اپنے Amazon Recognition Custom Labels ماڈل کو بہتر بنانے کے لیے تجاویز

اس پوسٹ میں، ہم استعمال کرتے ہوئے آپ کے کمپیوٹر ویژن ماڈلز کی کارکردگی کو بہتر بنانے کے بہترین طریقوں پر تبادلہ خیال کرتے ہیں۔ ایمیزون ریکگنیشن کسٹم لیبلز. Recognition Custom Labels تصویر کی درجہ بندی اور آبجیکٹ کا پتہ لگانے کے استعمال کے کیسز کے لیے حسب ضرورت کمپیوٹر ویژن ماڈلز بنانے کے لیے ایک مکمل طور پر منظم سروس ہے۔ Recognition Custom Labels پہلے سے تربیت یافتہ ماڈلز سے بنتا ہے۔ ایمیزون پہچان۔، جو پہلے ہی کئی زمروں میں دسیوں لاکھوں تصاویر پر تربیت یافتہ ہیں۔ ہزاروں تصاویر کے بجائے، آپ تربیتی تصاویر کے ایک چھوٹے سیٹ (چند سو یا اس سے کم) کے ساتھ شروع کر سکتے ہیں جو آپ کے استعمال کے معاملے کے لیے مخصوص ہیں۔ شناخت حسب ضرورت لیبل اپنی مرضی کے ماڈل کی تعمیر میں شامل پیچیدگی کو دور کرتے ہیں۔ یہ خود بخود تربیتی ڈیٹا کا معائنہ کرتا ہے، صحیح ML الگورتھم کا انتخاب کرتا ہے، مثال کی قسم کا انتخاب کرتا ہے، متعدد امیدواروں کے ماڈلز کو مختلف ہائپر پیرامیٹر سیٹنگز کے ساتھ تربیت دیتا ہے، اور بہترین تربیت یافتہ ماڈل کو آؤٹ پٹ کرتا ہے۔ Recognition Custom Labels سے استعمال میں آسان انٹرفیس بھی فراہم کرتا ہے۔ AWS مینجمنٹ کنسول پورے ML ورک فلو کو منظم کرنے کے لیے، بشمول تصاویر کو لیبل لگانا، ماڈل کو تربیت دینا، ماڈل کی تعیناتی، اور ٹیسٹ کے نتائج کا تصور کرنا۔

ایسے اوقات ہوتے ہیں جب ماڈل کی درستگی بہترین نہیں ہوتی ہے، اور آپ کے پاس ماڈل کے کنفیگریشن پیرامیٹرز کو ایڈجسٹ کرنے کے بہت سے اختیارات نہیں ہوتے ہیں۔ پردے کے پیچھے متعدد عوامل ہیں جو اعلیٰ کارکردگی کا مظاہرہ کرنے والے ماڈل کی تعمیر میں کلیدی کردار ادا کرتے ہیں، جیسے کہ درج ذیل:

• تصویر کا زاویہ
• تصویری حل
• تصویری پہلو کا تناسب
• روشنی کی نمائش
• پس منظر کی وضاحت اور وشدت
• رنگین کے برعکس
• نمونہ ڈیٹا سائز

پروڈکشن گریڈ ریکوگنیشن کسٹم لیبلز ماڈل کو تربیت دینے کے لیے درج ذیل عمومی اقدامات ہیں:

1. درجہ بندی کا جائزہ لیں۔ - یہ ان صفات/آئٹمز کی فہرست کی وضاحت کرتا ہے جن کی آپ تصویر میں شناخت کرنا چاہتے ہیں۔
2. متعلقہ ڈیٹا اکٹھا کریں۔ - یہ سب سے اہم مرحلہ ہے، جہاں آپ کو متعلقہ تصاویر جمع کرنے کی ضرورت ہے جو آپ کو پیداواری ماحول میں نظر آنے والی چیزوں سے مشابہت دینی چاہیے۔ اس میں مختلف پس منظر، روشنی، یا کیمرے کے زاویوں والی اشیاء کی تصاویر شامل ہو سکتی ہیں۔ اس کے بعد آپ جمع کردہ تصاویر کو تقسیم کرکے ایک ٹریننگ اور ٹیسٹنگ ڈیٹاسیٹ بناتے ہیں۔ آپ کو ٹیسٹنگ ڈیٹاسیٹ کے حصے کے طور پر صرف حقیقی دنیا کی تصاویر شامل کرنی چاہئیں، اور اس میں مصنوعی طور پر تیار کردہ کوئی بھی تصویر شامل نہیں کرنی چاہیے۔ آپ کے جمع کردہ ڈیٹا کی تشریحات ماڈل کی کارکردگی کے لیے اہم ہیں۔ اس بات کو یقینی بنائیں کہ باؤنڈنگ بکس اشیاء کے گرد تنگ ہیں اور لیبل درست ہیں۔ ہم اس پوسٹ میں بعد میں مناسب ڈیٹا سیٹ بناتے وقت کچھ نکات پر تبادلہ خیال کر سکتے ہیں جن پر آپ غور کر سکتے ہیں۔
3. ٹریننگ میٹرکس کا جائزہ لیں۔ - ماڈل کو تربیت دینے اور F1 سکور، درستگی، اور یاد کرنے کے لیے ٹریننگ میٹرکس کا جائزہ لینے کے لیے پچھلے ڈیٹا سیٹس کا استعمال کریں۔ ہم بعد میں اس پوسٹ میں ٹریننگ میٹرکس کا تجزیہ کرنے کے طریقہ کے بارے میں تفصیل سے بات کریں گے۔
4. تربیت یافتہ ماڈل کا اندازہ لگائیں۔ - پیشین گوئیوں کا اندازہ لگانے کے لیے معلوم لیبلز کے ساتھ غیر دیکھی ہوئی تصاویر (ماڈل کی تربیت کے لیے استعمال نہیں کیے گئے) کا ایک سیٹ استعمال کریں۔ یہ قدم ہمیشہ اس بات کو یقینی بنانے کے لیے انجام دیا جانا چاہیے کہ ماڈل پیداواری ماحول میں توقع کے مطابق کارکردگی کا مظاہرہ کرے۔
5. دوبارہ تربیت (اختیاری) - عام طور پر، کسی بھی مشین لرننگ ماڈل کی تربیت مطلوبہ نتائج حاصل کرنے کے لیے ایک تکراری عمل ہے، کمپیوٹر ویژن ماڈل اس سے مختلف نہیں ہے۔ مرحلہ 4 میں نتائج کا جائزہ لیں، یہ دیکھنے کے لیے کہ آیا تربیتی اعداد و شمار میں مزید تصاویر شامل کرنے کی ضرورت ہے اور مندرجہ بالا مراحل 3 – 5 کو دہرائیں۔

اس پوسٹ میں، ہم آپ کے ماڈل کی کارکردگی کو بہتر بنانے کے لیے متعلقہ ڈیٹا اکٹھا کرنے (مرحلہ 2) اور آپ کے تربیت یافتہ میٹرکس (مرحلہ 3) کا جائزہ لینے کے بہترین طریقوں پر توجہ مرکوز کرتے ہیں۔

متعلقہ ڈیٹا اکٹھا کریں۔

یہ پروڈکشن گریڈ ریکوگنیشن کسٹم لیبلز ماڈل کی تربیت کا سب سے اہم مرحلہ ہے۔ خاص طور پر، دو ڈیٹاسیٹس ہیں: تربیت اور جانچ۔ ٹریننگ ڈیٹا ماڈل کی تربیت کے لیے استعمال کیا جاتا ہے، اور آپ کو ایک مناسب تربیتی سیٹ بنانے کی کوشش خرچ کرنے کی ضرورت ہے۔ شناخت کے حسب ضرورت لیبلز کے ماڈلز کو بہتر بنایا گیا ہے۔ F1 سکور اپنے پروجیکٹ کے لیے درست ترین ماڈل منتخب کرنے کے لیے ٹیسٹنگ ڈیٹاسیٹ پر۔ لہذا، ایک ٹیسٹنگ ڈیٹاسیٹ کو درست کرنا ضروری ہے جو حقیقی دنیا سے مشابہت رکھتا ہو۔

تصاویر کی تعداد

ہم تجویز کرتے ہیں کہ فی لیبل کم از کم 15-20 تصاویر ہوں۔ آپ کے استعمال کے معاملے کی عکاسی کرنے والے زیادہ تغیرات کے ساتھ مزید تصاویر رکھنے سے ماڈل کی کارکردگی بہتر ہوگی۔

متوازن ڈیٹاسیٹ

مثالی طور پر، ڈیٹاسیٹ میں ہر لیبل میں نمونوں کی ایک جیسی تعداد ہونی چاہیے۔ فی لیبل تصاویر کی تعداد میں بڑے پیمانے پر تفاوت نہیں ہونا چاہیے۔ مثال کے طور پر، ایک ڈیٹاسیٹ جہاں ایک لیبل کے لیے تصاویر کی سب سے زیادہ تعداد 1,000 بمقابلہ دوسرے لیبل کے لیے 50 امیجز ایک غیر متوازن ڈیٹا سیٹ سے ملتی ہے۔ ہم کم سے کم تصاویر والے لیبل کے درمیان 1:50 کے یک طرفہ تناسب والے منظرناموں سے گریز کرنے کی تجویز کرتے ہیں بمقابلہ تصاویر کی سب سے زیادہ تعداد والے لیبل۔

مختلف قسم کی تصاویر

ٹریننگ اور ٹیسٹ ڈیٹاسیٹ میں ایسی تصاویر شامل کریں جو آپ حقیقی دنیا میں استعمال کر رہے ہوں گے۔ مثال کے طور پر، اگر آپ رہنے والے کمرے بمقابلہ سونے کے کمرے کی تصاویر کی درجہ بندی کرنا چاہتے ہیں، تو آپ کو دونوں کمروں کی خالی اور فرنشڈ تصاویر کو شامل کرنا چاہیے۔

ذیل میں ایک فرنشڈ لونگ روم کی ایک مثال تصویر ہے۔

اس کے برعکس، مندرجہ ذیل ایک غیر فرنیچر رہنے والے کمرے کی مثال ہے۔

ذیل میں فرنشڈ بیڈ روم کی ایک مثال تصویر ہے۔

ذیل میں ایک غیر فرنیچر بیڈروم کی ایک مثال کی تصویر ہے۔

مختلف پس منظر

مختلف پس منظر والی تصاویر شامل کریں۔ قدرتی سیاق و سباق کے ساتھ تصاویر سادہ پس منظر سے بہتر نتائج فراہم کر سکتی ہیں۔

ذیل میں گھر کے سامنے والے صحن کی ایک مثال کی تصویر ہے۔

ذیل میں ایک مختلف پس منظر کے ساتھ ایک مختلف گھر کے سامنے کے صحن کی ایک مثال کی تصویر ہے۔

روشنی کے مختلف حالات

مختلف روشنی کے ساتھ تصاویر شامل کریں تاکہ یہ روشنی کے مختلف حالات کا احاطہ کرے جو اندازہ کے دوران ہوتی ہیں (مثال کے طور پر، فلیش کے ساتھ اور بغیر)۔ آپ مختلف سنترپتی، رنگت اور چمک کے ساتھ تصاویر بھی شامل کر سکتے ہیں۔

ذیل میں عام روشنی کے نیچے پھول کی ایک مثال کی تصویر ہے۔

اس کے برعکس، مندرجہ ذیل تصویر روشن روشنی کے نیچے ایک ہی پھول کی ہے۔

مختلف زاویہ

شے کے مختلف زاویوں سے لی گئی تصاویر شامل کریں۔ اس سے ماڈل کو اشیاء کی مختلف خصوصیات سیکھنے میں مدد ملتی ہے۔

درج ذیل تصاویر مختلف زاویوں سے ایک ہی بیڈروم کی ہیں۔

ایسے مواقع ہوسکتے ہیں جہاں مختلف اقسام کی تصاویر حاصل کرنا ممکن نہ ہو۔ ان حالات میں، تربیتی ڈیٹاسیٹ کے حصے کے طور پر مصنوعی تصاویر تیار کی جا سکتی ہیں۔ عام تصویر بڑھانے کی تکنیکوں کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ ڈیٹا کو بڑھانا.

منفی لیبلز شامل کریں۔

تصویر کی درجہ بندی کے لیے، منفی لیبلز شامل کرنے سے ماڈل کی درستگی کو بڑھانے میں مدد مل سکتی ہے۔ مثال کے طور پر، آپ ایک منفی لیبل شامل کر سکتے ہیں، جو کسی بھی مطلوبہ لیبل سے مماثل نہیں ہے۔ مندرجہ ذیل تصویر مکمل طور پر بڑھے ہوئے پھولوں کی شناخت کے لیے استعمال ہونے والے مختلف لیبلز کی نمائندگی کرتی ہے۔

منفی لیبل شامل کرنا not_fully_grown ماڈل کو ایسی خصوصیات سیکھنے میں مدد کرتا ہے جو اس کا حصہ نہیں ہیں۔ fully_grown لیبل

لیبل کی الجھن کو سنبھالنا

ٹریننگ یا ٹیسٹنگ ڈیٹاسیٹ میں چھوٹ جانے والے نمونوں کو پہچاننے کے لیے ٹیسٹ ڈیٹاسیٹ پر نتائج کا تجزیہ کریں۔ بعض اوقات تصاویر کو بصری طور پر جانچ کر اس طرح کے نمونوں کو تلاش کرنا آسان ہوتا ہے۔ مندرجہ ذیل تصویر میں، ماڈل گھر کے پچھواڑے بمقابلہ پیٹیو لیبل کے درمیان حل کرنے کے لیے جدوجہد کر رہا ہے۔

اس منظر نامے میں، ڈیٹاسیٹ میں ان لیبلز میں مزید تصاویر شامل کرنا اور لیبلز کی دوبارہ وضاحت کرنا تاکہ ہر لیبل الگ ہو ماڈل کی درستگی کو بڑھانے میں مدد کر سکتا ہے۔

ڈیٹا میں اضافہ

ریکگنیشن کسٹم لیبلز کے اندر، ہم ماڈل ٹریننگ کے لیے مختلف ڈیٹا کو بڑھاتے ہیں، بشمول تصویر کی بے ترتیب تراشنا، رنگوں میں جھنجھلاہٹ، بے ترتیب گاوسی شور، اور بہت کچھ۔ آپ کے مخصوص استعمال کے معاملات کی بنیاد پر، یہ آپ کے تربیتی ڈیٹا میں مزید واضح ڈیٹا اضافہ کرنا بھی فائدہ مند ثابت ہو سکتا ہے۔ مثال کے طور پر، اگر آپ رنگین اور سیاہ اور سفید دونوں تصاویر میں جانوروں کا پتہ لگانے میں دلچسپی رکھتے ہیں، تو آپ تربیتی ڈیٹا میں انہی تصاویر کے سیاہ اور سفید اور رنگین ورژن شامل کر کے ممکنہ طور پر بہتر درستگی حاصل کر سکتے ہیں۔

ہم ٹیسٹنگ ڈیٹا میں اضافے کی سفارش نہیں کرتے ہیں جب تک کہ اضافہ آپ کے پروڈکشن کے استعمال کے معاملات کی عکاسی نہ کرے۔

ٹریننگ میٹرکس کا جائزہ لیں۔

F1 سکور، درستگی، یاد کرنا، اور فرض شدہ حد ہیں۔ میٹرکس جو کہ Recognition Custom Labels کا استعمال کرتے ہوئے ماڈل کو تربیت دینے کے آؤٹ پٹ کے طور پر تیار کیا جاتا ہے۔ فراہم کردہ ٹیسٹنگ ڈیٹاسیٹ کی بنیاد پر ماڈلز کو بہترین F1 سکور کے لیے بہتر بنایا گیا ہے۔ فرض شدہ حد بھی ٹیسٹنگ ڈیٹاسیٹ کی بنیاد پر تیار کی جاتی ہے۔ آپ اپنی کاروباری ضرورت کی بنیاد پر درستگی یا یاد کرنے کے لحاظ سے حد کو ایڈجسٹ کر سکتے ہیں۔

چونکہ فرض شدہ حدیں ٹیسٹنگ ڈیٹاسیٹ پر سیٹ کی گئی ہیں، اس لیے ایک مناسب ٹیسٹ سیٹ کو حقیقی دنیا کی پیداوار کے استعمال کے معاملے کی عکاسی کرنی چاہیے۔ اگر ٹیسٹ ڈیٹاسیٹ استعمال کے معاملے کا نمائندہ نہیں ہے، تو آپ اپنی حقیقی دنیا کی تصاویر پر مصنوعی طور پر اعلی F1 سکور اور خراب ماڈل کی کارکردگی دیکھ سکتے ہیں۔

ماڈل کی ابتدائی تشخیص کرتے وقت یہ میٹرکس مددگار ثابت ہوتے ہیں۔ پروڈکشن گریڈ سسٹم کے لیے، ہم ماڈل کو ایک بیرونی ڈیٹاسیٹ (500–1,000 غیر دیکھی ہوئی تصاویر) حقیقی دنیا کے نمائندے کے خلاف جانچنے کی تجویز کرتے ہیں۔ اس سے اس بات کا اندازہ کرنے میں مدد ملتی ہے کہ ماڈل کس طرح پروڈکشن سسٹم میں کارکردگی کا مظاہرہ کرے گا اور کسی بھی گمشدہ نمونوں کی نشاندہی کرے گا اور ماڈل کو دوبارہ تربیت دے کر ان کو درست کرے گا۔ اگر آپ کو F1 اسکورز اور بیرونی تشخیص کے درمیان کوئی مماثلت نظر آتی ہے، تو ہم آپ کو یہ جانچنے کی تجویز کرتے ہیں کہ آیا آپ کا ٹیسٹ ڈیٹا حقیقی دنیا کے استعمال کے معاملے کی عکاسی کر رہا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے آپ کو شناخت کے حسب ضرورت لیبلز کے ماڈلز کو بہتر بنانے کے بہترین طریقوں سے آگاہ کیا۔ ہم آپ کو اس بارے میں مزید جاننے کی ترغیب دیتے ہیں۔ شناخت حسب ضرورت لیبلز اور اسے اپنے کاروبار کے مخصوص ڈیٹا سیٹس کے لیے آزمائیں۔

---

مصنفین کے بارے میں

امت گپتا AWS میں ایک سینئر AI سروسز سلوشنز آرکیٹیکٹ ہیں۔ وہ بڑے پیمانے پر اچھی طرح سے تعمیر شدہ مشین لرننگ سلوشنز کے ساتھ صارفین کو فعال کرنے کا پرجوش ہے۔

یوگیش چترویدی کمپیوٹر ویژن پر توجہ کے ساتھ AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ کلاؤڈ ٹیکنالوجیز کا استعمال کرتے ہوئے گاہکوں کے ساتھ ان کے کاروباری چیلنجوں سے نمٹنے کے لیے کام کرتا ہے۔ کام سے باہر، وہ پیدل سفر، سفر، اور کھیل دیکھنے سے لطف اندوز ہوتا ہے۔

ہاؤ یانگ ایمیزون ریکگنیشن کسٹم لیبلز ٹیم میں ایک سینئر اپلائیڈ سائنٹسٹ ہے۔ اس کی بنیادی تحقیقی دلچسپیاں اعتراضات کا پتہ لگانا اور محدود تشریحات کے ساتھ سیکھنا ہیں۔ باہر کے کاموں میں، ہاؤ کو فلمیں، فوٹو گرافی اور بیرونی سرگرمیاں دیکھنے کا لطف آتا ہے۔

پشمین مستری ایمیزون ریکگنیشن کسٹم لیبلز کے سینئر پروڈکٹ مینیجر ہیں۔ کام سے باہر، پشمین کو مہم جوئی کے سفر، فوٹو گرافی، اور اپنے خاندان کے ساتھ وقت گزارنے کا لطف آتا ہے۔