हुन सक्छ।

1. तपाईंको वर्गीकरणकर्ताका लागि तस्वीरहरू सङ्कलन गर्नुहोस्। वर्गीकरणकर्तालाई प्रशिक्षण दिन प्रत्येक ट्यागका लागि कम्तिमा ५ तस्वीरहरू आवश्यक पर्छ, तर जति धेरै, उति राम्रो। तपाईंलाई वर्गीकरणकर्ताको परीक्षणका लागि केही अतिरिक्त तस्वीरहरू पनि चाहिन्छ। यी तस्वीरहरू एउटै वस्तुका फरक-फरक तस्वीरहरू हुनुपर्छ। उदाहरणका लागि:

   • २ वटा पाका केरा प्रयोग गरेर, प्रत्येक केराको विभिन्न कोणबाट केही तस्वीरहरू लिनुहोस्, कम्तिमा ७ तस्वीर (५ प्रशिक्षणका लागि, २ परीक्षणका लागि), तर सम्भव भएसम्म बढी।

     

   • यही प्रक्रिया २ वटा काँचो केराहरू प्रयोग गरेर दोहोर्याउनुहोस्।

   तपाईंले कम्तिमा १० प्रशिक्षण तस्वीरहरू राख्नुपर्छ, जसमा कम्तिमा ५ पाका र ५ काँचो, र ४ परीक्षण तस्वीरहरू, २ पाका, २ काँचो। तपाईंका तस्वीरहरू png वा jpeg हुनुपर्छ, ६MB भन्दा साना। उदाहरणका लागि, यदि तपाईंले iPhone प्रयोग गरेर तस्वीरहरू बनाउनुहुन्छ भने, ती उच्च-रिजोल्युसन HEIC तस्वीरहरू हुन सक्छन्, त्यसैले तिनीहरूलाई रूपान्तरण र सानो बनाउन आवश्यक पर्न सक्छ। जति धेरै तस्वीरहरू, उति राम्रो, र पाका र काँचोको संख्या समान हुनुपर्छ।

   यदि तपाईंसँग पाका र काँचो फल दुवै छैन भने, तपाईंले फरक फलहरू, वा तपाईंले पाउन सक्ने कुनै पनि दुई वस्तुहरू प्रयोग गर्न सक्नुहुन्छ। तपाईंले पाका र काँचो केराहरूका केही उदाहरण तस्वीरहरू images फोल्डरमा पनि पाउन सक्नुहुन्छ।

2. Microsoft Docs मा वर्गीकरणकर्ताको द्रुत सुरुवातमा छविहरू अपलोड र ट्याग गर्ने खण्ड अनुसरण गरेर तपाईंका प्रशिक्षण तस्वीरहरू अपलोड गर्नुहोस्। पाका फललाई ripe र काँचो फललाई unripe भनेर ट्याग गर्नुहोस्।

   

3. Microsoft Docs मा वर्गीकरणकर्तालाई प्रशिक्षण दिने खण्ड अनुसरण गरेर तपाईंका अपलोड गरिएका तस्वीरहरूमा आधारित छवि वर्गीकरणकर्तालाई प्रशिक्षण दिनुहोस्।

   तपाईंलाई प्रशिक्षण प्रकारको छनोट गर्न दिइनेछ। Quick Training चयन गर्नुहोस्।

वर्गीकरणकर्ताले त्यसपछि प्रशिक्षण लिन्छ। प्रशिक्षण पूरा हुन केही मिनेट लाग्न सक्छ।

🍌 यदि तपाईंले वर्गीकरणकर्ताले प्रशिक्षण लिँदै गर्दा तपाईंको फल खान निर्णय गर्नुभयो भने, पहिले परीक्षणका लागि पर्याप्त तस्वीरहरू छन् भनेर सुनिश्चित गर्नुहोस्!

तपाईंको छवि वर्गीकरणकर्ताको परीक्षण गर्नुहोस्

एक पटक तपाईंको वर्गीकरणकर्ताले प्रशिक्षण पाएपछि, तपाईं यसलाई नयाँ छवि दिएर परीक्षण गर्न सक्नुहुन्छ।

कार्य - तपाईंको छवि वर्गीकरणकर्ताको परीक्षण गर्नुहोस्

1. Microsoft Docs मा तपाईंको मोडेल परीक्षण गर्ने दस्तावेज अनुसरण गरेर तपाईंको छवि वर्गीकरणकर्ताको परीक्षण गर्नुहोस्। तपाईंले पहिले बनाएका परीक्षण तस्वीरहरू प्रयोग गर्नुहोस्, प्रशिक्षणका लागि प्रयोग गरिएका कुनै पनि तस्वीरहरू होइन।

   

2. तपाईंले पाउन सक्ने सबै परीक्षण तस्वीरहरू प्रयास गर्नुहोस् र सम्भावनाहरू अवलोकन गर्नुहोस्।

तपाईंको छवि वर्गीकरणकर्तालाई पुनःप्रशिक्षण गर्नुहोस्

जब तपाईंले तपाईंको वर्गीकरणकर्ताको परीक्षण गर्नुहुन्छ, यसले तपाईंले अपेक्षा गरेजस्तो परिणाम दिन नसक्छ। छवि वर्गीकरणकर्ताहरूले छविमा के छ भनेर भविष्यवाणी गर्न मेसिन लर्निङ प्रयोग गर्छन्, छविका विशेषताहरूले कुनै विशेष ट्यागसँग मेल खाने सम्भावनाको आधारमा। यसले छविमा के छ भनेर बुझ्दैन - यसलाई केरा के हो भनेर थाहा छैन वा केरा र डुङ्गाबीचको भिन्नता बुझ्दैन। तपाईंले यसलाई गलत ठहरिएका छविहरूको साथ पुनःप्रशिक्षण गरेर सुधार गर्न सक्नुहुन्छ।

प्रत्येक पटक तपाईंले द्रुत परीक्षण विकल्प प्रयोग गरेर भविष्यवाणी गर्नुहुन्छ, छवि र परिणामहरू भण्डारण गरिन्छ। तपाईं यी छविहरूलाई तपाईंको मोडेल पुनःप्रशिक्षण गर्न प्रयोग गर्न सक्नुहुन्छ।

कार्य - तपाईंको छवि वर्गीकरणकर्तालाई पुनःप्रशिक्षण गर्नुहोस्

1. Microsoft Docs मा भविष्यवाणी गरिएका छविहरूलाई प्रशिक्षणका लागि प्रयोग गर्ने दस्तावेज अनुसरण गरेर तपाईंको मोडेललाई पुनःप्रशिक्षण गर्नुहोस्, प्रत्येक छविका लागि सही ट्याग प्रयोग गरेर।

2. एक पटक तपाईंको मोडेल पुनःप्रशिक्षण भएपछि, नयाँ छविहरूमा परीक्षण गर्नुहोस्।

---

🚀 चुनौती

तपाईंको विचारमा के हुन्छ यदि तपाईंले केरामा आधारित मोडेलमा स्ट्रबेरीको तस्वीर प्रयोग गर्नुभयो भने, वा फुलाउने केरा, वा केरा पोशाकमा भएको व्यक्ति, वा सिम्पसन्स जस्ता पहेंलो कार्टुन पात्रको तस्वीर प्रयोग गर्नुभयो भने?

यसलाई प्रयास गर्नुहोस् र भविष्यवाणीहरू के छन् हेर्नुहोस्। तपाईं Bing Image search प्रयोग गरेर प्रयास गर्नका लागि तस्वीरहरू फेला पार्न सक्नुहुन्छ।

पोस्ट-व्याख्यान प्रश्नोत्तरी

पोस्ट-व्याख्यान प्रश्नोत्तरी

समीक्षा र आत्म-अध्ययन

• जब तपाईंले तपाईंको वर्गीकरणकर्तालाई प्रशिक्षण दिनुभयो, तपाईंले Precision, Recall, र AP का मानहरू देख्नुभयो जसले बनाइएको मोडेललाई मूल्याङ्कन गर्छ। Microsoft Docs मा वर्गीकरणकर्ताको मूल्याङ्कन गर्ने खण्ड प्रयोग गरेर यी मानहरू के हुन् भनेर पढ्नुहोस्।
• Microsoft Docs मा तपाईंको Custom Vision मोडेल सुधार गर्ने तरिका बाट तपाईंको वर्गीकरणकर्तालाई सुधार गर्ने तरिका पढ्नुहोस्।

असाइनमेन्ट

धेरै फलफूल र तरकारीहरूको लागि तपाईंको वर्गीकरणकर्तालाई प्रशिक्षण दिनुहोस्

---

अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।