تعارف
ہم نے AI اور گہری سیکھنے کے لیے کچھ فینسی اصطلاحات دیکھی ہیں، جیسے پہلے سے تربیت یافتہ ماڈل، ٹرانسفر لرننگ، وغیرہ۔ آئیے میں آپ کو ایک وسیع پیمانے پر استعمال ہونے والی ٹیکنالوجی اور سب سے اہم اور موثر: YOLOv5 کے ساتھ سیکھنے کی منتقلی سے آگاہ کرتا ہوں۔
آپ صرف ایک بار دیکھیں، یا YOLO سب سے زیادہ استعمال ہونے والے گہری سیکھنے پر مبنی آبجیکٹ کی شناخت کے طریقوں میں سے ایک ہے۔ حسب ضرورت ڈیٹاسیٹ کا استعمال کرتے ہوئے، یہ مضمون آپ کو دکھائے گا کہ اس کی تازہ ترین تغیرات میں سے ایک YOLOv5 کی تربیت کیسے کی جائے۔
سیکھنے کے مقاصد
- یہ مضمون بنیادی طور پر YOLOv5 ماڈل کو کسٹم ڈیٹاسیٹ کے نفاذ پر تربیت دینے پر توجہ مرکوز کرے گا۔
- ہم دیکھیں گے کہ پہلے سے تربیت یافتہ ماڈل کیا ہیں اور دیکھیں گے کہ منتقلی کی تعلیم کیا ہے۔
- ہم سمجھیں گے کہ YOLOv5 کیا ہے اور ہم YOLO کا ورژن 5 کیوں استعمال کر رہے ہیں۔
تو، وقت ضائع کیے بغیر، آئیے اس عمل کو شروع کرتے ہیں۔
مواد کی میز
- پہلے سے تربیت یافتہ ماڈل
- ٹرانسفر لرننگ
- YOLOv5 کیا اور کیوں؟
- ٹرانسفر لرننگ میں شامل اقدامات
- عمل
- کچھ چیلنجز جن کا آپ سامنا کر سکتے ہیں۔
- نتیجہ
پہلے سے تربیت یافتہ ماڈلز
آپ نے ڈیٹا سائنسدانوں کو "پری ٹرینڈ ماڈل" کی اصطلاح بڑے پیمانے پر استعمال کرتے ہوئے سنا ہوگا۔ یہ بتانے کے بعد کہ ڈیپ لرننگ ماڈل/نیٹ ورک کیا کرتا ہے، میں اس اصطلاح کی وضاحت کروں گا۔ ڈیپ لرننگ ماڈل ایک ایسا ماڈل ہوتا ہے جس میں مختلف تہوں کو اکٹھا کیا جاتا ہے تاکہ ایک تنہا مقصد کو پورا کیا جا سکے، جیسے کہ درجہ بندی، پتہ لگانا، وغیرہ۔ گہرے سیکھنے کے نیٹ ورک ان کو دیئے گئے ڈیٹا میں پیچیدہ ڈھانچے کو دریافت کرکے اور وزن کو فائل میں محفوظ کرکے سیکھتے ہیں۔ بعد میں اسی طرح کے کاموں کو انجام دینے کے لئے استعمال کیا جاتا ہے. پہلے سے تربیت یافتہ ماڈل پہلے سے ہی تربیت یافتہ ڈیپ لرننگ ماڈل ہیں۔ اس کا مطلب یہ ہے کہ وہ پہلے ہی لاکھوں تصاویر پر مشتمل ایک بہت بڑے ڈیٹاسیٹ پر تربیت یافتہ ہیں۔
یہ کس طرح ہے TensorFlow ویب سائٹ پہلے سے تربیت یافتہ ماڈل کی وضاحت کرتی ہے: ایک پہلے سے تربیت یافتہ ماڈل ایک محفوظ کردہ نیٹ ورک ہے جو پہلے ایک بڑے ڈیٹاسیٹ پر تربیت یافتہ تھا، عام طور پر بڑے پیمانے پر تصویر کی درجہ بندی کے کام پر۔
کچھ انتہائی بہتر اور غیر معمولی طور پر موثر پہلے سے تربیت یافتہ ماڈلز انٹرنیٹ پر دستیاب ہیں۔ مختلف کاموں کو انجام دینے کے لیے مختلف ماڈل استعمال کیے جاتے ہیں۔ کچھ پہلے سے تربیت یافتہ ماڈلز ہیں VGG-16، VGG-19، YOLOv5، YOLOv3، اور ریس نیٹ 50.
کون سا ماڈل استعمال کرنا ہے اس کا انحصار اس کام پر ہے جسے آپ انجام دینا چاہتے ہیں۔ مثال کے طور پر، اگر میں ایک پرفارم کرنا چاہتا ہوں۔ آبجیکٹ کا پتہ لگانا کام، میں YOLOv5 ماڈل استعمال کروں گا۔
ٹرانسفر لرننگ
ٹرانسفر لرننگ سب سے اہم تکنیک ہے جو ڈیٹا سائنسدان کے کام کو آسان بناتی ہے۔ ماڈل کو تربیت دینا ایک بھاری اور وقت طلب کام ہے۔ اگر ایک ماڈل کو شروع سے تربیت دی جاتی ہے، تو یہ عام طور پر بہت اچھے نتائج نہیں دیتا۔ یہاں تک کہ اگر ہم پہلے سے تربیت یافتہ ماڈل کی طرح کسی ماڈل کو تربیت دیتے ہیں، تو یہ اتنی مؤثر طریقے سے کارکردگی کا مظاہرہ نہیں کرے گا، اور ماڈل کو تربیت دینے میں ہفتوں لگ سکتے ہیں۔ اس کے بجائے، ہم پہلے سے تربیت یافتہ ماڈلز کا استعمال کر سکتے ہیں اور پہلے سے سیکھے ہوئے وزنوں کو اپنی مرضی کے مطابق ڈیٹا سیٹ پر تربیت دے کر استعمال کر سکتے ہیں تاکہ وہ اسی طرح کے کام کو انجام دے سکیں۔ یہ ماڈلز فن تعمیر اور کارکردگی کے لحاظ سے انتہائی کارآمد اور بہتر ہیں اور انہوں نے مختلف مقابلوں میں بہتر کارکردگی کا مظاہرہ کرتے ہوئے سرفہرست مقام حاصل کیا ہے۔ ان ماڈلز کو بہت بڑی مقدار میں ڈیٹا پر تربیت دی جاتی ہے، جس سے وہ علم میں مزید متنوع ہوتے ہیں۔
اس لیے ٹرانسفر لرننگ کا بنیادی مطلب ہے کہ ماڈل کو پچھلے ڈیٹا پر تربیت دے کر حاصل کردہ علم کو منتقل کرنا تاکہ ماڈل کو ایک مختلف لیکن اسی طرح کے کام کو انجام دینے کے لیے بہتر اور تیزی سے سیکھنے میں مدد ملے۔
مثال کے طور پر، آبجیکٹ کا پتہ لگانے کے لیے YOLOv5 کا استعمال، لیکن آبجیکٹ استعمال کیے گئے آبجیکٹ کے پچھلے ڈیٹا کے علاوہ کچھ اور ہے۔
YOLOv5 کیا اور کیوں؟
YOLOv5 ایک پہلے سے تربیت یافتہ ماڈل ہے جو آپ کے لیے صرف ایک بار نظر آتا ہے جب ورژن 5 کو اصل وقت میں آبجیکٹ کا پتہ لگانے کے لیے استعمال کیا جاتا ہے اور یہ درستگی اور تخمینہ وقت کے لحاظ سے انتہائی موثر ثابت ہوا ہے۔ YOLO کے دوسرے ورژن بھی ہیں، لیکن جیسا کہ کوئی پیش گوئی کرے گا، YOLOv5 دوسرے ورژن سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔ YOLOv5 تیز اور استعمال میں آسان ہے۔ یہ PyTorch فریم ورک پر مبنی ہے، جس میں Yolo v4 Darknet سے بڑی کمیونٹی ہے۔
اب ہم YOLOv5 کے فن تعمیر کو دیکھیں گے۔
ڈھانچہ مبہم نظر آ سکتا ہے، لیکن اس سے کوئی فرق نہیں پڑتا کیونکہ ہمیں فن تعمیر کو دیکھنے کی ضرورت نہیں ہے بجائے اس کے کہ ماڈل اور وزن کو براہ راست استعمال کریں۔
ٹرانسفر لرننگ میں، ہم کسٹم ڈیٹاسیٹ کا استعمال کرتے ہیں یعنی وہ ڈیٹا جو ماڈل نے پہلے کبھی نہیں دیکھا یا وہ ڈیٹا جس پر ماڈل کو تربیت نہیں دی گئی ہے۔ چونکہ ماڈل پہلے سے ہی ایک بڑے ڈیٹاسیٹ پر تربیت یافتہ ہے، ہمارے پاس پہلے سے ہی وزن موجود ہے۔ جس ڈیٹا پر ہم کام کرنا چاہتے ہیں اب ہم ماڈل کو کئی عہدوں کے لیے تربیت دے سکتے ہیں۔ تربیت کی ضرورت ہے کیونکہ ماڈل نے پہلی بار ڈیٹا دیکھا ہے اور اس کام کو انجام دینے کے لیے کچھ علم درکار ہوگا۔
ٹرانسفر لرننگ میں شامل اقدامات
منتقلی سیکھنا ایک آسان عمل ہے، اور ہم اسے چند آسان مراحل میں کر سکتے ہیں:
- ڈیٹا کی تیاری
- تشریحات کے لیے صحیح فارمیٹ
- اگر آپ چاہیں تو چند تہوں کو تبدیل کریں۔
- چند تکرار کے لیے ماڈل کو دوبارہ تربیت دیں۔
- تصدیق/ٹیسٹ
ڈیٹا کی تیاری
اگر آپ کا منتخب کردہ ڈیٹا تھوڑا بڑا ہے تو ڈیٹا کی تیاری میں وقت لگ سکتا ہے۔ ڈیٹا کی تیاری کا مطلب ہے تصاویر کی تشریح کرنا، یہ ایک ایسا عمل ہے جہاں آپ تصویر میں موجود آبجیکٹ کے ارد گرد ایک باکس بنا کر تصاویر پر لیبل لگاتے ہیں۔ ایسا کرنے سے، نشان زد آبجیکٹ کے نقاط کو ایک فائل میں محفوظ کیا جائے گا جسے پھر تربیت کے لیے ماڈل کو فیڈ کیا جائے گا۔ کچھ ویب سائٹس ہیں، جیسے makeense.ai اور roboflow.com, جو ڈیٹا کو لیبل کرنے میں آپ کی مدد کر سکتا ہے۔
یہاں یہ ہے کہ آپ makeense.ai پر YOLOv5 ماڈل کے ڈیٹا کو کیسے بیان کرسکتے ہیں۔
1. دورہ https://www.makesense.ai/.
2. اسکرین کے نیچے دائیں جانب get start پر کلک کریں۔
3. بیچ میں نمایاں کردہ باکس پر کلک کرکے ان تصاویر کو منتخب کریں جن پر آپ لیبل لگانا چاہتے ہیں۔
وہ تصاویر لوڈ کریں جن کی آپ تشریح کرنا چاہتے ہیں اور آبجیکٹ کا پتہ لگانے پر کلک کریں۔
4. تصاویر لوڈ کرنے کے بعد، آپ سے اپنے ڈیٹاسیٹ کی مختلف کلاسوں کے لیے لیبل بنانے کے لیے کہا جائے گا۔
میں گاڑی پر لائسنس پلیٹوں کا پتہ لگا رہا ہوں، اس لیے میں جو واحد لیبل استعمال کروں گا وہ ہے "لائسنس پلیٹ۔" آپ ڈائیلاگ باکس کے بائیں جانب '+' بٹن پر کلک کرکے صرف انٹر کو دبا کر مزید لیبل بنا سکتے ہیں۔
تمام لیبل بنانے کے بعد، شروع پروجیکٹ پر کلک کریں۔
اگر آپ نے کوئی لیبل چھوٹ دیا ہے، تو آپ بعد میں ایکشنز پر کلک کر کے ان میں ترمیم کر سکتے ہیں اور پھر لیبلز میں ترمیم کر سکتے ہیں۔
5. تصویر میں آبجیکٹ کے ارد گرد ایک باؤنڈنگ باکس بنانا شروع کریں۔ یہ مشق شروع میں تھوڑی تفریحی ہو سکتی ہے، لیکن بہت بڑے ڈیٹا کے ساتھ، یہ تھکا دینے والی ہو سکتی ہے۔
6. تمام امیجز کی تشریح کرنے کے بعد آپ کو اس فائل کو محفوظ کرنے کی ضرورت ہے جس میں کلاس کے ساتھ باؤنڈنگ بکس کے کوآرڈینیٹس ہوں گے۔
اس لیے آپ کو ایکشن بٹن پر جانے کی ضرورت ہے اور ایکسپورٹ تشریحات پر کلک کرنے کے لیے 'YOLO فارمیٹ میں فائلوں پر مشتمل A zip پیکیج' کے آپشن کو چیک کرنا نہ بھولیں، کیونکہ یہ YOLO ماڈل میں ضرورت کے مطابق فائلوں کو صحیح فارمیٹ میں محفوظ کرے گا۔
7. یہ ایک اہم قدم ہے، لہذا احتیاط سے اس پر عمل کریں۔
آپ کے پاس تمام فائلیں اور تصاویر ہونے کے بعد، کسی بھی نام کے ساتھ فولڈر بنائیں۔ فولڈر پر کلک کریں اور فولڈر کے اندر نام کی تصاویر اور لیبل کے ساتھ مزید دو فولڈر بنائیں۔ فولڈر کا نام اوپر کی طرح رکھنا نہ بھولیں، جیسا کہ کمانڈ میں ٹریننگ پاتھ فیڈ کرنے کے بعد ماڈل خود بخود لیبل تلاش کرتا ہے۔
آپ کو فولڈر کا اندازہ دینے کے لیے، میں نے 'CarsData' کے نام سے ایک فولڈر بنایا ہے اور اس فولڈر میں دو فولڈر بنائے ہیں - 'امیجز' اور 'لیبل'۔
دو فولڈرز کے اندر، آپ کو 'ٹرین' اور 'ویل' کے نام سے مزید دو فولڈر بنانے ہوں گے۔ امیجز فولڈر میں، آپ اپنی مرضی کے مطابق تصاویر کو تقسیم کر سکتے ہیں، لیکن لیبل کو تقسیم کرتے وقت آپ کو محتاط رہنا ہوگا، کیونکہ لیبل آپ کی تقسیم کردہ تصاویر سے مماثل ہونا چاہیے۔
8. اب فولڈر کی زپ فائل بنائیں اور اسے ڈرائیو پر اپ لوڈ کریں تاکہ ہم اسے کولاب میں استعمال کر سکیں۔
عمل
اب ہم نفاذ کے حصے کی طرف آتے ہیں جو کہ بہت آسان لیکن مشکل ہے۔ اگر آپ نہیں جانتے کہ کن فائلوں کو بالکل تبدیل کرنا ہے، تو آپ ماڈل کو کسٹم ڈیٹاسیٹ پر تربیت نہیں دے پائیں گے۔
تو یہاں وہ کوڈز ہیں جن کی پیروی آپ کو YOLOv5 ماڈل کو کسٹم ڈیٹاسیٹ پر تربیت دینے کے لیے کرنی چاہیے۔
میں تجویز کرتا ہوں کہ آپ اس ٹیوٹوریل کے لیے google colab استعمال کریں کیونکہ یہ GPU بھی فراہم کرتا ہے جو تیز کمپیوٹیشن فراہم کرتا ہے۔
1. !git clone https://github.com/ultralytics/yolov5
یہ YOLOv5 ریپوزٹری کی ایک کاپی بنائے گا جو کہ الٹرا لائٹکس کے ذریعہ تخلیق کردہ GitHub ذخیرہ ہے۔
2. cd yolov5
یہ ایک کمانڈ لائن شیل کمانڈ ہے جو موجودہ ورکنگ ڈائرکٹری کو YOLOv5 ڈائرکٹری میں تبدیل کرنے کے لیے استعمال ہوتی ہے۔
3. !pip install -r requirements.txt
یہ کمانڈ ماڈل کی تربیت میں استعمال ہونے والے تمام پیکیجز اور لائبریریوں کو انسٹال کرے گی۔
4. !ان زپ '/content/drive/MyDrive/CarsData.zip'
گوگل کولاب میں تصاویر اور لیبلز پر مشتمل فولڈر کو ان زپ کرنا
یہاں سب سے اہم مرحلہ آتا ہے…
اب آپ نے تقریباً تمام مراحل مکمل کر لیے ہیں اور آپ کو کوڈ کی ایک اور لائن لکھنے کی ضرورت ہے جو ماڈل کو تربیت دے گی، لیکن، اس سے پہلے، آپ کو اپنے حسب ضرورت ڈیٹا سیٹ کا راستہ دینے کے لیے کچھ مزید اقدامات کرنے اور کچھ ڈائریکٹریز کو تبدیل کرنے کی ضرورت ہے۔ اور اپنے ماڈل کو اس ڈیٹا پر تربیت دیں۔
یہاں آپ کو کیا کرنے کی ضرورت ہے.
مندرجہ بالا 4 مراحل کو انجام دینے کے بعد، آپ کے پاس گوگل کولاب میں yolov5 فولڈر ہوگا۔ yolov5 فولڈر میں جائیں، اور 'ڈیٹا' فولڈر پر کلک کریں۔ اب آپ کو 'coco128.yaml' نام کا فولڈر نظر آئے گا۔
آگے بڑھیں اور اس فولڈر کو ڈاؤن لوڈ کریں۔
فولڈر ڈاؤن لوڈ ہونے کے بعد، آپ کو اس میں کچھ تبدیلیاں کرنے کی ضرورت ہے اور اسے دوبارہ اسی فولڈر میں اپ لوڈ کرنا ہوگا جس سے آپ نے اسے ڈاؤن لوڈ کیا ہے۔
آئیے اب ہم نے جو فائل ڈاؤن لوڈ کی ہے اس کے مواد کو دیکھتے ہیں، اور یہ کچھ اس طرح نظر آئے گا۔
ہم اس فائل کو اپنے ڈیٹاسیٹ اور تشریحات کے مطابق اپنی مرضی کے مطابق کرنے جا رہے ہیں۔
ہم نے پہلے ہی کولاب پر ڈیٹا سیٹ کو ان زپ کر دیا ہے، اس لیے ہم اپنی ٹرین کے راستے اور توثیق کی تصاویر کاپی کرنے جا رہے ہیں۔ ٹرین کی تصاویر کے راستے کو کاپی کرنے کے بعد، جو ڈیٹاسیٹ فولڈر میں ہو گی اور کچھ اس طرح نظر آتی ہے '/content/yolov5/CarsData/images/train'، اسے coco128.yaml فائل میں پیسٹ کریں، جسے ہم نے ابھی ڈاؤن لوڈ کیا ہے۔
ٹیسٹ اور توثیق کی تصاویر کے ساتھ بھی ایسا ہی کریں۔
اب اس کے مکمل ہونے کے بعد، ہم کلاسوں کی تعداد کا ذکر کریں گے جیسے 'nc: 1'۔ اس معاملے میں، کلاسز کی تعداد صرف 1 ہے۔ پھر ہم نام کا ذکر کریں گے جیسا کہ ذیل کی تصویر میں دکھایا گیا ہے۔ باقی تمام کلاسز اور تبصرے والے حصے کو ہٹا دیں، جس کی ضرورت نہیں ہے، اس کے بعد ہماری فائل کچھ اس طرح نظر آنی چاہیے۔
اس فائل کو کسی بھی نام کے ساتھ محفوظ کریں۔ میں نے customPath.yaml کے نام سے فائل کو محفوظ کر لیا ہے اور اب اس فائل کو کولاب میں اسی جگہ پر اپ لوڈ کرتا ہوں جہاں coco128.yaml تھا۔
اب ہم ترمیمی حصے کے ساتھ کام کر چکے ہیں اور ماڈل کو تربیت دینے کے لیے تیار ہیں۔
اپنے حسب ضرورت ڈیٹاسیٹ پر چند تعاملات کے لیے اپنے ماڈل کو تربیت دینے کے لیے درج ذیل کمانڈ کو چلائیں۔
آپ نے جو فائل اپ لوڈ کی ہے اس کا نام تبدیل کرنا نہ بھولیں ('customPath.yaml)۔ آپ ان عہدوں کی تعداد کو بھی تبدیل کر سکتے ہیں جنہیں آپ ماڈل کی تربیت دینا چاہتے ہیں۔ اس معاملے میں، میں صرف 3 عہدوں کے لیے ماڈل کو تربیت دینے جا رہا ہوں۔
5. !python train.py –img 640 –batch 16 –epochs 10 –data/content/yolov5/customPath.yaml –weights yolov5s.pt
اس راستے کو ذہن میں رکھیں جہاں آپ فولڈر اپ لوڈ کرتے ہیں۔ اگر راستہ بدل دیا جائے تو حکم بالکل کام نہیں کریں گے۔
اس کمانڈ کو چلانے کے بعد، آپ کے ماڈل کو ٹریننگ شروع کر دینا چاہیے اور آپ کو اپنی سکرین پر کچھ ایسا نظر آئے گا۔
تمام عہد مکمل ہونے کے بعد، آپ کے ماڈل کو کسی بھی تصویر پر جانچا جا سکتا ہے۔
آپ detect.py فائل میں کچھ اور کسٹمائزیشن کر سکتے ہیں کہ آپ کیا محفوظ کرنا چاہتے ہیں اور کیا آپ کو پسند نہیں، لائسنس پلیٹوں کا پتہ لگانے کی جگہیں وغیرہ۔
6. !python detect.py -weight /content/yolov5/runs/train/exp/weights/best.pt -source path_of_the_image
آپ اس کمانڈ کو کچھ تصاویر پر ماڈل کی پیشین گوئی کی جانچ کرنے کے لیے استعمال کر سکتے ہیں۔
کچھ چیلنجز جن کا آپ سامنا کر سکتے ہیں۔
اگرچہ اوپر بیان کیے گئے اقدامات درست ہیں، لیکن اگر آپ ان پر عمل نہیں کرتے ہیں تو آپ کو کچھ مسائل کا سامنا کرنا پڑ سکتا ہے۔
- غلط راستہ: یہ سر درد یا مسئلہ ہو سکتا ہے۔ اگر آپ تصویر کی تربیت میں کہیں غلط راستے میں داخل ہو گئے ہیں، تو اس کی شناخت کرنا آسان نہیں ہو سکتا، اور آپ ماڈل کی تربیت نہیں کر پائیں گے۔
- لیبلز کی غلط شکل: یہ ایک وسیع مسئلہ ہے جس کا سامنا لوگوں کو YOLOv5 کی تربیت کے دوران کرنا پڑتا ہے۔ ماڈل صرف ایک فارمیٹ کو قبول کرتا ہے جس میں ہر تصویر کے اندر مطلوبہ فارمیٹ کے ساتھ اپنی ٹیکسٹ فائل ہوتی ہے۔ اکثر، ایک XLS فارمیٹ فائل یا ایک واحد CSV فائل کو نیٹ ورک پر فیڈ کیا جاتا ہے، جس کے نتیجے میں خرابی پیدا ہوتی ہے۔ اگر آپ کہیں سے ڈیٹا ڈاؤن لوڈ کر رہے ہیں، تو ہر تصویر پر تشریح کرنے کے بجائے، ایک مختلف فائل فارمیٹ ہو سکتا ہے جس میں لیبل محفوظ کیے جاتے ہیں۔ XLS فارمیٹ کو YOLO فارمیٹ میں تبدیل کرنے کے لیے یہاں ایک مضمون ہے۔ (مضمون کی تکمیل کے بعد لنک)۔
- فائلوں کا صحیح نام نہ رکھنا: فائل کا صحیح نام نہ رکھنا ایک بار پھر غلطی کا باعث بنے گا۔ فولڈرز کو نام دیتے وقت اقدامات پر توجہ دیں اور اس غلطی سے بچیں۔
نتیجہ
اس مضمون میں، ہم نے سیکھا کہ ٹرانسفر لرننگ کیا ہے اور پہلے سے تربیت یافتہ ماڈل۔ ہم نے سیکھا کہ YOLOv5 ماڈل کب اور کیوں استعمال کرنا ہے اور ماڈل کو کسٹم ڈیٹاسیٹ پر تربیت کیسے دی جائے۔ ہم نے ڈیٹاسیٹ کی تیاری سے لے کر راستے بدلنے تک اور آخر میں تکنیک کے نفاذ میں نیٹ ورک تک پہنچانے تک ہر ایک قدم سے گزرا، اور مراحل کو اچھی طرح سے سمجھا۔ ہم نے YOLOv5 کی تربیت کے دوران درپیش عام مسائل اور ان کے حل کو بھی دیکھا۔ مجھے امید ہے کہ اس مضمون نے آپ کو اپنی پہلی YOLOv5 کو حسب ضرورت ڈیٹاسیٹ پر تربیت دینے میں مدد کی ہے اور یہ کہ آپ کو مضمون پسند آیا ہے۔
متعلقہ
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://www.analyticsvidhya.com/blog/2023/02/how-to-train-a-custom-dataset-with-yolov5/
- 1
- 10
- a
- قابلیت
- اوپر
- قبول کرتا ہے
- کے مطابق
- درستگی
- اعمال
- کے بعد
- آگے
- AI
- تمام
- پہلے ہی
- مقدار
- اور
- فن تعمیر
- ارد گرد
- مضمون
- توجہ
- خود کار طریقے سے
- دستیاب
- سے اجتناب
- واپس
- کی بنیاد پر
- بنیادی طور پر
- اس سے پہلے
- نیچے
- بہتر
- بٹ
- پایان
- باکس
- باکس
- بٹن
- ہوشیار
- احتیاط سے
- کیس
- CD
- سینٹر
- چیلنجوں
- تبدیل
- تبدیلیاں
- تبدیل کرنے
- چیک کریں
- منتخب کیا
- طبقے
- کلاس
- درجہ بندی
- کوڈ
- کس طرح
- commented,en
- کامن
- کمیونٹی
- مکمل
- تکمیل
- پیچیدہ
- گنتی
- مبہم
- پر مشتمل ہے
- مواد
- تبدیل
- کاپی
- صحیح طریقے سے
- تخلیق
- بنائی
- تخلیق
- موجودہ
- اپنی مرضی کے
- اصلاح
- اپنی مرضی کے مطابق
- ڈارک نیٹ
- اعداد و شمار
- ڈیٹا کی تیاری
- ڈیٹا سائنسدان
- گہری
- گہری سیکھنے
- وضاحت کرتا ہے
- انحصار کرتا ہے
- پتہ چلا
- کھوج
- مکالمے کے
- مختلف
- براہ راست
- ڈائریکٹریز
- دریافت
- متنوع
- کر
- نہیں
- ڈاؤن لوڈ، اتارنا
- ڈرائیو
- ہر ایک
- آسانیاں
- تعلیم
- موثر
- مؤثر طریقے
- ہنر
- درج
- داخل ہوا
- زمانے
- خرابی
- وغیرہ
- بھی
- ہر کوئی
- بالکل
- مثال کے طور پر
- ورزش
- وضاحت
- وضاحت کی
- کی وضاحت
- برآمد
- غیر معمولی طور پر
- چہرہ
- سامنا
- فاسٹ
- تیز تر
- فیڈ
- کھانا کھلانا
- چند
- فائل
- فائلوں
- آخر
- پہلا
- پہلی بار
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- فارمیٹ
- فریم ورک
- سے
- مزہ
- حاصل
- GitHub کے
- دے دو
- Go
- جا
- اچھا
- گوگل
- GPU
- سر
- سنا
- مدد
- مدد
- یہاں
- روشنی ڈالی گئی
- انتہائی
- مارنا
- امید ہے کہ
- کس طرح
- کیسے
- HTTPS
- بھاری
- خیال
- شناخت
- شناخت
- تصویر
- تصاویر
- نفاذ
- اہم
- in
- ابتدائی طور پر
- انسٹال
- کے بجائے
- بات چیت
- انٹرنیٹ
- ملوث
- IT
- جان
- علم
- لیبل
- لیبل
- بڑے
- بڑے پیمانے پر
- بڑے
- تہوں
- قیادت
- جانیں
- سیکھا ہے
- سیکھنے
- لائبریریوں
- لائسنس
- لائن
- LINK
- لوڈ کر رہا ہے
- دیکھو
- دیکھا
- دیکھنا
- بنا
- بنا
- بنانا
- نشان لگا دیا گیا
- میچ
- معاملہ
- زیادہ سے زیادہ چوڑائی
- کا مطلب ہے کہ
- طریقوں
- شاید
- لاکھوں
- برا
- ماڈل
- ماڈل
- زیادہ
- سب سے زیادہ
- نام
- نامزد
- نام
- ضرورت ہے
- ضرورت
- نیٹ ورک
- نیٹ ورک
- تعداد
- اعتراض
- آبجیکٹ کا پتہ لگانا
- ایک
- اصلاح
- اختیار
- حکم
- دیگر
- خود
- پیکج
- پیکجوں کے
- حصہ
- راستہ
- ادا
- لوگ
- انجام دینے کے
- کارکردگی
- کارکردگی کا مظاہرہ
- کارکردگی کا مظاہرہ
- مقام
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پیشن گوئی
- کی پیشن گوئی
- کی تیاری
- پچھلا
- پہلے
- مسئلہ
- مسائل
- عمل
- منصوبے
- ثابت
- فراہم کرتا ہے
- مقصد
- pytorch
- تیار
- اصل وقت
- حال ہی میں
- سفارش
- بہتر
- ہٹا
- ذخیرہ
- کی ضرورت
- ضرورت
- ضروریات
- نتیجے
- نتائج کی نمائش
- رن
- اسی
- محفوظ کریں
- بچت
- سائنسدان
- سائنسدانوں
- سکرین
- خدمت
- شیل
- ہونا چاہئے
- دکھائیں
- دکھایا گیا
- اہم
- اسی طرح
- سادہ
- صرف
- بعد
- ایک
- So
- حل
- کچھ
- کچھ
- کہیں
- تقسیم
- سجا دیئے
- کھڑا ہے
- شروع کریں
- شروع
- مرحلہ
- مراحل
- ساخت
- اس طرح
- لے لو
- ٹاسک
- کاموں
- ٹیکنالوجی
- شرائط
- ٹیسٹ
- ۔
- ان
- اچھی طرح سے
- کے ذریعے
- وقت
- وقت لگتا
- کرنے کے لئے
- مل کر
- سب سے اوپر
- ٹرین
- تربیت یافتہ
- ٹریننگ
- منتقل
- منتقلی
- سبق
- عام طور پر
- سمجھ
- سمجھا
- استعمال کی شرائط
- عام طور پر
- توثیق
- مختلف
- گاڑی
- ورژن
- ویب سائٹ
- ویب سائٹ
- مہینے
- کیا
- جس
- جبکہ
- بڑے پیمانے پر
- وسیع پیمانے پر
- گے
- بغیر
- کام
- کام کر
- گا
- لکھنا
- غلط
- یامل
- Yolo کی
- اور
- زیفیرنیٹ
- زپ