के अनुसार गार्टनर, हाइपरऑटोमेशन 2022 में नंबर एक प्रवृत्ति है और भविष्य में आगे बढ़ना जारी रखेगा। हाइपरऑटोमेशन के लिए मुख्य बाधाओं में से एक उन क्षेत्रों में है जहां हम अभी भी मानव भागीदारी को कम करने के लिए संघर्ष कर रहे हैं। कंप्यूटर विज़न में गहन सीखने में महान प्रगति के बावजूद, बुद्धिमान प्रणालियों में मानव दृश्य पहचान क्षमताओं से मेल खाने में कठिन समय होता है। यह मुख्य रूप से एनोटेट किए गए डेटा की कमी (या जब डेटा विरल है) और गुणवत्ता नियंत्रण जैसे क्षेत्रों में होता है, जहां प्रशिक्षित मानव आंखें अभी भी हावी हैं। एक अन्य कारण उत्पाद आपूर्ति श्रृंखला के सभी क्षेत्रों में मानव पहुंच की व्यवहार्यता है, जैसे उत्पादन लाइन पर गुणवत्ता नियंत्रण निरीक्षण। दृश्य निरीक्षण का व्यापक रूप से उत्पादन सुविधा में विभिन्न उपकरणों के आंतरिक और बाहरी मूल्यांकन करने के लिए उपयोग किया जाता है, जैसे भंडारण टैंक, दबाव वाहिकाओं, पाइपिंग, वेंडिंग मशीन और अन्य उपकरण, जो इलेक्ट्रॉनिक्स, चिकित्सा, सीपीजी जैसे कई उद्योगों तक फैले हुए हैं। और कच्चे माल और अधिक।
स्वचालित दृश्य निरीक्षण के लिए आर्टिफिशियल इंटेलिजेंस (एआई) का उपयोग करना या एआई के साथ मानव दृश्य निरीक्षण प्रक्रिया को बढ़ाने से नीचे उल्लिखित चुनौतियों का समाधान करने में मदद मिल सकती है।
मानव दृश्य निरीक्षण की चुनौतियां
मानव नेतृत्व वाले दृश्य निरीक्षण में निम्नलिखित उच्च स्तरीय मुद्दे हैं:
- स्केल - अंतिम उपभोक्ता को उपलब्ध कराए जाने से पहले, अधिकांश उत्पाद असेंबली से लेकर आपूर्ति श्रृंखला तक गुणवत्ता नियंत्रण तक कई चरणों से गुजरते हैं। निर्माण प्रक्रिया या असेंबली के दौरान स्थान और समय में विभिन्न बिंदुओं पर दोष हो सकते हैं। इसलिए, व्यक्तिगत रूप से मानव दृश्य निरीक्षण का उपयोग करना हमेशा संभव या लागत प्रभावी नहीं होता है। पैमाने पर इस अक्षमता के परिणामस्वरूप आपदाएं हो सकती हैं जैसे कि बीपी डीपवाटर होराइजन ऑयल स्पिल और चैलेंजर स्पेस शटल विस्फोट, जिसका समग्र नकारात्मक प्रभाव (मनुष्यों और प्रकृति पर) मौद्रिक लागत को काफी दूर तक बढ़ा देता है।
- मानव दृश्य त्रुटि - उन क्षेत्रों में जहां मानव नेतृत्व में दृश्य निरीक्षण आसानी से किया जा सकता है, मानवीय त्रुटि एक प्रमुख कारक है जिसे अक्सर अनदेखा कर दिया जाता है। निम्नलिखित के अनुसार रिपोर्ट, अधिकांश निरीक्षण कार्य जटिल होते हैं और आम तौर पर 20-30% की त्रुटि दर प्रदर्शित करते हैं, जो सीधे लागत और अवांछनीय परिणामों का अनुवाद करते हैं।
- कार्मिक और विविध लागत - हालांकि गुणवत्ता नियंत्रण की कुल लागत उद्योग और स्थान के आधार पर बहुत भिन्न हो सकती है, कुछ के अनुसार अनुमान, एक प्रशिक्षित गुणवत्ता निरीक्षक का वेतन $26,000-60,000 (यूएसडी) प्रति वर्ष के बीच होता है। अन्य विविध लागतें भी हैं जिनका हमेशा हिसाब नहीं किया जा सकता है।
सेजमेकर जम्पस्टार्ट विभिन्न के साथ आरंभ करने के लिए एक शानदार जगह है अमेज़न SageMaker क्यूरेटेड वन-क्लिक समाधान, उदाहरण नोटबुक, और पूर्व-प्रशिक्षित कंप्यूटर विजन, प्राकृतिक भाषा प्रसंस्करण और सारणीबद्ध डेटा मॉडल के माध्यम से सुविधाओं और क्षमताओं को एडब्ल्यूएस सेजमेकर इन्फ्रास्ट्रक्चर का उपयोग करके, फाइन-ट्यून (यदि आवश्यक हो) और तैनात कर सकते हैं।
इस पोस्ट में, हम सार्वजनिक रूप से उपलब्ध डेटासेट और सेजमेकर जम्पस्टार्ट का उपयोग करते हुए डेटा अंतर्ग्रहण से लेकर मॉडल अनुमान तक एक स्वचालित दोष पहचान समाधान को शीघ्रता से परिनियोजित करने के तरीके के बारे में बताते हैं।
समाधान अवलोकन
यह समाधान सेजमेकर का उपयोग करके सतह दोषों का स्वचालित रूप से पता लगाने के लिए एक अत्याधुनिक गहन शिक्षण दृष्टिकोण का उपयोग करता है। दोष जांच नेटवर्क या डीडीएन मॉडल बढ़ाता है तेज़ आर-सीएनएन और स्टील की सतह की छवि में संभावित दोषों की पहचान करता है। एनईयू सतह दोष डेटाबेस, एक संतुलित डेटासेट है जिसमें हॉट-रोल्ड स्टील स्ट्रिप के छह प्रकार के विशिष्ट सतह दोष होते हैं: रोल्ड-इन स्केल (RS), पैच (Pa), क्रेजिंग (Cr), खड़ा सतह (PS), समावेशन (In), और खरोंच (एससी)। डेटाबेस में 1,800 ग्रेस्केल छवियां शामिल हैं: प्रत्येक प्रकार के दोष के 300 नमूने।
सामग्री
जम्पस्टार्ट समाधान में निम्नलिखित कलाकृतियां हैं, जो आपके लिए उपलब्ध हैं JupyterLab फ़ाइल ब्राउज़र:
- बादल बनना/ - एडब्ल्यूएस CloudFormation प्रासंगिक सेजमेकर संसाधन बनाने और अनुमतियाँ लागू करने के लिए कॉन्फ़िगरेशन फ़ाइलें। इसमें बनाए गए संसाधनों को हटाने के लिए क्लीनअप स्क्रिप्ट भी शामिल है।
- src / - निम्नलिखित शामिल हैं:
- तैयार_डेटा/ - एनईयू डेटासेट के लिए डेटा तैयार करना।
- सेजमेकर_डिफेक्ट_डिटेक्शन/ - मुख्य पैकेज जिसमें निम्नलिखित शामिल हैं:
- डाटासेट - एनईयू डेटासेट हैंडलिंग शामिल है।
- मॉडल - ऑटोमेटेड डिफेक्ट इंस्पेक्शन (एडीआई) सिस्टम शामिल है जिसे डिफेक्ट डिटेक्शन नेटवर्क कहा जाता है। निम्नलिखित देखें काग़ज़ ब्योरा हेतु।
- utils - विज़ुअलाइज़ेशन और COCO मूल्यांकन के लिए विभिन्न उपयोगिताएँ।
- क्लासिफायरियर.py - वर्गीकरण कार्य के लिए।
- डिटेक्टर.py - पता लगाने के कार्य के लिए।
- ट्रांसफॉर्म्स.py - प्रशिक्षण में प्रयुक्त छवि परिवर्तन शामिल हैं।
- नोटबुक/ - व्यक्तिगत नोटबुक, इस पोस्ट में बाद में और अधिक विस्तार से चर्चा की गई।
- स्क्रिप्ट / - प्रशिक्षण और निर्माण के लिए विभिन्न लिपियों।
डिफ़ॉल्ट डेटासेट
यह समाधान एनईयू-सीएलएस डेटासेट पर एक क्लासिफायरियर और एनईयू-डीईटी डेटासेट पर एक डिटेक्टर को प्रशिक्षित करता है। इस डेटासेट में कुल 1800 चित्र और 4189 बाउंडिंग बॉक्स हैं। हमारे डेटासेट में दोषों के प्रकार इस प्रकार हैं:
- पागलपन (वर्ग:
Cr
, लेबल: 0) - समावेशन (वर्ग:
In
, लेबल: 1) - खड़ी सतह (वर्ग:
PS
, लेबल: 2) - पैच (वर्ग: पा, लेबल: 3)
- रोल्ड-इन स्केल (वर्ग:
RS
, लेबल: 4) - खरोंच (वर्ग:
Sc
, लेबल: 5)
निम्नलिखित छह वर्गों के नमूना चित्र हैं।
निम्नलिखित छवियां नमूना पहचान परिणाम हैं। बाएं से दाएं, हमारे पास मूल छवि, जमीनी सच्चाई का पता लगाने और सेजमेकर डीडीएन मॉडल आउटपुट है।
आर्किटेक्चर
जम्पस्टार्ट समाधान के साथ पूर्व-पैकेज्ड आता है अमेज़ॅन सैजमेकर स्टूडियो नोटबुक जो आवश्यक डेटासेट डाउनलोड करते हैं और वास्तविक समय सेजमेकर एंडपॉइंट का उपयोग करके मॉडल और परिनियोजन के प्रशिक्षण के लिए कोड और सहायक कार्य होते हैं।
सभी नोटबुक जनता से डेटासेट डाउनलोड करते हैं अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बकेट और इम्पोर्ट हेल्पर फंक्शन छवियों की कल्पना करने के लिए। नोटबुक उपयोगकर्ता को समाधान को अनुकूलित करने की अनुमति देता है, जैसे मॉडल प्रशिक्षण या प्रदर्शन के लिए हाइपरपैरामीटर सीखने का स्थानांतरण यदि आप अपने दोष का पता लगाने के उपयोग के मामले में समाधान का उपयोग करना चुनते हैं।
समाधान में निम्नलिखित चार स्टूडियो नोटबुक हैं:
- 0_डेमो.आईपीएनबी - एनईयू-डीईटी डेटासेट पर पूर्व-प्रशिक्षित डीडीएन मॉडल से एक मॉडल ऑब्जेक्ट बनाता है और इसे रीयल-टाइम सेजमेकर एंडपॉइंट के पीछे तैनात करता है। फिर हम परिणामों का पता लगाने और कल्पना करने के लिए दोषों के साथ कुछ छवि नमूने भेजते हैं।
- 1_retrain_from_checkpoint.ipynb - कुछ और युगों के लिए हमारे पूर्व-प्रशिक्षित डिटेक्टर को फिर से प्रशिक्षित करता है और परिणामों की तुलना करता है। आप अपना खुद का डेटासेट भी ला सकते हैं; हालाँकि, हम नोटबुक में समान डेटासेट का उपयोग करते हैं। इसमें पूर्व-प्रशिक्षित मॉडल को फाइन-ट्यूनिंग करके ट्रांसफर लर्निंग करने का एक कदम भी शामिल है। एक विशेष कार्य पर एक गहन शिक्षण मॉडल को फाइन-ट्यूनिंग में किसी अन्य डेटासेट पर मॉडल के प्रदर्शन को बढ़ाने के लिए किसी विशेष डेटासेट से सीखे गए भार का उपयोग करना शामिल है। आप प्रारंभिक प्रशिक्षण में उपयोग किए गए समान डेटासेट पर फाइन-ट्यूनिंग भी कर सकते हैं, लेकिन शायद विभिन्न हाइपरपैरामीटर के साथ।
- 2_डिटेक्टर_से_स्क्रैच.आईपीएनबी - किसी छवि में दोष मौजूद हैं या नहीं, यह पहचानने के लिए हमारे डिटेक्टर को खरोंच से प्रशिक्षित करता है।
- 3_वर्गीकरण_from_scratch.ipynb - एक छवि में दोष के प्रकार को वर्गीकृत करने के लिए हमारे क्लासिफायरियर को खरोंच से प्रशिक्षित करता है।
प्रत्येक नोटबुक में बॉयलरप्लेट कोड होता है जो एक सेजमेकर को तैनात करता है वास्तविक समय समापन बिंदु मॉडल अनुमान के लिए। आप ज्यूपिटरलैब फ़ाइल ब्राउज़र पर जाकर और जम्पस्टार्ट समाधान निर्देशिका में "नोटबुक" फ़ोल्डर में नेविगेट करके या जम्पस्टार्ट समाधान पर "ओपन नोटबुक" पर क्लिक करके, विशेष रूप से "उत्पाद दोष का पता लगाने" समाधान पृष्ठ पर जाकर नोटबुक की सूची देख सकते हैं (नीचे देखें) )
.. पूर्वापेक्षाएँ
इस पोस्ट में उल्लिखित समाधान का हिस्सा है अमेज़न SageMaker जम्पस्टार्ट. इस सेजमेकर जम्पस्टार्ट 1पी सॉल्यूशन को चलाने के लिए और अपने एडब्ल्यूएस खाते में बुनियादी ढांचे को तैनात करने के लिए, आपको एक सक्रिय अमेज़ॅन सेजमेकर स्टूडियो इंस्टेंस बनाना होगा (ऑनबोर्ड टू अमेज़ॅन सेजमेकर डोमेन देखें)।
कूदना शुरू करो सेजमेकर नोटबुक इंस्टेंस में सुविधाएँ उपलब्ध नहीं हैं, और आप उन्हें के माध्यम से एक्सेस नहीं कर सकते हैं AWS कमांड लाइन इंटरफ़ेस (AWS CLI)।
समाधान तैनात करें
हम इस समाधान पर उच्च-स्तरीय चरणों के लिए पूर्वाभ्यास वीडियो प्रदान करते हैं। शुरू करने के लिए, सेजमेकर जम्पस्टार्ट लॉन्च करें और चुनें उत्पाद दोष का पता लगाना पर समाधान समाधान ढूंढे टैब.
प्रदान किए गए सेजमेकर नोटबुक इनपुट डेटा डाउनलोड करते हैं और बाद के चरणों को लॉन्च करते हैं। इनपुट डेटा एक S3 बाल्टी में स्थित है।
हम क्लासिफायरियर और डिटेक्टर मॉडल को प्रशिक्षित करते हैं और सेजमेकर में परिणामों का मूल्यांकन करते हैं। यदि वांछित है, तो आप प्रशिक्षित मॉडल को तैनात कर सकते हैं और सेजमेकर एंडपॉइंट बना सकते हैं।
पिछले चरण से बनाया गया सेजमेकर एंडपॉइंट एक है एचटीटीपीएस समापन बिंदु और भविष्यवाणी करने में सक्षम है।
आप के माध्यम से मॉडल प्रशिक्षण और परिनियोजन की निगरानी कर सकते हैं अमेज़ॅन क्लाउडवॉच.
क्लीन अप
जब आप इस समाधान के साथ समाप्त कर लें, तो सुनिश्चित करें कि आप सभी अवांछित AWS संसाधनों को हटा दें। समाधान और नोटबुक द्वारा बनाए गए सभी मानक संसाधनों को स्वचालित रूप से हटाने के लिए आप AWS CloudFormation का उपयोग कर सकते हैं। एडब्ल्यूएस क्लाउडफॉर्मेशन कंसोल पर, पैरेंट स्टैक को हटा दें। पैरेंट स्टैक को हटाने से नेस्टेड स्टैक स्वचालित रूप से हट जाता है।
आपको इस नोटबुक में बनाए गए किसी भी अतिरिक्त संसाधन को मैन्युअल रूप से हटाने की आवश्यकता है, जैसे समाधान के डिफ़ॉल्ट बकेट के अतिरिक्त अतिरिक्त S3 बकेट या अतिरिक्त सेजमेकर एंडपॉइंट (कस्टम नाम का उपयोग करके)।
निष्कर्ष
इस पोस्ट में, हमने विभिन्न उद्योगों में दृश्य निरीक्षण, गुणवत्ता नियंत्रण और दोष का पता लगाने की वर्तमान स्थिति के साथ मुद्दों को हल करने के लिए सेजमेकर जम्पस्टार्ट का उपयोग करके एक समाधान पेश किया। हमने एक पूर्व-प्रशिक्षित . का उपयोग करके निर्मित स्वचालित दोष निरीक्षण प्रणाली नामक एक उपन्यास दृष्टिकोण की सिफारिश की डीडीएन मॉडल स्टील सतहों पर दोष का पता लगाने के लिए। जम्पस्टार्ट समाधान लॉन्च करने और सार्वजनिक एनईयू डेटासेट डाउनलोड करने के बाद, आपने सेजमेकर रीयल-टाइम एंडपॉइंट के पीछे एक पूर्व-प्रशिक्षित मॉडल तैनात किया और क्लाउडवॉच का उपयोग करके एंडपॉइंट मेट्रिक्स का विश्लेषण किया। हमने जम्पस्टार्ट समाधान की अन्य विशेषताओं पर भी चर्चा की, जैसे कि अपना खुद का प्रशिक्षण डेटा कैसे लाया जाए, स्थानांतरण सीखने का प्रदर्शन करें, और डिटेक्टर और क्लासिफायर को फिर से प्रशिक्षित करें।
इसे आज़माएं जम्पस्टार्ट समाधान सेजमेकर स्टूडियो पर, या तो दोष का पता लगाने के लिए एक नए डेटासेट पर मौजूदा मॉडल को फिर से प्रशिक्षित करना या सेजमेकर जम्पस्टार्ट की लाइब्रेरी से चुनना कंप्यूटर दृष्टि मॉडल, एनएलपी मॉडल or सारणीबद्ध मॉडल और उन्हें अपने विशिष्ट उपयोग के मामले में तैनात करें।
लेखक के बारे में
वेदांत जैन एक वरिष्ठ एआई/एमएल विशेषज्ञ समाधान आर्किटेक्ट है, जो ग्राहकों को एडब्ल्यूएस में मशीन लर्निंग इकोसिस्टम से मूल्य प्राप्त करने में मदद करता है। एडब्ल्यूएस में शामिल होने से पहले, वेदांत ने विभिन्न कंपनियों जैसे डेटाब्रिक्स, हॉर्टनवर्क्स (अब क्लौडेरा) और जेपी मॉर्गन चेस में एमएल / डेटा साइंस स्पेशलिटी पदों पर कार्य किया है। अपने काम के अलावा, वेदांत को संगीत बनाने, एक सार्थक जीवन जीने के लिए विज्ञान का उपयोग करने और दुनिया भर के स्वादिष्ट शाकाहारी व्यंजनों की खोज करने का शौक है।
ताओ सुन एडब्ल्यूएस में एप्लाइड साइंटिस्ट हैं। उन्होंने अपनी पीएच.डी. मैसाचुसेट्स विश्वविद्यालय, एमहर्स्ट से कंप्यूटर विज्ञान में। उनकी शोध रुचि गहन सुदृढीकरण सीखने और संभाव्य मॉडलिंग में निहित है। उन्होंने एडब्ल्यूएस डीपरेसर, एडब्ल्यूएस डीप कम्पोजर में योगदान दिया। उन्हें अपने खाली समय में बॉलरूम डांस और पढ़ना पसंद है।
- "
- &
- 000
- 100
- 2022
- 28
- a
- क्षमताओं
- About
- पहुँच
- अनुसार
- लेखा
- सक्रिय
- इसके अलावा
- पता
- प्रगति
- AI
- सब
- हालांकि
- हमेशा
- वीरांगना
- अन्य
- लागू
- लागू करें
- दृष्टिकोण
- चारों ओर
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता (AI)
- विधानसभा
- मूल्यांकन
- स्वचालित
- स्वतः
- स्वचालन
- उपलब्ध
- एडब्ल्यूएस
- बाधाओं
- से पहले
- पीछे
- जा रहा है
- नीचे
- के बीच
- लाना
- ब्राउज़र
- इमारत
- क्षमताओं
- सक्षम
- मामला
- श्रृंखला
- चुनौतियों
- पीछा
- चुनें
- कक्षा
- कक्षाएं
- वर्गीकरण
- कोड
- कंपनियों
- जटिल
- कंप्यूटर
- कम्प्यूटर साइंस
- विन्यास
- कंसोल
- उपभोक्ता
- शामिल हैं
- जारी रखने के
- योगदान
- नियंत्रण
- नियंत्रण
- प्रभावी लागत
- लागत
- बनाना
- बनाया
- बनाता है
- क्यूरेट
- वर्तमान
- वर्तमान स्थिति
- रिवाज
- ग्राहक
- अनुकूलित
- तिथि
- डाटाबेस
- गहरा
- निर्भर करता है
- तैनात
- तैनात
- तैनाती
- तैनात
- के बावजूद
- विस्तार
- विवरण
- खोज
- विभिन्न
- सीधे
- आपदाओं
- दूरी
- डोमेन
- डाउनलोड
- दौरान
- से प्रत्येक
- पारिस्थितिकी तंत्र
- इलेक्ट्रानिक्स
- endpoint
- उपकरण
- मूल्यांकन करें
- मूल्यांकन
- उदाहरण
- एक्ज़िबिट
- मौजूदा
- फैलता
- सुविधा
- विशेषताएं
- निम्नलिखित
- इस प्रकार है
- से
- कार्यों
- भविष्य
- जा
- ग्रेस्केल
- महान
- बहुत
- हैंडलिंग
- मदद
- मदद
- क्षितिज
- कैसे
- How To
- तथापि
- HTTPS
- मानव
- मनुष्य
- पहचान करना
- की छवि
- छवियों
- प्रभाव
- शामिल
- शामिल
- समावेश
- व्यक्ति
- उद्योगों
- उद्योग
- इंफ्रास्ट्रक्चर
- निवेश
- उदाहरण
- बुद्धि
- बुद्धिमान
- रुचियों
- मुद्दों
- IT
- शामिल होने
- जे। पी. मौरगन
- जेपी मॉर्गन चेस
- लेबल
- भाषा
- लांच
- शुभारंभ
- नेतृत्व
- सीखा
- सीख रहा हूँ
- पुस्तकालय
- लाइन
- सूची
- स्थान
- मशीन
- यंत्र अधिगम
- मशीनें
- बनाया गया
- प्रमुख
- बनाना
- निर्माण
- मैन्युअल
- विनिर्माण
- मेसाचुसेट्स
- मिलान
- सामग्री
- सार्थक
- मेडिकल
- मेट्रिक्स
- आदर्श
- मॉडल
- मुद्रा
- मॉनिटर
- अधिक
- मॉर्गन
- अधिकांश
- विभिन्न
- संगीत
- नासा
- प्राकृतिक
- प्रकृति
- नेविगेट
- नकारात्मक
- नेटवर्क
- नोटबुक
- संख्या
- प्राप्त
- तेल
- मूल
- अन्य
- कुल
- अपना
- पैकेज
- भाग
- विशेष
- आवेशपूर्ण
- पैच
- प्रदर्शन
- प्रदर्शन
- शायद
- अंक
- संभव
- भविष्यवाणियों
- दबाव
- पिछला
- प्रक्रिया
- प्रसंस्करण
- एस्ट्रो मॉल
- उत्पादन
- उत्पाद
- प्रदान करना
- बशर्ते
- सार्वजनिक
- गुणवत्ता
- जल्दी से
- दरें
- कच्चा
- पढ़ना
- वास्तविक समय
- को कम करने
- प्रासंगिक
- अपेक्षित
- अनुसंधान
- उपयुक्त संसाधन चुनें
- परिणाम
- रन
- वेतन
- वही
- SC
- स्केल
- विज्ञान
- वैज्ञानिक
- सरल
- छह
- समाधान
- समाधान ढूंढे
- कुछ
- अंतरिक्ष
- विशेषज्ञ
- विशेषता
- विशिष्ट
- विशेष रूप से
- धुआँरा
- चरणों
- मानक
- प्रारंभ
- शुरू
- राज्य
- राज्य के-the-कला
- फिर भी
- भंडारण
- स्टूडियो
- आपूर्ति
- आपूर्ति श्रृंखला
- सतह
- प्रणाली
- सिस्टम
- कार्य
- RSI
- दुनिया
- इसलिये
- यहाँ
- पहर
- प्रशिक्षण
- गाड़ियों
- स्थानांतरण
- परिवर्तनों
- आम तौर पर
- विश्वविद्यालय
- यूएसडी
- उपयोग
- उपयोगकर्ताओं
- उपयोगिताओं
- मूल्य
- विभिन्न
- वीडियो
- देखें
- दृष्टि
- दृश्य
- विकिपीडिया
- काम
- विश्व
- वर्ष
- आपका