Amazon Recognition Custom Labels کے ساتھ زراعت کی پیداوار کی پیمائش کرنے کے لیے کمپیوٹر وژن کا استعمال کریں۔

زراعت کے شعبے میں، درختوں پر پھلوں کی مقدار کی شناخت اور گنتی کا مسئلہ فصلوں کے تخمینے میں اہم کردار ادا کرتا ہے۔ درخت کو کرائے پر دینے اور لیز پر دینے کا تصور مقبول ہوتا جا رہا ہے، جہاں ایک درخت کا مالک ہر سال پھلوں کی تخمینی پیداوار کی بنیاد پر کٹائی سے پہلے درخت کو لیز پر دیتا ہے۔ پھلوں کو دستی طور پر گننے کا عام عمل ایک وقت طلب اور محنت طلب عمل ہے۔ آپ کے فصل کے انتظام کے نظام میں بہتر نتائج حاصل کرنے کے لیے یہ سب سے مشکل لیکن اہم ترین کاموں میں سے ایک ہے۔ پھلوں اور پھولوں کی مقدار کا یہ تخمینہ کسانوں کو بہتر فیصلے کرنے میں مدد کرتا ہے — نہ صرف کرایہ پر لینے والی قیمتوں پر، بلکہ کاشت کے طریقوں اور پودوں کی بیماریوں سے بچاؤ پر بھی۔

یہ وہ جگہ ہے جہاں کمپیوٹر وژن (CV) کے لیے ایک خودکار مشین لرننگ (ML) حل کسانوں کی مدد کر سکتا ہے۔ ایمیزون ریکگنیشن کسٹم لیبلز ایک مکمل طور پر منظم کمپیوٹر ویژن سروس ہے جو ڈویلپرز کو اپنی مرضی کے مطابق ماڈل بنانے کی اجازت دیتی ہے تاکہ وہ تصاویر میں اشیاء کی درجہ بندی اور شناخت کر سکیں جو آپ کے کاروبار کے لیے مخصوص اور منفرد ہوں۔

شناخت کے حسب ضرورت لیبلز کے لیے آپ کو کمپیوٹر وژن کی پیشگی مہارت حاصل کرنے کی ضرورت نہیں ہے۔ آپ ہزاروں کی بجائے دسیوں تصاویر اپ لوڈ کر کے شروع کر سکتے ہیں۔ اگر تصاویر پر پہلے ہی لیبل لگا ہوا ہے، تو آپ صرف چند کلکس میں ماڈل کی تربیت شروع کر سکتے ہیں۔ اگر نہیں، تو آپ انہیں براہ راست Recognition Custom Labels کنسول میں لیبل لگا سکتے ہیں، یا استعمال کر سکتے ہیں۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ انہیں لیبل کرنے کے لئے. ریکگنیشن کسٹم لیبلز ٹریننگ ڈیٹا کا خود بخود معائنہ کرنے، صحیح ماڈل فریم ورک اور الگورتھم کو منتخب کرنے، ہائپر پیرامیٹر کو بہتر بنانے، اور ماڈل کو تربیت دینے کے لیے ٹرانسفر لرننگ کا استعمال کرتے ہیں۔ جب آپ ماڈل کی درستگی سے مطمئن ہو جائیں تو، آپ صرف ایک کلک کے ساتھ تربیت یافتہ ماڈل کی میزبانی شروع کر سکتے ہیں۔

اس پوسٹ میں، ہم دکھاتے ہیں کہ آپ کس طرح ریکگنیشن کسٹم لیبلز کا استعمال کرتے ہوئے زرعی پیداوار کی پیمائش کرنے کے لیے پھلوں کا پتہ لگانے اور گننے کے لیے آخر سے آخر تک حل تیار کر سکتے ہیں۔

حل جائزہ

ہم درج ذیل مراحل کا استعمال کرتے ہوئے پھلوں کا پتہ لگانے کے لیے ایک حسب ضرورت ماڈل بناتے ہیں۔

1. ایک ڈیٹاسیٹ کو ان تصاویر کے ساتھ لیبل کریں جس میں پھل کا استعمال ہو۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ.
2. Recognition Custom Labels میں ایک پروجیکٹ بنائیں۔
3. اپنا لیبل لگا ڈیٹاسیٹ درآمد کریں۔
4. ماڈل کو تربیت دیں۔
5. خودکار طور پر تیار کردہ API اینڈ پوائنٹ کا استعمال کرتے ہوئے نئے کسٹم ماڈل کی جانچ کریں۔

ریکگنیشن کسٹم لیبلز آپ کو ایمیزون ریکوگنیشن کنسول پر ایم ایل ماڈل ٹریننگ کے عمل کو منظم کرنے دیتا ہے، جو آخر سے آخر تک ماڈل کی ترقی اور انفرنس کے عمل کو آسان بناتا ہے۔

شرائط

زرعی پیداوار کی پیمائش کرنے والا ماڈل بنانے کے لیے، آپ کو پہلے اس ماڈل کو تربیت دینے کے لیے ڈیٹا سیٹ تیار کرنے کی ضرورت ہے۔ اس پوسٹ کے لیے، ہمارا ڈیٹاسیٹ پھلوں کی تصاویر پر مشتمل ہے۔ مندرجہ ذیل تصاویر کچھ مثالیں دکھاتی ہیں۔

ہم نے اپنی تصاویر اپنے باغ سے حاصل کی ہیں۔ آپ تصویری فائلوں کو سے ڈاؤن لوڈ کر سکتے ہیں۔ GitHub repo.

اس پوسٹ کے لیے، ہم پھلوں کی پیداوار کے استعمال کے کیس کو دکھانے کے لیے صرف مٹھی بھر تصاویر استعمال کرتے ہیں۔ آپ مزید تصاویر کے ساتھ مزید تجربہ کر سکتے ہیں۔

اپنا ڈیٹا سیٹ تیار کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. بنائیں ایک ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔
2. اس بالٹی کے اندر دو فولڈر بنائیں، جسے کہتے ہیں۔ raw_data اور test_dataلیبلنگ اور ماڈل ٹیسٹنگ کے لیے تصاویر کو ذخیرہ کرنے کے لیے۔
3. میں سے انتخاب کریں اپ لوڈ کریں GitHub ریپو سے ان کے متعلقہ فولڈرز میں تصاویر اپ لوڈ کرنے کے لیے۔
   

اپ لوڈ کردہ تصاویر پر لیبل نہیں لگایا گیا ہے۔ آپ مندرجہ ذیل مرحلے میں تصاویر پر لیبل لگاتے ہیں۔

زمینی سچائی کا استعمال کرتے ہوئے اپنے ڈیٹاسیٹ کو لیبل کریں۔

ایم ایل ماڈل کو تربیت دینے کے لیے، آپ کو لیبل والی تصاویر کی ضرورت ہے۔ گراؤنڈ ٹروتھ تصاویر کو لیبل کرنے کا ایک آسان عمل فراہم کرتا ہے۔ لیبلنگ کا کام انسانی افرادی قوت کے ذریعے انجام دیا جاتا ہے۔ اس پوسٹ میں، آپ ایک پرائیویٹ ورک فورس بناتے ہیں۔ آپ استعمال کر سکتے ہیں ایمیزون میکانی ترک پیمانے پر لیبلنگ کے لیے۔

لیبلنگ ورک فورس بنائیں

آئیے پہلے اپنی لیبلنگ ورک فورس بنائیں۔ درج ذیل مراحل کو مکمل کریں:

1. سیج میکر کنسول پر، نیچے زمینی حقائق نیویگیشن پین میں، منتخب کریں۔ افرادی قوت کو لیبل لگانا.
2. پر ذاتی ٹیب، منتخب کریں نجی ٹیم بنائیں.
   
3. کے لئے گروہ کا نام، اپنی افرادی قوت کے لیے ایک نام درج کریں (اس پوسٹ کے لیے، labeling-team).
4. میں سے انتخاب کریں نجی ٹیم بنائیں.
   
5. میں سے انتخاب کریں نئے کارکنوں کو مدعو کریں۔
   
   
6. میں ای میل ایڈریس کے ذریعے کارکنوں کو شامل کریں۔ سیکشن، اپنے کارکنوں کے ای میل پتے درج کریں۔ اس پوسٹ کے لیے، اپنا ای میل ایڈریس درج کریں۔
7. میں سے انتخاب کریں نئے کارکنوں کو مدعو کریں۔.
   

آپ نے ایک لیبلنگ ورک فورس بنائی ہے، جسے آپ اگلے مرحلے میں لیبلنگ جاب بناتے وقت استعمال کرتے ہیں۔

گراؤنڈ ٹروتھ لیبلنگ جاب بنائیں

اپنے لیبلنگ کے کام کو بہتر بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. سیج میکر کنسول پر، نیچے زمینی حقائقمنتخب کریں لیبلنگ نوکریاں.
2. میں سے انتخاب کریں لیبلنگ کا کام بنائیں.
   
3. کے لئے نوکری کا نام، داخل کریں fruits-detection.
4. منتخب کریں میں لیبل لگانے والے کام کے نام سے مختلف لیبل انتساب کا نام بتانا چاہتا ہوں۔.
5. کے لئے انتساب کا نام لیبل کریں۔¸ داخل کریں۔ Labels.
6. کے لئے ان پٹ ڈیٹا سیٹ اپمنتخب خودکار ڈیٹا سیٹ اپ.
7. کے لئے ان پٹ ڈیٹاسیٹس کے لیے S3 مقامآپ نے پہلے بنائی ہوئی بالٹی کا استعمال کرتے ہوئے، تصاویر کا S3 مقام درج کریں (s3://{your-bucket-name}/raw-data/images/).
8. کے لئے آؤٹ پٹ ڈیٹاسیٹس کے لیے S3 مقاممنتخب ایک نئی جگہ کی وضاحت کریں۔ اور تشریح شدہ ڈیٹا کے لیے آؤٹ پٹ لوکیشن درج کریں (s3://{your-bucket-name}/annotated-data/).
9. کے لئے ڈیٹا کی قسممنتخب کریں تصویر.
10. میں سے انتخاب کریں ڈیٹا سیٹ اپ مکمل کریں۔.
    یہ امیج مینی فیسٹ فائل بناتا ہے اور S3 ان پٹ لوکیشن پاتھ کو اپ ڈیٹ کرتا ہے۔ "ان پٹ ڈیٹا کنکشن کامیاب" پیغام کا انتظار کریں۔
    
11. توسیع اضافی ترتیب.
12. اس کی تصدیق کریں۔ مکمل ڈیٹا سیٹ منتخب کیا گیا ہے.
    اس کا استعمال یہ بتانے کے لیے کیا جاتا ہے کہ آیا آپ تمام تصاویر لیبلنگ جاب کو فراہم کرنا چاہتے ہیں یا فلٹرز یا بے ترتیب نمونوں کی بنیاد پر تصاویر کا سب سیٹ۔
    
13. کے لئے ٹاسک زمرہمنتخب کریں تصویر کیونکہ یہ تصویر کی تشریح کا کام ہے۔
14. کیونکہ یہ آبجیکٹ کا پتہ لگانے کے استعمال کا معاملہ ہے، کے لیے کام کا انتخابمنتخب باؤنڈنگ باکس.
15. دوسرے اختیارات کو بطور ڈیفالٹ چھوڑ دیں اور منتخب کریں۔ اگلے.
    
16. میں سے انتخاب کریں اگلے.
    
    اب آپ اپنے کارکنوں کی وضاحت کریں اور لیبلنگ ٹول کو ترتیب دیں۔
17. کے لئے ورکرز کی اقساممنتخب ذاتی.اس پوسٹ کے لیے، آپ تصاویر کی تشریح کے لیے اندرونی افرادی قوت کا استعمال کرتے ہیں۔ آپ کے پاس پبلک کنٹریکٹ ورک فورس کو منتخب کرنے کا اختیار بھی ہے (ایمیزون مکینیکل ترک) یا شراکت دار افرادی قوت (وینڈر کا انتظام) آپ کے استعمال کے معاملے پر منحصر ہے۔
18. پرائیویٹ ٹیموں کے لیے جو ٹیم آپ نے پہلے بنائی تھی اسے منتخب کریں۔
19. دوسرے اختیارات کو بطور ڈیفالٹ چھوڑیں اور نیچے تک سکرول کریں۔ باؤنڈنگ باکس لیبلنگ ٹولنجی لیبلنگ ٹیم کے لیے لیبلنگ ٹول میں واضح ہدایات فراہم کرنا ضروری ہے۔ یہ ہدایات لیبل لگاتے وقت تشریح کرنے والوں کے لیے رہنما کے طور پر کام کرتی ہیں۔ اچھی ہدایات جامع ہیں، اس لیے ہم تجویز کرتے ہیں کہ زبانی یا متنی ہدایات کو دو جملوں تک محدود رکھیں اور بصری ہدایات پر توجہ دیں۔ تصویر کی درجہ بندی کے معاملے میں، ہم ہدایات کے حصے کے طور پر ہر کلاس میں ایک لیبل والی تصویر فراہم کرنے کی تجویز کرتے ہیں۔
20. دو لیبل شامل کریں: fruit اور no_fruit.
21. میں تفصیلی ہدایات درج کریں۔ فراہم کرنے کے لیے تفصیل کا میدان کارکنوں کو ہدایات مثال کے طور پر: You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'.آپ اختیاری طور پر اچھی اور بری لیبلنگ امیجز کی مثالیں بھی فراہم کر سکتے ہیں۔ آپ کو یہ یقینی بنانا ہوگا کہ یہ تصاویر عوامی طور پر قابل رسائی ہیں۔
22. میں سے انتخاب کریں تخلیق کریں لیبلنگ کا کام بنانے کے لیے۔
    

کام کامیابی کے ساتھ بننے کے بعد، اگلا مرحلہ ان پٹ امیجز پر لیبل لگانا ہے۔

لیبلنگ کا کام شروع کریں۔

ایک بار جب آپ کامیابی سے جاب بنا لیتے ہیں تو نوکری کی حیثیت ہوتی ہے۔ InProgress. اس کا مطلب یہ ہے کہ ملازمت پیدا ہو جاتی ہے اور نجی افرادی قوت کو ان کے تفویض کردہ کام کے بارے میں ای میل کے ذریعے مطلع کیا جاتا ہے۔ چونکہ آپ نے یہ کام خود کو تفویض کیا ہے، آپ کو گراؤنڈ ٹروتھ لیبلنگ پروجیکٹ میں لاگ ان کرنے کے لیے ہدایات کے ساتھ ایک ای میل موصول ہونا چاہیے۔

1. ای میل کھولیں اور فراہم کردہ لنک کا انتخاب کریں۔
2. ای میل میں فراہم کردہ صارف کا نام اور پاس ورڈ درج کریں۔
   لاگ ان کے بعد آپ کو ای میل میں فراہم کردہ عارضی پاس ورڈ کو نئے پاس ورڈ میں تبدیل کرنا پڑ سکتا ہے۔
3. لاگ ان کرنے کے بعد، اپنی ملازمت کا انتخاب کریں اور منتخب کریں۔ کام شروع کرو.
   
   آپ فراہم کردہ ٹولز کو تصویروں میں زوم ان، زوم آؤٹ، منتقل کرنے اور باؤنڈنگ باکسز کھینچنے کے لیے استعمال کر سکتے ہیں۔
4. اپنا لیبل منتخب کریں (fruit or no_fruit) اور پھر اس کی تشریح کے لیے تصویر میں ایک باؤنڈنگ باکس کھینچیں۔
5. جب آپ ختم کر لیں، منتخب کریں۔ جمع کرائیں.

اب آپ نے تصاویر کو صحیح طور پر لیبل کیا ہے جو ایم ایل ماڈل کے ذریعہ تربیت کے لئے استعمال کیا جائے گا۔

اپنا Amazon Recognition پروجیکٹ بنائیں

اپنے زرعی پیداوار کی پیمائش کا منصوبہ بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. ایمیزون ریکگنیشن کنسول پر، منتخب کریں۔ کسٹم لیبلز.
2. میں سے انتخاب کریں شروع کریں.
3. کے لئے پروجیکٹ کا نام، داخل کریں fruits_yield.
4. میں سے انتخاب کریں منصوبے بنائیں.
   

آپ پر ایک پروجیکٹ بھی بنا سکتے ہیں۔ منصوبوں کی تفصیل صفحہ آپ تک رسائی حاصل کرسکتے ہیں۔ منصوبوں کی تفصیل صفحہ نیویگیشن پین کے ذریعے۔ اگلا مرحلہ ان پٹ کے طور پر تصاویر فراہم کرنا ہے۔

اپنا ڈیٹاسیٹ درآمد کریں۔

اپنے زرعی پیداوار کی پیمائش کرنے والا ماڈل بنانے کے لیے، آپ کو پہلے اس ماڈل کو تربیت دینے کے لیے ڈیٹاسیٹ درآمد کرنے کی ضرورت ہے۔ اس پوسٹ کے لیے، ہمارے ڈیٹاسیٹ پر پہلے ہی زمینی سچائی کا لیبل لگا ہوا ہے۔

1. کے لئے تصاویر درآمد کریںمنتخب سیج میکر گراؤنڈ ٹروتھ کے لیبل والی تصاویر درآمد کریں۔.
   
2. کے لئے مینی فیسٹ فائل کا مقام، اپنی مینی فیسٹ فائل کا S3 بالٹی مقام درج کریں (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. میں سے انتخاب کریں ڈیٹاسیٹ بنائیں.
   

آپ اپنا لیبل لگا ڈیٹاسیٹ دیکھ سکتے ہیں۔

اب آپ کے پاس ML ماڈل کے لیے ان پر تربیت شروع کرنے کے لیے اپنا ان پٹ ڈیٹاسیٹ ہے۔

اپنے ماڈل کو تربیت دیں۔

اپنی تصاویر پر لیبل لگانے کے بعد، آپ اپنے ماڈل کو تربیت دینے کے لیے تیار ہیں۔

1. میں سے انتخاب کریں ٹرین ماڈل.
2. کے لئے پروجیکٹ کا انتخاب کریں۔، اپنا پروجیکٹ منتخب کریں۔ fruits_yield.
3. میں سے انتخاب کریں ٹرین کا ماڈل.
   

تربیت مکمل ہونے کا انتظار کریں۔ اب آپ اس تربیت یافتہ ماڈل کی کارکردگی کی جانچ شروع کر سکتے ہیں۔

اپنے ماڈل کی جانچ کریں۔

آپ کا زرعی پیداوار کی پیمائش کا ماڈل اب استعمال کے لیے تیار ہے اور اس میں ہونا چاہیے۔ Running حالت. ماڈل کو جانچنے کے لیے، درج ذیل مراحل کو مکمل کریں:

مرحلہ 1: ماڈل شروع کریں۔

آپ کے ماڈل کی تفصیلات کے صفحے پر، پر ماڈل استعمال کریں ٹیب، منتخب کریں آغاز.

Recognition Custom Labels آپ کے ماڈل کو شروع کرنے، استعمال کرنے اور روکنے کے لیے API کالز بھی فراہم کرتا ہے۔

مرحلہ 2: ماڈل کی جانچ کریں۔

جب ماڈل میں ہے۔ Running ریاست، آپ نمونہ ٹیسٹنگ اسکرپٹ استعمال کر سکتے ہیں۔ analyzeImage.py ایک تصویر میں پھل کی مقدار شمار کرنے کے لیے۔

1. سے اس اسکرپٹ کو ڈاؤن لوڈ کریں۔ GitHub repo.
2. پیرامیٹر کو تبدیل کرنے کے لیے اس فائل میں ترمیم کریں۔ bucket آپ کے بالٹی کے نام کے ساتھ اور model آپ کے Amazon Recognition ماڈل ARN کے ساتھ۔

ہم پیرامیٹرز استعمال کرتے ہیں۔ photo اور min_confidence اس Python اسکرپٹ کے لیے بطور ان پٹ۔

آپ اس اسکرپٹ کو مقامی طور پر استعمال کر سکتے ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) یا استعمال کرنا AWS CloudShell. ہماری مثال میں، ہم نے اسکرپٹ کو CloudShell کنسول کے ذریعے چلایا۔ نوٹ کریں کہ CloudShell ہے۔ استعمال کرنے کے لئے آزاد.

کمانڈ کا استعمال کرتے ہوئے مطلوبہ انحصار کو انسٹال کرنا یقینی بنائیں pip3 install boto3 PILLOW اگر پہلے سے انسٹال نہیں ہوا ہے۔

3. فائل اپ لوڈ کریں۔ analyzeImage.py کا استعمال کرتے ہوئے CloudShell پر عوامل مینو.
   

مندرجہ ذیل اسکرین شاٹ آؤٹ پٹ کو دکھاتا ہے، جس نے ان پٹ امیج میں دو پھلوں کا پتہ لگایا۔ ہم نے تصویر کی دلیل کے طور پر 15.jpeg اور 85 کو بطور فراہم کیا۔ min_confidence قدر.

مندرجہ ذیل مثال تصویر 15.jpeg کو دو باؤنڈنگ خانوں کے ساتھ دکھاتی ہے۔

آپ اسی اسکرپٹ کو دوسری تصاویر کے ساتھ چلا سکتے ہیں اور اعتماد کے اسکور کو مزید تبدیل کر کے تجربہ کر سکتے ہیں۔

مرحلہ 3: ماڈل کو روکیں۔

جب آپ کام کر لیں تو، غیر ضروری چارجز سے بچنے کے لیے ماڈل کو روکنا یاد رکھیں۔ اپنے ماڈل کی تفصیلات کے صفحہ پر، ماڈل استعمال کریں کے ٹیب پر، اسٹاپ کو منتخب کریں۔

صاف کرو

غیر ضروری چارجز سے بچنے کے لیے، استعمال میں نہ ہونے پر اس واک تھرو میں استعمال ہونے والے وسائل کو حذف کر دیں۔ ہمیں Amazon Recognition پروجیکٹ اور S3 بالٹی کو حذف کرنے کی ضرورت ہے۔

Amazon Recognition پروجیکٹ کو حذف کریں۔

Amazon Recognition پروجیکٹ کو حذف کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. ایمیزون ریکگنیشن کنسول پر، منتخب کریں۔ حسب ضرورت لیبل استعمال کریں۔.
2. میں سے انتخاب کریں شروع کریں.
3. نیویگیشن پین میں، منتخب کریں۔ منصوبوں کی تفصیل.
4. پر منصوبوں کی تفصیل صفحہ، وہ پروجیکٹ منتخب کریں جسے آپ حذف کرنا چاہتے ہیں۔
   1. میں سے انتخاب کریں خارج کر دیں.
      ۔ پروجیکٹ کو حذف کریں۔ ڈائیلاگ باکس ظاہر ہوتا ہے.
5. اگر پروجیکٹ کا کوئی متعلقہ ماڈل نہیں ہے:
   1. درج حذف منصوبے کو حذف کرنے کے لیے۔
   2. میں سے انتخاب کریں خارج کر دیں منصوبے کو حذف کرنے کے لیے۔
6. اگر پروجیکٹ میں ماڈلز یا ڈیٹاسیٹ وابستہ ہیں:
   1. درج حذف اس بات کی تصدیق کرنے کے لیے کہ آپ ماڈل اور ڈیٹا سیٹس کو حذف کرنا چاہتے ہیں۔
   2. یا تو منتخب کریں متعلقہ ماڈلز کو حذف کریں۔, متعلقہ ڈیٹاسیٹس کو حذف کریں۔، یا متعلقہ ڈیٹاسیٹس اور ماڈلز کو حذف کریں۔اس پر منحصر ہے کہ آیا ماڈل میں ڈیٹا سیٹس، ماڈلز، یا دونوں ہیں۔

   ماڈل کو حذف کرنے میں کچھ وقت لگ سکتا ہے۔ نوٹ کریں کہ Amazon Recognition کنسول ان ماڈلز کو حذف نہیں کر سکتا جو ٹریننگ یا چل رہے ہوں۔ کسی بھی چلنے والے ماڈل کو روکنے کے بعد دوبارہ کوشش کریں جو درج ہیں، اور ٹریننگ کے طور پر درج کردہ ماڈلز مکمل ہونے تک انتظار کریں۔ اگر آپ ماڈل کو حذف کرنے کے دوران ڈائیلاگ باکس کو بند کر دیتے ہیں، تو ماڈل اب بھی حذف ہو جاتے ہیں۔ بعد میں، آپ اس طریقہ کار کو دہرا کر پروجیکٹ کو حذف کر سکتے ہیں۔

7. درج حذف اس بات کی تصدیق کرنے کے لیے کہ آپ پروجیکٹ کو حذف کرنا چاہتے ہیں۔
8. میں سے انتخاب کریں خارج کر دیں منصوبے کو حذف کرنے کے لیے۔

اپنی S3 بالٹی کو حذف کریں۔

آپ کو پہلے بالٹی کو خالی کرنا ہوگا اور پھر اسے حذف کرنا ہوگا۔

1. پر ایمیزون S3 کنسول، منتخب کریں بالٹیاں۔.
2. وہ بالٹی منتخب کریں جسے آپ خالی کرنا چاہتے ہیں، پھر منتخب کریں۔ خالی.
3. ٹیکسٹ فیلڈ میں بالٹی کا نام درج کرکے تصدیق کریں کہ آپ بالٹی کو خالی کرنا چاہتے ہیں، پھر منتخب کریں خالی.
4. میں سے انتخاب کریں خارج کر دیں.
5. ٹیکسٹ فیلڈ میں بالٹی کا نام درج کرکے تصدیق کریں کہ آپ بالٹی کو حذف کرنا چاہتے ہیں، پھر منتخب کریں۔ بالٹی کو حذف کریں۔.

نتیجہ

اس پوسٹ میں، ہم نے آپ کو دکھایا کہ شناخت کسٹم لیبلز کے ساتھ آبجیکٹ کا پتہ لگانے کا ماڈل کیسے بنایا جائے۔ یہ خصوصیت ایک حسب ضرورت ماڈل کو تربیت دینا آسان بناتی ہے جو کسی آبجیکٹ کی کلاس کا پتہ لگائے بغیر دوسری اشیاء کی وضاحت کرنے یا اس کے نتائج میں درستگی کھونے کی ضرورت کے بغیر۔

حسب ضرورت لیبل استعمال کرنے کے بارے میں مزید معلومات کے لیے، دیکھیں ایمیزون ریکگنیشن کسٹم لیبلز کیا ہے؟

---

مصنفین کے بارے میں

دھیرج ٹھاکر ایمیزون ویب سروسز کے ساتھ ایک حل آرکیٹیکٹ ہے۔ وہ AWS صارفین اور شراکت داروں کے ساتھ کام کرتا ہے تاکہ انٹرپرائز کلاؤڈ اپنانے، منتقلی اور حکمت عملی کے بارے میں رہنمائی فراہم کرے۔ وہ ٹیکنالوجی کے بارے میں پرجوش ہے اور تجزیات اور AI/ML اسپیس میں تعمیر اور تجربہ کرنے سے لطف اندوز ہوتا ہے۔

سمیر گوئل ہالینڈ میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، جو جدید اقدامات پر پروٹوٹائپس بنا کر صارفین کی کامیابی کو آگے بڑھاتا ہے۔ AWS میں شامل ہونے سے پہلے، سمیر نے ڈیٹا سائنس میں ارتکاز کے ساتھ بوسٹن سے ماسٹر ڈگری کے ساتھ گریجویشن کیا۔ وہ Raspberry Pi پر AI/ML پروجیکٹس بنانے اور تجربہ کرنے سے لطف اندوز ہوتا ہے۔ آپ اسے تلاش کر سکتے ہیں۔ لنکڈ.