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

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "1c9e5fa8b7be726c75a97232b1e41c97",
  "translation_date": "2025-08-27T09:53:47+00:00",
  "source_file": "5-retail/lessons/2-check-stock-device/README.md",
  "language_code": "pa"
}
-->
# IoT ਡਿਵਾਈਸ ਤੋਂ ਸਟਾਕ ਚੈੱਕ ਕਰੋ

![ਇਸ ਪਾਠ ਦਾ ਸਕੈਚਨੋਟ ਝਲਕ](../../../../../translated_images/lesson-20.0211df9551a8abb300fc8fcf7dc2789468dea2eabe9202273ac077b0ba37f15e.pa.jpg)

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

## ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼

[ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/39)

## ਜਾਣ ਪਛਾਣ

ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਰਿਟੇਲ ਵਿੱਚ ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ ਦੇ ਵੱਖ-ਵੱਖ ਉਪਯੋਗਾਂ ਬਾਰੇ ਸਿੱਖਿਆ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖਿਆ ਕਿ ਸਟਾਕ ਦੀ ਪਹਿਚਾਣ ਕਰਨ ਲਈ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਕਿਵੇਂ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਆਪਣੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ ਤਾਂ ਜੋ ਸਟਾਕ ਦੀ ਗਿਣਤੀ ਕੀਤੀ ਜਾ ਸਕੇ।

ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਕਵਰ ਕਰਾਂਗੇ:

* [ਸਟਾਕ ਦੀ ਗਿਣਤੀ](../../../../../5-retail/lessons/2-check-stock-device)
* [ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਆਪਣੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਕਾਲ ਕਰੋ](../../../../../5-retail/lessons/2-check-stock-device)
* [ਬਾਊਂਡਿੰਗ ਬਾਕਸ](../../../../../5-retail/lessons/2-check-stock-device)
* [ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਟ੍ਰੇਨ ਕਰੋ](../../../../../5-retail/lessons/2-check-stock-device)
* [ਸਟਾਕ ਦੀ ਗਿਣਤੀ ਕਰੋ](../../../../../5-retail/lessons/2-check-stock-device)

> 🗑 ਇਹ ਪ੍ਰੋਜੈਕਟ ਦਾ ਆਖਰੀ ਪਾਠ ਹੈ, ਇਸ ਲਈ ਇਸ ਪਾਠ ਅਤੇ ਅਸਾਈਨਮੈਂਟ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਆਪਣੇ ਕਲਾਉਡ ਸਰਵਿਸਿਜ਼ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ ਨਾ ਭੁੱਲੋ। ਤੁਹਾਨੂੰ ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰਨ ਲਈ ਸਰਵਿਸਿਜ਼ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਇਸ ਲਈ ਪਹਿਲਾਂ ਇਸਨੂੰ ਪੂਰਾ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
>
> ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ [ਆਪਣੇ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਗਾਈਡ](../../../clean-up.md) ਨੂੰ ਵੇਖੋ।

## ਸਟਾਕ ਦੀ ਗਿਣਤੀ

ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਸਟਾਕ ਚੈੱਕ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਾਂ ਤਾਂ ਸਟਾਕ ਦੀ ਗਿਣਤੀ ਕਰਨ ਲਈ ਜਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਸਟਾਕ ਸਹੀ ਜਗ੍ਹਾ 'ਤੇ ਹੈ। ਕੈਮਰਿਆਂ ਵਾਲੇ IoT ਡਿਵਾਈਸ ਸਟੋਰ ਦੇ ਚਾਰਾਂ ਪਾਸੇ ਤੈਨਾਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ ਤਾਂ ਜੋ ਸਟਾਕ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ ਜਾ ਸਕੇ, ਖਾਸ ਕਰਕੇ ਉਹਨਾਂ ਜਗ੍ਹਾਂ 'ਤੇ ਜਿੱਥੇ ਉੱਚ ਮੁੱਲ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ ਦੀ ਰੀਸਟਾਕਿੰਗ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇਕਰ ਇੱਕ ਕੈਮਰਾ 8 ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ ਰੱਖਣ ਵਾਲੇ ਸ਼ੈਲਫ਼ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਰਿਹਾ ਹੈ, ਅਤੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਸਿਰਫ 7 ਕੈਨ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਕੈਨ ਗੁੰਮ ਹੈ ਅਤੇ ਇਸਨੂੰ ਰੀਸਟਾਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

![ਸ਼ੈਲਫ਼ 'ਤੇ 7 ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ, 4 ਉੱਪਰਲੀ ਕਤਾਰ ਵਿੱਚ, 3 ਹੇਠਾਂ](../../../../../translated_images/stock-7-cans-tomato-paste.f86059cc573d7becaa89a0eafb9d2cd7e2fe37405a530fe565990e2333d0e4a1.pa.png)

ਉਪਰੋਕਤ ਚਿੱਤਰ ਵਿੱਚ, ਇੱਕ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੇ ਸ਼ੈਲਫ਼ 'ਤੇ 7 ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ ਦਾ ਪਤਾ ਲਗਾਇਆ ਹੈ ਜੋ 8 ਕੈਨ ਰੱਖ ਸਕਦਾ ਹੈ। IoT ਡਿਵਾਈਸ ਨਾ ਸਿਰਫ ਰੀਸਟਾਕ ਕਰਨ ਦੀ ਲੋੜ ਦੀ ਸੂਚਨਾ ਭੇਜ ਸਕਦਾ ਹੈ, ਬਲਕਿ ਗੁੰਮ ਚੀਜ਼ ਦੀ ਸਥਿਤੀ ਦੀ ਜਾਣਕਾਰੀ ਵੀ ਦੇ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਰੋਬੋਟਾਂ ਦੁਆਰਾ ਸ਼ੈਲਫ਼ ਨੂੰ ਰੀਸਟਾਕ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਡਾਟਾ ਹੈ।

> 💁 ਸਟੋਰ ਅਤੇ ਚੀਜ਼ ਦੀ ਲੋਕਪ੍ਰਿਯਤਾ ਦੇ ਅਨੁਸਾਰ, ਰੀਸਟਾਕਿੰਗ ਸ਼ਾਇਦ ਨਹੀਂ ਹੋਵੇਗੀ ਜੇ ਸਿਰਫ 1 ਕੈਨ ਗੁੰਮ ਹੈ। ਤੁਹਾਨੂੰ ਇੱਕ ਐਲਗੋਰਿਥਮ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਜੋ ਤੁਹਾਡੇ ਉਤਪਾਦ, ਗਾਹਕਾਂ ਅਤੇ ਹੋਰ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਰੀਸਟਾਕ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰੇ।

✅ ਹੋਰ ਕਿਹੜੇ ਸਥਿਤੀਆਂ ਵਿੱਚ ਤੁਸੀਂ ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ ਅਤੇ ਰੋਬੋਟਾਂ ਨੂੰ ਮਿਲਾ ਸਕਦੇ ਹੋ?

ਕਈ ਵਾਰ ਗਲਤ ਸਟਾਕ ਸ਼ੈਲਫ਼ 'ਤੇ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਰੀਸਟਾਕਿੰਗ ਦੌਰਾਨ ਮਨੁੱਖੀ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ, ਜਾਂ ਗਾਹਕਾਂ ਦੁਆਰਾ ਖਰੀਦ 'ਤੇ ਫੈਸਲਾ ਬਦਲਣ ਅਤੇ ਚੀਜ਼ ਨੂੰ ਪਹਿਲੀ ਉਪਲਬਧ ਜਗ੍ਹਾ 'ਤੇ ਰੱਖਣ ਦੀ ਕਾਰਨ। ਜੇਕਰ ਇਹ ਨਾਨ-ਪਰਿਸ਼ੇਬਲ ਚੀਜ਼ ਹੈ ਜਿਵੇਂ ਕਿ ਡੱਬੇ ਵਾਲਾ ਸਮਾਨ, ਤਾਂ ਇਹ ਇੱਕ ਪਰੇਸ਼ਾਨੀ ਹੈ। ਜੇਕਰ ਇਹ ਪਰਿਸ਼ੇਬਲ ਚੀਜ਼ ਹੈ ਜਿਵੇਂ ਕਿ ਜਮਿਆ ਹੋਇਆ ਜਾਂ ਠੰਡਾ ਸਮਾਨ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਉਤਪਾਦ ਨੂੰ ਹੁਣ ਵੇਚਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਕਿਉਂਕਿ ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਚੀਜ਼ ਕਿੰਨੇ ਸਮੇਂ ਲਈ ਫ੍ਰੀਜ਼ਰ ਤੋਂ ਬਾਹਰ ਸੀ।

ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ ਅਣਜਾਣ ਚੀਜ਼ਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਮਨੁੱਖ ਜਾਂ ਰੋਬੋਟ ਨੂੰ ਜਲਦੀ ਤੋਂ ਜਲਦੀ ਚੀਜ਼ ਨੂੰ ਵਾਪਸ ਰੱਖਣ ਲਈ ਸੂਚਿਤ ਕਰ ਸਕਦੀ ਹੈ।

![ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਸ਼ੈਲਫ਼ 'ਤੇ ਇੱਕ ਗਲਤ ਬੇਬੀ ਕੌਰਨ ਦਾ ਕੈਨ](../../../../../translated_images/stock-rogue-corn.be1f3ada8c4578544641af66671c1711a4c02297f14cc7f503354dae0d30a954.pa.png)

ਉਪਰੋਕਤ ਚਿੱਤਰ ਵਿੱਚ, ਇੱਕ ਬੇਬੀ ਕੌਰਨ ਦਾ ਕੈਨ ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਸ਼ੈਲਫ਼ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਹੈ। ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੇ ਇਸਦਾ ਪਤਾ ਲਗਾਇਆ ਹੈ, ਜਿਸ ਨਾਲ IoT ਡਿਵਾਈਸ ਨੂੰ ਇੱਕ ਮਨੁੱਖ ਜਾਂ ਰੋਬੋਟ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ ਕਿ ਕੈਨ ਨੂੰ ਇਸਦੀ ਸਹੀ ਸਥਿਤੀ 'ਤੇ ਵਾਪਸ ਰੱਖਿਆ ਜਾਵੇ।

## ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਆਪਣੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਕਾਲ ਕਰੋ

ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਤੁਹਾਡੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਕਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

### ਟਾਸਕ - ਆਪਣੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਦਾ ਇੱਕ ਇਟਰੇਸ਼ਨ ਪਬਲਿਸ਼ ਕਰੋ

ਇਟਰੇਸ਼ਨਜ਼ ਨੂੰ ਕਸਟਮ ਵਿਜ਼ਨ ਪੋਰਟਲ ਤੋਂ ਪਬਲਿਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

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

1. ਉੱਪਰ ਦੇ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ **Performance** ਟੈਬ ਚੁਣੋ।

1. ਸਾਈਡ 'ਤੇ *Iterations* ਸੂਚੀ ਵਿੱਚੋਂ ਨਵੀਂ ਇਟਰੇਸ਼ਨ ਚੁਣੋ।

1. ਇਟਰੇਸ਼ਨ ਲਈ **Publish** ਬਟਨ ਚੁਣੋ।

    ![ਪਬਲਿਸ਼ ਬਟਨ](../../../../../translated_images/custom-vision-object-detector-publish-button.34ee379fc650ccb9856c3868d0003f413b9529f102fc73c37168c98d721cc293.pa.png)

1. *Publish Model* ਡਾਇਲਾਗ ਵਿੱਚ, *Prediction resource* ਨੂੰ `stock-detector-prediction` ਰਿਸੋਰਸ 'ਤੇ ਸੈਟ ਕਰੋ ਜੋ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਬਣਾਇਆ ਸੀ। ਨਾਮ ਨੂੰ `Iteration2` ਵਜੋਂ ਛੱਡੋ, ਅਤੇ **Publish** ਬਟਨ ਚੁਣੋ।

1. ਪਬਲਿਸ਼ ਹੋਣ ਤੋਂ ਬਾਅਦ, **Prediction URL** ਬਟਨ ਚੁਣੋ। ਇਹ ਤੁਹਾਨੂੰ ਪ੍ਰਡਿਕਸ਼ਨ API ਦੇ ਵੇਰਵੇ ਦਿਖਾਏਗਾ, ਅਤੇ ਤੁਹਾਨੂੰ ਇਹ ਵੇਰਵੇ ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਮਾਡਲ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਹਨ। ਹੇਠਾਂ ਵਾਲਾ ਭਾਗ *If you have an image file* ਲੇਬਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਇਹ ਉਹ ਵੇਰਵੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦੇ ਹਨ। URL ਦੀ ਇੱਕ ਕਾਪੀ ਲਵੋ ਜੋ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੋਵੇਗਾ:

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

    ਜਿੱਥੇ `<location>` ਉਹ ਸਥਾਨ ਹੋਵੇਗਾ ਜੋ ਤੁਸੀਂ ਆਪਣਾ ਕਸਟਮ ਵਿਜ਼ਨ ਰਿਸੋਰਸ ਬਣਾਉਣ ਸਮੇਂ ਵਰਤਿਆ ਸੀ, ਅਤੇ `<id>` ਇੱਕ ਲੰਬਾ ID ਹੋਵੇਗਾ ਜੋ ਅੱਖਰਾਂ ਅਤੇ ਨੰਬਰਾਂ ਨਾਲ ਬਣਿਆ ਹੋਇਆ ਹੈ।

    *Prediction-Key* ਮੁੱਲ ਦੀ ਵੀ ਇੱਕ ਕਾਪੀ ਲਵੋ। ਇਹ ਇੱਕ ਸੁਰੱਖਿਅਤ ਕੁੰਜੀ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਮਾਡਲ ਨੂੰ ਕਾਲ ਕਰਨ ਸਮੇਂ ਪਾਸ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਸਿਰਫ ਉਹ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਇਹ ਕੁੰਜੀ ਪਾਸ ਕਰਦੇ ਹਨ ਮਾਡਲ ਨੂੰ ਵਰਤਣ ਦੀ ਆਗਿਆ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਹੋਰ ਕੋਈ ਵੀ ਐਪਲੀਕੇਸ਼ਨ ਰੱਦ ਕਰ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ।

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

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

### ਟਾਸਕ - ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਆਪਣੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਕਾਲ ਕਰੋ

ਆਪਣੇ IoT ਡਿਵਾਈਸ ਤੋਂ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਵਰਤਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੀ ਗਾਈਡਾਂ ਵਿੱਚੋਂ ਸਬੰਧਤ ਗਾਈਡ ਦੀ ਪਾਲਣਾ ਕਰੋ:

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

## ਬਾਊਂਡਿੰਗ ਬਾਕਸ

ਜਦੋਂ ਤੁਸੀਂ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੂੰ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਿਰਫ ਪਤਾ ਲਗਾਈਆਂ ਚੀਜ਼ਾਂ ਦੇ ਟੈਗ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਹੀ ਨਹੀਂ ਮਿਲਦੀਆਂ, ਬਲਕਿ ਤੁਹਾਨੂੰ ਚੀਜ਼ਾਂ ਦੇ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਵੀ ਮਿਲਦੇ ਹਨ। ਇਹ ਉਹ ਖੇਤਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਨੇ ਦਿੱਤੀ ਸੰਭਾਵਨਾ ਨਾਲ ਚੀਜ਼ ਦਾ ਪਤਾ ਲਗਾਇਆ।

> 💁 ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਇੱਕ ਬਾਕਸ ਹੁੰਦਾ ਹੈ ਜੋ ਉਸ ਖੇਤਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਪਤਾ ਲਗਾਈ ਗਈ ਚੀਜ਼ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ, ਇੱਕ ਬਾਕਸ ਜੋ ਚੀਜ਼ ਦੀ ਸੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ।

ਕਸਟਮ ਵਿਜ਼ਨ ਵਿੱਚ **Predictions** ਟੈਬ ਵਿੱਚ ਪ੍ਰਡਿਕਸ਼ਨ ਦੇ ਨਤੀਜੇ ਉਸ ਚਿੱਤਰ 'ਤੇ ਖਿੱਚੇ ਜਾਂਦੇ ਹਨ ਜੋ ਪ੍ਰਡਿਕਸ਼ਨ ਲਈ ਭੇਜਿਆ ਗਿਆ ਸੀ।

![ਸ਼ੈਲਫ਼ 'ਤੇ 4 ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ, 35.8%, 33.5%, 25.7% ਅਤੇ 16.6% ਦੀ ਸੰਭਾਵਨਾ ਨਾਲ ਪਤਾ ਲਗਾਇਆ ਗਿਆ](../../../../../translated_images/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.pa.png)

ਉਪਰੋਕਤ ਚਿੱਤਰ ਵਿੱਚ, 4 ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ ਦਾ ਪਤਾ ਲਗਾਇਆ ਗਿਆ। ਨਤੀਜਿਆਂ ਵਿੱਚ ਇੱਕ ਲਾਲ ਵਰਗ ਹਰ ਚਿੱਤਰ 'ਤੇ ਖਿੱਚਿਆ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਚਿੱਤਰ ਵਿੱਚ ਪਤਾ ਲਗਾਈ ਗਈ ਚੀਜ਼ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਚਿੱਤਰ ਲਈ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

✅ ਕਸਟਮ ਵਿਜ਼ਨ ਵਿੱਚ ਪ੍ਰਡਿਕਸ਼ਨ ਖੋਲ੍ਹੋ ਅਤੇ ਬਾਊਂਡਿੰਗ ਬਾਕਸਾਂ ਨੂੰ ਵੇਖੋ।

ਬਾਊਂਡਿੰਗ ਬਾਕਸ 4 ਮੁੱਲਾਂ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ - top, left, height ਅਤੇ width। ਇਹ ਮੁੱਲ 0-1 ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਹੁੰਦੇ ਹਨ, ਜੋ ਚਿੱਤਰ ਦੇ ਆਕਾਰ ਦੇ ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਮੂਲ ਸਥਾਨ (0,0 ਸਥਿਤੀ) ਚਿੱਤਰ ਦੇ ਉੱਪਰ-ਖੱਬੇ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ top ਮੁੱਲ ਉੱਪਰ ਤੋਂ ਦੂਰੀ ਹੈ, ਅਤੇ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦਾ ਹੇਠਾਂ top ਪਲੱਸ height ਹੁੰਦਾ ਹੈ।

![ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਬਾਊਂਡਿੰਗ ਬਾਕਸ](../../../../../translated_images/bounding-box.1420a7ea0d3d15f71e1ffb5cf4b2271d184fac051f990abc541975168d163684.pa.png)

ਉਪਰੋਕਤ ਚਿੱਤਰ 600 ਪਿਕਸਲ ਚੌੜਾ ਅਤੇ 800 ਪਿਕਸਲ ਲੰਬਾ ਹੈ। ਬਾਊਂਡਿੰਗ ਬਾਕਸ 320 ਪਿਕਸਲ ਹੇਠਾਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ top ਕੋਆਰਡੀਨੇਟ 0.4 (800 x 0.4 = 320) ਹੁੰਦਾ ਹੈ। ਖੱਬੇ ਤੋਂ, ਬਾਊਂਡਿੰਗ ਬਾਕਸ 240 ਪਿਕਸਲ ਅਕਰੋਸ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ left ਕੋਆਰਡੀਨੇਟ 0.4 (600 x 0.4 = 240) ਹੁੰਦਾ ਹੈ। ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੀ height 240 ਪਿਕਸਲ ਹੈ, ਜਿਸ ਨਾਲ height ਮੁੱਲ 0.3 (800 x 0.3 = 240) ਹੁੰਦਾ ਹੈ। ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੀ width 120 ਪਿਕਸਲ ਹੈ, ਜਿਸ ਨਾਲ width ਮੁੱਲ 0.2 (600 x 0.2 = 120) ਹੁੰਦਾ ਹੈ।

| ਕੋਆਰਡੀਨੇਟ | ਮੁੱਲ |
| ---------- | ----: |
| Top        | 0.4   |
| Left       | 0.4   |
| Height     | 0.3   |
| Width      | 0.2   |

0-1 ਦੇ ਪ੍ਰਤੀਸ਼ਤ ਮੁੱਲਾਂ ਨੂੰ ਵਰਤਣ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਚਿੱਤਰ ਨੂੰ ਕਿਸੇ ਵੀ ਆਕਾਰ ਵਿੱਚ ਸਕੇਲ ਕੀਤਾ ਜਾਵੇ, ਬਾਊਂਡਿੰਗ ਬਾਕਸ 0.4 ਦੇ ਰਾਹੀਂ ਅਤੇ ਹੇਠਾਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਅਤੇ 0.3 ਦੀ height ਅਤੇ 0.2 ਦੀ width ਹੁੰਦਾ ਹੈ।

ਤੁਸੀਂ ਬਾਊਂਡਿੰਗ ਬਾਕਸਾਂ ਨੂੰ ਸੰਭਾਵਨਾਵਾਂ ਨਾਲ ਮਿਲਾ ਕੇ ਡਿਟੈਕਸ਼ਨ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੇ ਹੋ। ਉਦਾਹਰਨ ਵਜੋਂ, ਇੱਕ ਆਬਜੈਕਟ ਡਿਟੈਕਟਰ ਕਈ ਚੀਜ਼ਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਓਵਰਲੈਪ ਕਰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਕੈਨ ਨੂੰ ਦੂਜੇ ਦੇ ਅੰਦਰ ਪਤਾ ਲਗਾਉਣਾ। ਤੁਹਾਡਾ ਕੋਡ ਬਾਊਂਡਿੰਗ ਬਾਕਸਾਂ ਨੂੰ ਵੇਖ ਸਕਦਾ ਹੈ, ਸਮਝ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਅਸੰਭਵ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਅਣਦੇਖਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਹੋਰ ਚੀਜ਼ਾਂ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਓਵਰਲੈਪ ਕਰਦੀਆਂ ਹਨ।

![ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ 'ਤੇ ਦੋ ਓਵਰਲੈਪਿੰਗ ਬਾਊਂਡਿੰਗ ਬਾਕਸ](../../../../../translated_images/overlap-object-detection.d431e03cae75072a2760430eca7f2c5fdd43045bfd72dadcbf12711f7cd6c2ae.pa.png)

ਉਪਰੋਕਤ ਉਦਾਹਰਨ ਵਿੱਚ, ਇੱਕ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਨੇ 78.3% ਦੀ ਸੰਭਾਵਨਾ ਨਾਲ ਟਮਾਟਰ ਪੇਸਟ ਦੇ ਕੈਨ ਦਾ ਪਤਾ ਲਗਾਇਆ। ਦੂਜਾ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਥੋੜਾ ਛੋਟਾ ਹੈ, ਅਤੇ ਪਹਿਲੇ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਦੇ ਅੰਦਰ 64.3% ਦੀ ਸੰਭਾਵਨਾ ਨਾਲ ਹੈ। ਤੁਹਾਡਾ ਕੋਡ ਬਾਊਂਡਿੰਗ ਬਾਕਸਾਂ ਨੂੰ ਚੈੱਕ ਕਰ ਸਕਦਾ ਹੈ, ਵੇਖ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਓਵਰਲੈਪ ਕਰਦੇ ਹਨ, ਅਤੇ ਘੱਟ ਸੰਭਾਵਨਾ ਨੂੰ ਅਣਦੇਖਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਚੀਜ਼ ਦੂਜੇ ਦੇ ਅੰਦਰ ਨਹੀਂ ਹੋ ਸਕਦੀ।

✅ ਕੀ ਤੁਸੀਂ ਕੋਈ ਸਥਿਤੀ ਸੋਚ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਇੱਕ ਚੀਜ਼ ਦੂਜੇ ਦੇ ਅੰਦਰ ਪਤਾ ਲਗਾਉਣਾ ਵੈਧ ਹੈ?

## ਮ

---

**ਅਸਵੀਕਤੀ**:  
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 ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ 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।