ML কিট সহ কাস্টম মডেল

ডিফল্টরূপে, ML Kit-এর APIগুলি Google প্রশিক্ষিত মেশিন লার্নিং মডেলগুলি ব্যবহার করে৷ এই মডেলগুলি বিস্তৃত অ্যাপ্লিকেশনগুলিকে কভার করার জন্য ডিজাইন করা হয়েছে। যাইহোক, কিছু ব্যবহারের ক্ষেত্রে আরও লক্ষ্যযুক্ত মডেলের প্রয়োজন হয়। এই কারণেই কিছু ML Kit APIs এখন আপনাকে কাস্টম TensorFlow Lite মডেলগুলির সাথে ডিফল্ট মডেলগুলি প্রতিস্থাপন করার অনুমতি দেয়৷

ইমেজ লেবেলিং এবং অবজেক্ট ডিটেকশন অ্যান্ড ট্র্যাকিং এপিআই উভয়ই কাস্টম ইমেজ ক্লাসিফিকেশন মডেলের জন্য সমর্থন অফার করে। এগুলি TensorFlow Hub-এ উচ্চ-মানের প্রাক-প্রশিক্ষিত মডেলের বা টেনসরফ্লো, অটোএমএল ভিশন এজ বা টেনসরফ্লো লাইট মডেল মেকারের সাথে প্রশিক্ষিত আপনার নিজস্ব কাস্টম মডেলের নির্বাচনের সাথে সামঞ্জস্যপূর্ণ।

আপনার যদি অন্যান্য ডোমেন বা ব্যবহারের ক্ষেত্রে একটি কাস্টম সমাধানের প্রয়োজন হয়, তাহলে ডিভাইসে মেশিন লার্নিং-এর জন্য Google-এর সমস্ত সমাধান এবং টুলগুলির বিষয়ে নির্দেশনার জন্য অন-ডিভাইস মেশিন লার্নিং পৃষ্ঠাটি দেখুন।

কাস্টম মডেলের সাথে এমএল কিট ব্যবহারের সুবিধা

ML Kit এর সাথে একটি কাস্টম ইমেজ ক্লাসিফিকেশন মডেল ব্যবহার করার সুবিধাগুলি হল:

  • সহজে ব্যবহারযোগ্য উচ্চ স্তরের API - নিম্ন-স্তরের মডেল ইনপুট/আউটপুট নিয়ে কাজ করার প্রয়োজন নেই, ছবি প্রি-/পোস্ট-প্রসেসিং বা প্রসেসিং পাইপলাইন তৈরি করা।
  • নিজেকে লেবেল ম্যাপিং নিয়ে চিন্তা করার দরকার নেই , ML Kit TFLite মডেল মেটাডেটা থেকে লেবেলগুলি বের করে এবং আপনার জন্য ম্যাপিং করে৷
  • টেনসরফ্লো হাবে প্রকাশিত প্রাক-প্রশিক্ষিত মডেল থেকে শুরু করে টেনসরফ্লো, অটোএমএল ভিশন এজ বা টেনসরফ্লো লাইট মডেল মেকারের সাথে প্রশিক্ষিত নতুন মডেল পর্যন্ত বিস্তৃত উত্স থেকে কাস্টম মডেলগুলিকে সমর্থন করে ।
  • Firebase এর সাথে হোস্ট করা মডেলগুলিকে সমর্থন করে । চাহিদা অনুযায়ী মডেল ডাউনলোড করে APK আকার হ্রাস করে। আপনার অ্যাপ পুনপ্রকাশ না করেই মডেল আপডেটগুলি পুশ করুন এবং Firebase রিমোট কনফিগারেশনের মাধ্যমে সহজ A/B টেস্টিং করুন৷
  • অ্যান্ড্রয়েডের ক্যামেরা APIগুলির সাথে একীকরণের জন্য অপ্টিমাইজ করা হয়েছে৷

এবং, বিশেষ করে অবজেক্ট ডিটেকশন এবং ট্র্যাকিং এর জন্য:

  • প্রথমে বস্তুগুলি সনাক্ত করে শ্রেণিবিন্যাস নির্ভুলতা উন্নত করুন এবং শুধুমাত্র সম্পর্কিত চিত্র এলাকায় শ্রেণীবিভাগ চালান।
  • আপনার ব্যবহারকারীদের বস্তুগুলি সনাক্ত করা এবং শ্রেণীবদ্ধ করা হচ্ছে সে সম্পর্কে অবিলম্বে প্রতিক্রিয়া প্রদান করে একটি রিয়েল-টাইম ইন্টারেক্টিভ অভিজ্ঞতা প্রদান করুন ৷

একটি প্রাক-প্রশিক্ষিত চিত্র শ্রেণীবিভাগ মডেল ব্যবহার করুন

আপনি প্রাক-প্রশিক্ষিত টেনসরফ্লো লাইট মডেলগুলি ব্যবহার করতে পারেন, যদি তারা মানদণ্ডের একটি সেট পূরণ করে। TensorFlow Hub-এর মাধ্যমে আমরা যাচাইকৃত মডেলের একটি সেট অফার করছি - Google বা অন্যান্য মডেল নির্মাতাদের থেকে - যা এই মানদণ্ডগুলি পূরণ করে৷

TensorFlow Hub-এ প্রকাশিত একটি মডেল ব্যবহার করুন

টেনসরফ্লো হাব বিস্তৃত প্রাক-প্রশিক্ষিত চিত্র শ্রেণিবিন্যাসের মডেল অফার করে - বিভিন্ন মডেল নির্মাতাদের থেকে - যেগুলি চিত্র লেবেলিং এবং অবজেক্ট ডিটেকশন এবং ট্র্যাকিং API-এর সাথে ব্যবহার করা যেতে পারে। এই পদক্ষেপগুলি অনুসরণ করুন.

  1. এমএল কিট সামঞ্জস্যপূর্ণ মডেলের সংগ্রহ থেকে একটি মডেল বেছে নিন।
  2. মডেলের বিবরণ পৃষ্ঠা থেকে .tflite মডেল ফাইলটি ডাউনলোড করুন। যেখানে উপলব্ধ, মেটাডেটা সহ একটি মডেল বিন্যাস চয়ন করুন৷
  3. ইমেজ লেবেলিং এপিআই বা অবজেক্ট ডিটেকশন অ্যান্ড ট্র্যাকিং এপিআই- এর জন্য আমাদের গাইড অনুসরণ করুন কিভাবে আপনার প্রোজেক্টের সাথে মডেল ফাইল বান্ডেল করবেন এবং আপনার অ্যান্ড্রয়েড বা iOS অ্যাপ্লিকেশনে এটি ব্যবহার করবেন।

আপনার নিজস্ব ইমেজ শ্রেণীবিভাগ মডেল প্রশিক্ষণ

যদি কোনও প্রাক-প্রশিক্ষিত চিত্র শ্রেণিবিন্যাসের মডেল আপনার প্রয়োজনের সাথে খাপ খায় না, তবে আপনার নিজস্ব টেনসরফ্লো লাইট মডেলকে প্রশিক্ষণ দেওয়ার বিভিন্ন উপায় রয়েছে, যার মধ্যে কয়েকটি নীচে আরও বিশদে বর্ণনা করা হয়েছে এবং আলোচনা করা হয়েছে।

আপনার নিজস্ব ইমেজ শ্রেণীবিভাগ মডেল প্রশিক্ষণের বিকল্প
অটোএমএল ভিশন এজ
  • Google Cloud AI এর মাধ্যমে অফার করা হয়েছে
  • অত্যাধুনিক চিত্র শ্রেণীবিভাগের মডেল তৈরি করুন
  • কার্যক্ষমতা এবং আকারের মধ্যে সহজেই মূল্যায়ন করুন
টেনসরফ্লো লাইট মডেল মেকার
  • একটি মডেলকে পুনরায় প্রশিক্ষিত করুন (ট্রান্সফার লার্নিং), কম সময় নেয় এবং স্ক্র্যাচ থেকে একটি মডেলকে প্রশিক্ষণ দেওয়ার চেয়ে কম ডেটার প্রয়োজন হয়
একটি টেনসরফ্লো মডেলকে টেনসরফ্লো লাইটে রূপান্তর করুন
  • টেনসরফ্লো দিয়ে একটি মডেলকে প্রশিক্ষণ দিন এবং তারপরে এটিকে টেনসরফ্লো লাইটে রূপান্তর করুন

অটোএমএল ভিশন এজ

AutoML Vision Edge ব্যবহার করে প্রশিক্ষিত ছবি শ্রেণীবিভাগ মডেলগুলি ইমেজ লেবেলিং এবং অবজেক্ট ডিটেকশন এবং ট্র্যাকিং API API-এর কাস্টম মডেল দ্বারা সমর্থিত। এই APIগুলি Firebase মডেল স্থাপনার সাথে হোস্ট করা মডেলগুলির ডাউনলোড সমর্থন করে৷

আপনার Android এবং iOS অ্যাপে AutoML Vision Edge-এর সাথে প্রশিক্ষিত মডেল কীভাবে ব্যবহার করবেন সে সম্পর্কে আরও জানতে, আপনার ব্যবহারের ক্ষেত্রে নির্ভর করে প্রতিটি API-এর জন্য কাস্টম মডেল নির্দেশিকা অনুসরণ করুন।

টেনসরফ্লো লাইট মডেল মেকার

TFLite মডেল মেকার লাইব্রেরি একটি টেনসরফ্লো নিউরাল-নেটওয়ার্ক মডেলকে বিশেষ ইনপুট ডেটাতে অভিযোজিত এবং রূপান্তর করার প্রক্রিয়াটিকে সহজ করে যখন এই মডেলটি ডিভাইসে এমএল অ্যাপ্লিকেশনের জন্য স্থাপন করে। আপনি TensorFlow Lite Model Maker-এর সাথে ছবির শ্রেণীবিভাগের জন্য Colab অনুসরণ করতে পারেন।

আপনার অ্যান্ড্রয়েড এবং iOS অ্যাপে মডেল মেকারের সাথে প্রশিক্ষিত একটি মডেল কীভাবে ব্যবহার করবেন সে সম্পর্কে আরও জানতে, আপনার ব্যবহারের ক্ষেত্রে নির্ভর করে ইমেজ লেবেলিং API বা অবজেক্ট ডিটেকশন এবং ট্র্যাকিং API- এর জন্য আমাদের নির্দেশিকা অনুসরণ করুন।

টেনসরফ্লো লাইট কনভার্টার ব্যবহার করে তৈরি করা মডেল

আপনার যদি বিদ্যমান টেনসরফ্লো ইমেজ ক্লাসিফিকেশন মডেল থাকে, তাহলে আপনি টেনসরফ্লো লাইট কনভার্টার ব্যবহার করে এটিকে রূপান্তর করতে পারেন। অনুগ্রহ করে নিশ্চিত করুন যে তৈরি করা মডেলটি নীচের সামঞ্জস্যের প্রয়োজনীয়তা পূরণ করে।

আপনার অ্যান্ড্রয়েড এবং iOS অ্যাপে টেনসরফ্লো লাইট মডেল কীভাবে ব্যবহার করবেন সে সম্পর্কে আরও জানতে, আপনার ব্যবহারের ক্ষেত্রে নির্ভর করে ইমেজ লেবেলিং এপিআই বা অবজেক্ট ডিটেকশন অ্যান্ড ট্র্যাকিং এপিআই- এর জন্য আমাদের গাইড অনুসরণ করুন।

টেনসরফ্লো লাইট মডেলের সামঞ্জস্য

আপনি যেকোনো প্রাক-প্রশিক্ষিত টেনসরফ্লো লাইট ইমেজ ক্লাসিফিকেশন মডেল ব্যবহার করতে পারেন, যদি এটি এই প্রয়োজনীয়তাগুলি পূরণ করে:

টেনসর

  • নিম্নলিখিত সীমাবদ্ধতা সহ মডেলটিতে শুধুমাত্র একটি ইনপুট টেনসর থাকতে হবে:
    • ডেটা RGB পিক্সেল ফরম্যাটে রয়েছে।
    • ডেটা UINT8 বা FLOAT32 টাইপ। যদি ইনপুট টেনসরের ধরন FLOAT32 হয়, তবে এটি মেটাডেটা সংযুক্ত করে স্বাভাবিককরণ বিকল্পগুলি নির্দিষ্ট করতে হবে।
    • টেনসরের 4টি মাত্রা রয়েছে: BxHxWxC, যেখানে:
      • B ব্যাচের আকার। এটি অবশ্যই 1 হতে হবে (বড় ব্যাচের অনুমান সমর্থিত নয়)।
      • W এবং H হল ইনপুট প্রস্থ এবং উচ্চতা।
      • C হল প্রত্যাশিত চ্যানেলের সংখ্যা। এটি 3 হতে হবে।
  • মডেলটিতে এন ক্লাস সহ কমপক্ষে একটি আউটপুট টেনসর এবং 2 বা 4 মাত্রা থাকতে হবে:
    • (1xN)
    • (1x1x1xN)
  • বর্তমানে শুধুমাত্র একক-হেড মডেল সম্পূর্ণরূপে সমর্থিত। মাল্টি-হেড মডেলগুলি অপ্রত্যাশিত ফলাফল দিতে পারে।

মেটাডেটা

আপনি TensorFlow Lite ফাইলে মেটাডেটা যোগ করতে পারেন যেমনটি ব্যাখ্যা করা হয়েছে TensorFlow Lite মডেলে মেটাডেটা যোগ করা ।

FLOAT32 ইনপুট টেনসর সহ একটি মডেল ব্যবহার করতে, আপনাকে অবশ্যই মেটাডেটাতে স্বাভাবিককরণ বিকল্পগুলি নির্দিষ্ট করতে হবে।

আমরা আপনাকে আউটপুট টেনসর টেনসরমেটাডেটাতে এই মেটাডেটা সংযুক্ত করার পরামর্শ দিই:

  • TENSOR_AXIS_LABELS টাইপ সহ একটি অ্যাসোসিয়েটেড ফাইল হিসাবে প্রতিটি আউটপুট শ্রেণীর নাম নির্দিষ্ট করে একটি লেবেল মানচিত্র (অন্যথায় শুধুমাত্র সংখ্যাসূচক আউটপুট শ্রেণীর সূচকগুলি ফেরত দেওয়া যেতে পারে)
  • একটি ডিফল্ট স্কোর থ্রেশহোল্ড যার নীচে ফলাফলগুলিকে খুব কম আত্মবিশ্বাস হিসাবে বিবেচনা করা হয়, ScoreThresholdingOptions সহ একটি ProcessUnit হিসাবে