> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/get-started/hi/guides/model-training.md).

# मॉडल प्रशिक्षण

यह गाइड आपको 30 सेकंड के वीडियो से एक प्रशिक्षित ऑब्जेक्ट डिटेक्शन मॉडल तक ले जाती है, जिसे आप API से कॉल कर सकते हैं। Roboflow वीडियो से फ़्रेम खींचता है, Auto Label बॉक्स बनाता है, और डेटासेट पर मॉडल को प्रशिक्षित करता है। इस उदाहरण में हम आलू का पता लगाने वाला मॉडल बनाएँगे, लेकिन आप इसमें अपना स्वयं का ऑब्जेक्ट बदल सकते हैं।

{% stepper %}
{% step %}

### एक प्रोजेक्ट बनाएँ

में साइन इन करें [app.roboflow.com](https://app.roboflow.com)पर, या यदि आपके पास खाता नहीं है तो एक खाता बनाएँ। "Projects" टैब खोलें और एक [प्रोजेक्ट](https://docs.roboflow.com/datasets/create-and-upload/create-a-project)बनाएँ। यह गाइड Object Detection प्रोजेक्ट प्रकार और Traditional annotation tool का उपयोग करती है।

{% embed url="<https://media.roboflow.com/quickstart/step1.mp4>" %}
{% endstep %}

{% step %}

### अपना डेटा अपलोड करें

[अपना डेटा अपलोड करें](https://docs.roboflow.com/datasets/create-and-upload/adding-data) प्रोजेक्ट में। Roboflow इमेज, वीडियो, annotation files, और PDFs लेता है। यह गाइड 30 सेकंड का वीडियो अपलोड करती है और उससे 1.4 फ़्रेम प्रति सेकंड निकालती है, जिससे 42 इमेज मिलती हैं। यदि आपके पास अभी कोई डेटा नहीं है, तो आप [Roboflow Universe से एक डेटासेट इम्पोर्ट](https://docs.roboflow.com/datasets/create-and-upload/adding-data/roboflow-universe) कर सकते हैं।

{% embed url="<https://media.roboflow.com/quickstart/step2.mp4>" %}
{% endstep %}

{% step %}

### Auto Label के साथ लेबल करें

चुनें [Auto Label](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/auto-label) और एक class name या अपने ऑब्जेक्ट का छोटा विवरण टाइप करें (यहाँ: `आलू`). हम confidence threshold को डिफ़ॉल्ट से थोड़ा अधिक सेट करेंगे। उच्च threshold का मतलब है कि Auto Label केवल वही बॉक्स रखता है जिसके बारे में उसे पूरा भरोसा होता है। इससे कुछ आलू छूट सकते हैं, लेकिन review के दौरान छूटा हुआ बॉक्स जोड़ना, गलत बॉक्स ठीक करने से तेज़ होता है।

{% embed url="<https://media.roboflow.com/quickstart/step3-autolabel.mp4>" %}
{% endstep %}

{% step %}

### annotation की समीक्षा करें

हर इमेज पर Auto Label के काम की जाँच करें। यदि बॉक्स सही लगें, तो इमेज को approve करें (`A`)। यदि नहीं, तो आप मैन्युअल रूप से या [Smart Select](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/smart-select)के साथ बॉक्स हटा, ठीक, या जोड़ सकते हैं, जो तब आपके लिए बॉक्स बनाता है जब आप किसी ऑब्जेक्ट पर क्लिक करते हैं। हम सभी 42 इमेज पर जाएँगे ताकि सभी approve हो जाएँ।

{% embed url="<https://media.roboflow.com/quickstart/step4-verify-labelassist.mp4>" %}
{% endstep %}

{% step %}

### एक version बनाएँ और ट्रेन करें

हम approve की गई इमेज को आपके डेटासेट में जोड़ते हैं और [उन्हें train, validation, और test सेट में विभाजित करते हैं](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version). हम [RF-DETR](https://docs.roboflow.com/models/supported-models/rf-detr) (Medium) का उपयोग करेंगे, क्योंकि यह Roboflow द्वारा बनाया गया तेज़ और सटीक detection model है। फिर एक डेटासेट version बनाएँ और training शुरू करें।

जब मॉडल train हो रहा हो, तो आप [लाइव training graphs](https://docs.roboflow.com/models/evaluate/training-results)देख सकते हैं। यह मॉडल लगभग 45 मिनट में पूरा होता है, और पूरा होने पर आपको एक ईमेल मिलता है। इसके [evaluation metrics](https://docs.roboflow.com/models/evaluate/evaluate-trained-models) (mAP, precision, recall, और F1) देखने के लिए मॉडल खोलें।

{% embed url="<https://media.roboflow.com/quickstart/step5-version-training.mp4>" %}
{% endstep %}

{% step %}

### मॉडल डिप्लॉय करें

अब आप मॉडल चला सकते हैं। इसे किसी [वर्कफ़्लो](https://docs.roboflow.com/workflows)में उपयोग करें, या इसे अकेले डिप्लॉय करें। यह गाइड cloud-hosted [Serverless Hosted API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api)का उपयोग करती है। अपने मॉडल के deploy page पर, Python script कॉपी करें, dependencies इंस्टॉल करें, उसे अपनी किसी इमेज पर point करें, और चलाएँ। यह script मॉडल की predictions को JSON के रूप में प्रिंट करती है।

{% embed url="<https://media.roboflow.com/quickstart/step6-deploy.mp4>" %}
{% endstep %}

{% step %}

### परिणामों को विज़ुअलाइज़ करें

bounding boxes देखने के लिए, उन्हें इमेज पर [supervision](https://supervision.roboflow.com)के साथ बनाएं, जो Roboflow की open-source annotation library है। इसे इंस्टॉल करें `pip install supervision`से, फिर JSON predictions लोड करें और प्रत्येक आलू के चारों ओर एक बॉक्स बनाएं। मूल Python script में ये पंक्तियाँ जोड़ें:

```python
detections = sv.Detections.from_inference(result)

image = cv2.imread(image_path)
image = sv.BoxAnnotator().annotate(image, detections)

cv2.imwrite("annotated.jpg", image)
```

प्रत्येक बॉक्स मॉडल द्वारा पाए गए एक आलू को चिह्नित करता है:

<figure><img src="/files/2a78873a6e98496c4350839dfda35852962bc13f" alt="Potatoes on a conveyor, each marked with a bounding box"><figcaption><p>supervision के साथ एक फ़्रेम पर खींची गई प्रशिक्षित मॉडल की predictions.</p></figcaption></figure>
{% endstep %}
{% endstepper %}

## आगे कहाँ जाएँ

* एक [वर्कफ़्लो](https://docs.roboflow.com/workflows/build/create-a-workflow) बनाएँ ताकि उसे logic, visualizations, और अन्य steps के साथ जोड़ा जा सके।
* अपने स्वयं के hardware पर मॉडल चलाएँ। देखें [मॉडल को स्थानीय रूप से चलाएँ](/get-started/hi/guides/run-a-model-locally.md); आपको अपनी version page से model\_id चाहिए (हमारे मामले में वह है `erikrf/potatoes-daysm-1-rfdetr-medium-t1`).
* वीडियो streams पर मॉडल चलाएँ। देखें [वीडियो पर मॉडल चलाएँ](/get-started/hi/guides/run-a-model-on-a-video.md).
* और अधिक इमेज लेबल करके तथा फिर से ट्रेनिंग करके सटीकता बढ़ाएँ। देखें [प्रशिक्षित मॉडलों का मूल्यांकन करें](https://docs.roboflow.com/models/evaluate/evaluate-trained-models).