IoT-For-Beginners/translations/pa/4-manufacturing/lessons/2-check-fruit-from-device/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "557f4ee96b752e0651d2e6e74aa6bd14",
  "translation_date": "2025-08-27T10:18:38+00:00",
  "source_file": "4-manufacturing/lessons/2-check-fruit-from-device/README.md",
  "language_code": "pa"
}
-->
# IoT ਡਿਵਾਈਸ ਤੋਂ ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਚੈੱਕ ਕਰੋ

![ਇਸ ਪਾਠ ਦਾ ਇੱਕ ਸਕੈਚਨੋਟ ਝਲਕ](../../../../../translated_images/lesson-16.215daf18b00631fbdfd64c6fc2dc6044dff5d544288825d8076f9fb83d964c23.pa.jpg)

> ਸਕੈਚਨੋਟ [ਨਿਤਿਆ ਨਰਸਿੰਮਹਨ](https://github.com/nitya) ਦੁਆਰਾ। ਵੱਡੇ ਵਰਜਨ ਲਈ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।

## ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵੀਜ਼

[ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵੀਜ਼](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/31)

## ਪਰਿਚਯ

ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਬਾਰੇ ਸਿੱਖਿਆ ਸੀ, ਅਤੇ ਕਿਵੇਂ ਉਨ੍ਹਾਂ ਨੂੰ ਚੰਗੇ ਅਤੇ ਮਾੜੇ ਫਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ IoT ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਵਰਤਣ ਲਈ, ਤੁਹਾਨੂੰ ਕਿਸੇ ਕੈਮਰੇ ਦੀ ਮਦਦ ਨਾਲ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰਨਾ ਅਤੇ ਇਸ ਚਿੱਤਰ ਨੂੰ ਵਰਗੀਕਰਣ ਲਈ ਕਲਾਉਡ 'ਚ ਭੇਜਣਾ ਸਿੱਖਣਾ ਪਵੇਗਾ।

ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਕੈਮਰਾ ਸੈਂਸਰਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ, ਅਤੇ ਕਿਵੇਂ ਉਨ੍ਹਾਂ ਨੂੰ IoT ਡਿਵਾਈਸ ਨਾਲ ਵਰਤ ਕੇ ਚਿੱਤਰ ਕੈਪਚਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖੋਗੇ ਕਿ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ ਕਿਵੇਂ ਕਾਲ ਕਰਨਾ ਹੈ।

ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਕਵਰ ਕਰਾਂਗੇ:

* [ਕੈਮਰਾ ਸੈਂਸਰ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰੋ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਚਿੱਤਰ ਵਰਗੀਕਰੋ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)
* [ਮਾਡਲ ਨੂੰ ਸੁਧਾਰੋ](../../../../../4-manufacturing/lessons/2-check-fruit-from-device)

## ਕੈਮਰਾ ਸੈਂਸਰ

ਕੈਮਰਾ ਸੈਂਸਰ, ਜਿਵੇਂ ਕਿ ਨਾਮ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ, ਉਹ ਕੈਮਰੇ ਹਨ ਜੋ ਤੁਸੀਂ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਨਾਲ ਜੁੜ ਸਕਦੇ ਹੋ। ਇਹ ਸਥਿਰ ਚਿੱਤਰ ਲੈ ਸਕਦੇ ਹਨ ਜਾਂ ਸਟ੍ਰੀਮਿੰਗ ਵੀਡੀਓ ਕੈਪਚਰ ਕਰ ਸਕਦੇ ਹਨ। ਕੁਝ ਕੱਚੇ ਚਿੱਤਰ ਡਾਟਾ ਵਾਪਸ ਕਰਦੇ ਹਨ, ਜਦਕਿ ਹੋਰ ਚਿੱਤਰ ਡਾਟਾ ਨੂੰ JPEG ਜਾਂ PNG ਜਿਵੇਂ ਚਿੱਤਰ ਫਾਈਲ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕਰਦੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, IoT ਡਿਵਾਈਸਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਕੈਮਰੇ ਉਹਨਾਂ ਨਾਲੋਂ ਛੋਟੇ ਅਤੇ ਘੱਟ ਰੈਜ਼ੋਲੂਸ਼ਨ ਵਾਲੇ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਸੀਂ ਆਦਤ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਤੁਸੀਂ ਉੱਚ ਰੈਜ਼ੋਲੂਸ਼ਨ ਵਾਲੇ ਕੈਮਰੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਉੱਚ-ਪੱਧਰੀ ਫੋਨਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰ ਸਕਦੇ ਹਨ। ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਤਬਦੀਲੀਯੋਗ ਲੈਂਸ, ਕਈ ਕੈਮਰਾ ਸੈਟਅੱਪ, ਇੰਫਰਾ-ਰੇਡ ਥਰਮਲ ਕੈਮਰੇ ਜਾਂ UV ਕੈਮਰੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।

![ਦ੍ਰਿਸ਼ ਤੋਂ ਆਉਣ ਵਾਲੀ ਰੌਸ਼ਨੀ ਲੈਂਸ ਵਿੱਚੋਂ ਲੰਘਦੀ ਹੈ ਅਤੇ CMOS ਸੈਂਸਰ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦੀ ਹੈ](../../../../../translated_images/cmos-sensor.75f9cd74decb137149a4c9ea825251a4549497d67c0ae2776159e6102bb53aa9.pa.png)

ਅਧਿਕਤਮ ਕੈਮਰਾ ਸੈਂਸਰ ਚਿੱਤਰ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਹਰ ਪਿਕਸਲ ਇੱਕ ਫੋਟੋਡਾਇਓਡ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਲੈਂਸ ਚਿੱਤਰ ਨੂੰ ਚਿੱਤਰ ਸੈਂਸਰ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਹਜ਼ਾਰਾਂ ਜਾਂ ਲੱਖਾਂ ਫੋਟੋਡਾਇਓਡ ਉਨ੍ਹਾਂ 'ਤੇ ਪੈਣ ਵਾਲੀ ਰੌਸ਼ਨੀ ਨੂੰ ਪਛਾਣਦੇ ਹਨ ਅਤੇ ਉਸਨੂੰ ਪਿਕਸਲ ਡਾਟਾ ਵਜੋਂ ਰਿਕਾਰਡ ਕਰਦੇ ਹਨ।

> 💁 ਲੈਂਸ ਚਿੱਤਰਾਂ ਨੂੰ ਉਲਟਾ ਕਰਦੇ ਹਨ, ਕੈਮਰਾ ਸੈਂਸਰ ਫਿਰ ਚਿੱਤਰ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਵਿੱਚ ਪਲਟ ਦਿੰਦਾ ਹੈ। ਇਹ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਵਿੱਚ ਵੀ ਇੱਕੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ - ਜੋ ਤੁਸੀਂ ਵੇਖਦੇ ਹੋ ਉਹ ਤੁਹਾਡੀ ਅੱਖ ਦੇ ਪਿੱਛੇ ਉਲਟਾ ਪਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡਾ ਦਿਮਾਗ ਇਸਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ।

> 🎓 ਚਿੱਤਰ ਸੈਂਸਰ ਨੂੰ ਐਕਟਿਵ-ਪਿਕਸਲ ਸੈਂਸਰ (APS) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ APS ਦਾ ਸਭ ਤੋਂ ਲੋਕਪ੍ਰਿਯ ਪ੍ਰਕਾਰ ਇੱਕ ਪੂਰਨ ਧਾਤੂ-ਆਕਸਾਈਡ ਅਰਧ-ਚਾਲਕ ਸੈਂਸਰ ਜਾਂ CMOS ਹੁੰਦਾ ਹੈ। ਤੁਸੀਂ ਕੈਮਰਾ ਸੈਂਸਰਾਂ ਲਈ CMOS ਸੈਂਸਰ ਸ਼ਬਦ ਸੁਣਿਆ ਹੋਵੇਗਾ।

ਕੈਮਰਾ ਸੈਂਸਰ ਡਿਜ਼ੀਟਲ ਸੈਂਸਰ ਹੁੰਦੇ ਹਨ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਮਦਦ ਨਾਲ ਡਿਜ਼ੀਟਲ ਡਾਟਾ ਵਜੋਂ ਚਿੱਤਰ ਡਾਟਾ ਭੇਜਦੇ ਹਨ। ਕੈਮਰੇ SPI ਵਰਗੇ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਭੇਜ ਸਕਣ - ਚਿੱਤਰ ਸੈਂਸਰਾਂ ਤੋਂ ਆਉਣ ਵਾਲੇ ਸਿੰਗਲ ਨੰਬਰਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਵੱਡੇ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਤਾਪਮਾਨ ਸੈਂਸਰ।

✅ IoT ਡਿਵਾਈਸਾਂ ਨਾਲ ਚਿੱਤਰ ਦੇ ਆਕਾਰ ਦੇ ਆਸ-ਪਾਸ ਕੀ ਸੀਮਾਵਾਂ ਹਨ? ਖਾਸ ਕਰਕੇ ਮਾਈਕਰੋਕੰਟਰੋਲਰ ਹਾਰਡਵੇਅਰ 'ਤੇ ਸੀਮਾਵਾਂ ਬਾਰੇ ਸੋਚੋ।

## IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰੋ

ਤੁਸੀਂ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਗੀਕਰਣ ਲਈ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰ ਸਕਦੇ ਹੋ।

### ਕੰਮ - IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰੋ

ਆਪਣੇ IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰਨ ਲਈ ਸਬੰਧਤ ਗਾਈਡ ਪੂਰੀ ਕਰੋ:

* [Arduino - Wio Terminal](wio-terminal-camera.md)
* [ਸਿੰਗਲ-ਬੋਰਡ ਕੰਪਿਊਟਰ - ਰਾਸਪਬੇਰੀ ਪਾਈ](pi-camera.md)
* [ਸਿੰਗਲ-ਬੋਰਡ ਕੰਪਿਊਟਰ - ਵਰਚੁਅਲ ਡਿਵਾਈਸ](virtual-device-camera.md)

## ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ

ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਸੀ। ਇਸਨੂੰ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਵਰਤਣ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਮਾਡਲ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨਾ ਪਵੇਗਾ।

### ਮਾਡਲ ਇਟਰੇਸ਼ਨ

ਜਦੋਂ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰ ਰਹੇ ਸੀ, ਤੁਸੀਂ ਸ਼ਾਇਦ ਨੋਟ ਕੀਤਾ ਹੋਵੇਗਾ ਕਿ **ਪ੍ਰਦਰਸ਼ਨ** ਟੈਬ ਪਾਸੇ ਇਟਰੇਸ਼ਨ ਦਿਖਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਪਹਿਲੀ ਵਾਰ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਸੀ, ਤੁਸੀਂ ਟ੍ਰੇਨਿੰਗ ਵਿੱਚ *ਇਟਰੇਸ਼ਨ 1* ਵੇਖਿਆ ਹੋਵੇਗਾ। ਜਦੋਂ ਤੁਸੀਂ ਪੇਸ਼ਗੋਈ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਸੁਧਾਰਿਆ, ਤੁਸੀਂ ਟ੍ਰੇਨਿੰਗ ਵਿੱਚ *ਇਟਰੇਸ਼ਨ 2* ਵੇਖਿਆ ਹੋਵੇਗਾ।

ਹਰ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਦੇ ਹੋ, ਤੁਹਾਨੂੰ ਇੱਕ ਨਵੀਂ ਇਟਰੇਸ਼ਨ ਮਿਲਦੀ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸੈੱਟਾਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਮਾਡਲ ਦੇ ਵੱਖ-ਵੱਖ ਵਰਜਨਾਂ ਦਾ ਟ੍ਰੈਕ ਰੱਖਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ **ਕੁਇਕ ਟੈਸਟ** ਕਰਦੇ ਹੋ, ਤਾਂ ਇੱਕ ਡ੍ਰੌਪ-ਡਾਊਨ ਹੁੰਦਾ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਤੁਸੀਂ ਇਟਰੇਸ਼ਨ ਚੁਣਨ ਲਈ ਕਰ ਸਕਦੇ ਹੋ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਕਈ ਇਟਰੇਸ਼ਨਾਂ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕੋ।

ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਇਟਰੇਸ਼ਨ ਨਾਲ ਖੁਸ਼ ਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਇਹ ਬਾਹਰੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾ ਸਕੇ। ਇਸ ਤਰੀਕੇ ਨਾਲ ਤੁਸੀਂ ਇੱਕ ਪ੍ਰਕਾਸ਼ਿਤ ਵਰਜਨ ਰੱਖ ਸਕਦੇ ਹੋ ਜੋ ਤੁਹਾਡੇ ਡਿਵਾਈਸਾਂ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਕਈ ਇਟਰੇਸ਼ਨਾਂ 'ਤੇ ਨਵੇਂ ਵਰਜਨ 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ, ਫਿਰ ਇਸਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ ਜਦੋਂ ਤੁਸੀਂ ਇਸ ਨਾਲ ਖੁਸ਼ ਹੋਵੋਗੇ।

### ਕੰਮ - ਇੱਕ ਇਟਰੇਸ਼ਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ

ਇਟਰੇਸ਼ਨ ਕਸਟਮ ਵਿਜ਼ਨ ਪੋਰਟਲ ਤੋਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

1. ਕਸਟਮ ਵਿਜ਼ਨ ਪੋਰਟਲ [CustomVision.ai](https://customvision.ai) 'ਤੇ ਲਾਂਚ ਕਰੋ ਅਤੇ ਸਾਈਨ ਇਨ ਕਰੋ ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਨਹੀਂ ਖੋਲ੍ਹਿਆ। ਫਿਰ ਆਪਣੇ `fruit-quality-detector` ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਖੋਲ੍ਹੋ।

1. ਉੱਪਰ ਦਿੱਤੇ ਗਏ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ **ਪ੍ਰਦਰਸ਼ਨ** ਟੈਬ ਚੁਣੋ।

1. ਪਾਸੇ ਦਿੱਤੀ *ਇਟਰੇਸ਼ਨ* ਸੂਚੀ ਵਿੱਚੋਂ ਨਵੀਂ ਇਟਰੇਸ਼ਨ ਚੁਣੋ।

1. ਇਟਰੇਸ਼ਨ ਲਈ **ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ** ਬਟਨ ਚੁਣੋ।

    ![ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ ਬਟਨ](../../../../../translated_images/custom-vision-publish-button.b7174e1977b0c33b8b72d4e5b1326c779e0af196f3849d09985ee2d7d5493a39.pa.png)

1. *ਪ੍ਰਕਾਸ਼ਿਤ ਮਾਡਲ* ਡਾਇਲਾਗ ਵਿੱਚ, *ਪੇਸ਼ਗੋਈ ਸਰੋਤ* ਨੂੰ `fruit-quality-detector-prediction` ਸਰੋਤ 'ਤੇ ਸੈੱਟ ਕਰੋ ਜੋ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਬਣਾਇਆ ਸੀ। ਨਾਮ ਨੂੰ `Iteration2` ਵਜੋਂ ਛੱਡੋ, ਅਤੇ **ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ** ਬਟਨ ਚੁਣੋ।

1. ਜਦੋਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ **ਪੇਸ਼ਗੋਈ URL** ਬਟਨ ਚੁਣੋ। ਇਹ ਪੇਸ਼ਗੋਈ API ਦੇ ਵੇਰਵੇ ਦਿਖਾਵੇਗਾ, ਅਤੇ ਤੁਹਾਨੂੰ ਇਹਨਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਤਾਂ ਜੋ ਤੁਸੀਂ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਮਾਡਲ ਨੂੰ ਕਾਲ ਕਰ ਸਕੋ। ਹੇਠਾਂ ਦਿੱਤਾ ਭਾਗ *ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਚਿੱਤਰ ਫਾਈਲ ਹੈ* ਦੇ ਨਾਮ ਨਾਲ ਲੇਬਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਇਹ ਉਹ ਵੇਰਵੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦੇ ਹਨ। ਉਸ URL ਦੀ ਇੱਕ ਕਾਪੀ ਲਵੋ ਜੋ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੋਵੇਗਾ:

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

    ਜਿੱਥੇ `<location>` ਉਹ ਸਥਾਨ ਹੋਵੇਗਾ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਕਸਟਮ ਵਿਜ਼ਨ ਸਰੋਤ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਵਰਤਿਆ ਸੀ, ਅਤੇ `<id>` ਇੱਕ ਲੰਬਾ ID ਹੋਵੇਗਾ ਜੋ ਅੱਖਰਾਂ ਅਤੇ ਨੰਬਰਾਂ ਨਾਲ ਬਣਿਆ ਹੋਵੇਗਾ।

    *ਪੇਸ਼ਗੋਈ-ਕੀ* ਮੁੱਲ ਦੀ ਵੀ ਇੱਕ ਕਾਪੀ ਲਵੋ। ਇਹ ਇੱਕ ਸੁਰੱਖਿਅਤ ਕੁੰਜੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਮਾਡਲ ਨੂੰ ਕਾਲ ਕਰਦੇ ਸਮੇਂ ਪਾਸ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਸਿਰਫ ਉਹ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਇਸ ਕੁੰਜੀ ਨੂੰ ਪਾਸ ਕਰਦੇ ਹਨ ਮਾਡਲ ਨੂੰ ਵਰਤਣ ਦੀ ਆਗਿਆ ਹੈ, ਹੋਰ ਸਾਰੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

    ![ਪੇਸ਼ਗੋਈ API ਡਾਇਲਾਗ ਜੋ URL ਅਤੇ ਕੁੰਜੀ ਦਿਖਾ ਰਿਹਾ ਹੈ](../../../../../translated_images/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.pa.png)

✅ ਜਦੋਂ ਇੱਕ ਨਵੀਂ ਇਟਰੇਸ਼ਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਸਦਾ ਇੱਕ ਵੱਖਰਾ ਨਾਮ ਹੁੰਦਾ ਹੈ। ਤੁਹਾਡੇ ਖਿਆਲ ਵਿੱਚ ਤੁਸੀਂ IoT ਡਿਵਾਈਸ ਦੁਆਰਾ ਵਰਤ ਰਹੀ ਇਟਰੇਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਬਦਲੋਗੇ?

## ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਚਿੱਤਰ ਵਰਗੀਕਰੋ

ਹੁਣ ਤੁਸੀਂ ਇਹ ਕਨੈਕਸ਼ਨ ਵੇਰਵੇ ਵਰਤ ਕੇ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦੇ ਹੋ।

### ਕੰਮ - ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਚਿੱਤਰ ਵਰਗੀਕਰੋ

ਆਪਣੇ IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰ ਵਰਗੀਕਰਣ ਲਈ ਸਬੰਧਤ ਗਾਈਡ ਪੂਰੀ ਕਰੋ:

* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
* [ਸਿੰਗਲ-ਬੋਰਡ ਕੰਪਿਊਟਰ - ਰਾਸਪਬੇਰੀ ਪਾਈ/ਵਰਚੁਅਲ IoT ਡਿਵਾਈਸ](single-board-computer-classify-image.md)

## ਮਾਡਲ ਨੂੰ ਸੁਧਾਰੋ

ਤੁਹਾਨੂੰ ਪਤਾ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਨਾਲ ਜੁੜੇ ਕੈਮਰੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਨਤੀਜੇ ਉਹਨਾਂ ਦੀ ਉਮੀਦਾਂ ਦੇ ਅਨੁਸਾਰ ਨਹੀਂ ਹੁੰਦੇ। ਪੇਸ਼ਗੋਈਆਂ ਹਮੇਸ਼ਾ ਉਨ੍ਹਾਂ ਚਿੱਤਰਾਂ ਜਿੰਨੀ ਸਹੀ ਨਹੀਂ ਹੁੰਦੀਆਂ ਜੋ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ ਤੋਂ ਅੱਪਲੋਡ ਕੀਤੇ ਗਏ ਸਨ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਮਾਡਲ ਨੂੰ ਵੱਖਰੇ ਡਾਟਾ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਪੇਸ਼ਗੋਈਆਂ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ।

ਇੱਕ ਚੰਗੇ ਨਤੀਜੇ ਲਈ, ਤੁਸੀਂ ਚਾਹੋਗੇ ਕਿ ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ ਚਿੱਤਰਾਂ ਨਾਲ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾਵੇ ਜੋ ਪੇਸ਼ਗੋਈਆਂ ਲਈ ਵਰਤੇ ਜਾ ਰਹੇ ਚਿੱਤਰਾਂ ਦੇ ਜਿੰਨੇ ਹੀ ਸਮਾਨ ਹੋਣ। ਜੇਕਰ ਤੁਸੀਂ ਟ੍ਰੇਨਿੰਗ ਲਈ ਆਪਣੇ ਫੋਨ ਕੈਮਰੇ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਉਦਾਹਰਣ ਲਈ, ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ, ਤੀਖਣਤਾ, ਅਤੇ ਰੰਗ IoT ਡਿਵਾਈਸ ਨਾਲ ਜੁੜੇ ਕੈਮਰੇ ਨਾਲ ਵੱਖਰੇ ਹੋਣਗੇ।

![2 ਕੇਲੇ ਦੇ ਚਿੱਤਰ, ਇੱਕ ਘੱਟ ਰੈਜ਼ੋਲੂਸ਼ਨ ਵਾਲਾ IoT ਡਿਵਾਈਸ ਤੋਂ ਖਰਾਬ ਰੌਸ਼ਨੀ ਨਾਲ, ਅਤੇ ਇੱਕ ਉੱਚ ਰੈਜ਼ੋਲੂਸ਼ਨ ਵਾਲਾ ਫੋਨ ਤੋਂ ਚੰਗੀ ਰੌਸ਼ਨੀ ਨਾਲ](../../../../../translated_images/banana-picture-compare.174df164dc326a42cf7fb051a7497e6113c620e91552d92ca914220305d47d9a.pa.png)

ਉਪਰ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ, ਖੱਬੇ ਪਾਸੇ ਵਾਲਾ ਕੇਲੇ ਦਾ ਚਿੱਤਰ ਰਾਸਪਬੇਰੀ ਪਾਈ ਕੈਮਰੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਿਆ ਗਿਆ ਸੀ, ਜਦਕਿ ਸੱਜੇ ਪਾਸੇ ਵਾਲਾ ਚਿੱਤਰ ਉਸੇ ਕੇਲੇ ਦਾ ਉਸੇ ਸਥਾਨ 'ਤੇ iPhone ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਿਆ ਗਿਆ ਸੀ। ਗੁਣਵੱਤਾ ਵਿੱਚ ਇੱਕ ਸਪਸ਼ਟ ਅੰਤਰ ਹੈ - iPhone ਚਿੱਤਰ ਜ਼ਿਆਦਾ ਤੀਖਾ ਹੈ, ਚਮਕਦਾਰ ਰੰਗਾਂ ਅਤੇ ਵੱਧ ਕਨਟਰਾਸਟ ਨਾਲ।

✅ ਹੋਰ ਕੀ ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ IoT ਡਿਵਾਈਸ ਦੁਆਰਾ ਕੈਪਚਰ ਕੀਤੇ ਚਿੱਤਰਾਂ ਨੂੰ ਗਲਤ ਪੇਸ਼ਗੋਈਆਂ ਦੇਣ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੇ ਹਨ? ਉਸ ਵਾਤਾਵਰਣ ਬਾਰੇ ਸੋਚੋ ਜਿਸ ਵਿੱਚ IoT ਡਿਵਾਈਸ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਕਿਹੜੇ ਕਾਰਕ ਚਿੱਤਰ ਕੈਪਚਰ ਕਰਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ?

ਮਾਡਲ ਨੂੰ ਸੁਧਾਰਨ ਲਈ, ਤੁਸੀਂ IoT ਡਿਵਾਈਸ ਤੋਂ ਕੈਪਚਰ ਕੀਤੇ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਦੁਬਾਰਾ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ।

### ਕੰਮ - ਮਾਡਲ ਨੂੰ ਸੁਧਾਰੋ

1. ਆਪਣੇ IoT ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੱਕੇ ਅਤੇ ਕੱਚੇ ਫਲਾਂ ਦੇ ਕਈ ਚਿੱਤਰ ਵਰਗੀਕਰੋ।

1. ਕਸਟਮ ਵਿਜ਼ਨ ਪੋਰਟਲ ਵਿੱਚ, *ਪੇਸ਼ਗੋਈਆਂ* ਟੈਬ 'ਤੇ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਟ੍ਰੇਨ ਕਰੋ।

    > ⚠️ ਜੇ ਲੋੜ ਹੋਵੇ, ਤੁਸੀਂ [ਪਾਠ 1 ਵਿੱਚ ਆਪਣੇ ਵਰਗੀਕਰਣ ਨੂੰ ਦੁਬਾਰਾ ਟ੍ਰੇਨ ਕਰਨ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ](../1-train-fruit-detector/README.md#retrain-your-image-classifier)।

1. ਜੇ ਤੁਹਾਡੇ ਚਿੱਤਰ ਮੂਲ ਚਿੱਤਰਾਂ ਨਾਲੋਂ ਬਹੁਤ ਵੱਖਰੇ ਦਿਸਦੇ ਹਨ ਜੋ ਟ੍ਰੇਨ ਕਰਨ ਲਈ

---

**ਅਸਵੀਕਰਤੀ**:  
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।