> 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/models/hi/supported-models/foundad.md).

# FoundAD

Roboflow में सामान्य छवियों पर FoundAD विसंगति पहचान मॉडल प्रशिक्षित करें और उन्हें Serverless Cloud API के माध्यम से चलाएँ

FoundAD बिना उनकी तस्वीरों की आवश्यकता के दोषों का पता लगाता है। यह केवल सामान्य छवियों से सीखता है कि एक सामान्य भाग कैसा दिखता है, फिर उससे अलग किसी भी छवि को चिह्नित करता है। यह एक स्थिर DINOv3 एन्कोडर को एक छोटे predictor के साथ जोड़ता है, जिसे सामान्य छवियों की विशेषताओं को पुनर्निर्मित करने के लिए प्रशिक्षित किया गया है। जिन छवि पैचों को predictor पुनर्निर्मित नहीं कर पाता, वे anomalous होते हैं। प्रत्येक भविष्यवाणी एक "normal" या "anomalous" निर्णय, एक कच्चा anomaly score, और यह heatmap लौटाती है कि छवि कहाँ अलग है। एन्कोडर ViT-B है, इसलिए FoundAD GPU पर सबसे अच्छा चलता है। इसका inference time किसी भी training set size पर समान रहता है।

<figure><img src="https://3815805500-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-683f809344207112fede594158241aa65f00edf6%2Ffoundad-egg-anomaly-heatmap.webp?alt=media" alt="FoundAD results on a normal egg, a cracked egg, and a stained egg: the normal egg is framed in green, the cracked and stained eggs are framed in red with a heatmap on each defect"><figcaption><p>सामान्य अंडों पर प्रशिक्षित एक FoundAD मॉडल साफ अंडे को पास कर देता है और दरार वाले तथा दाग़दार अंडों को चिह्नित करता है। heatmap यह दिखाती है कि प्रत्येक छवि anomaly threshold से कहाँ ऊपर है, किनारे पर हरे रंग से लेकर सबसे तीव्र बिंदु पर लाल तक।</p></figcaption></figure>

आज़माएँ [PatchCore](https://docs.roboflow.com/models/hi/supported-models/patchcore.md) यदि आपको CPU पर तेज़ scoring चाहिए और 224×224 छवियाँ आपके दोष दिखाती हैं, तो इसका उपयोग करें। FoundAD अधिक सटीक है, खासकर जब आपके पास केवल कुछ ही सामान्य छवियाँ हों। देखें [एक anomaly detection मॉडल चुनना](https://docs.roboflow.com/models/hi/supported-tasks/anomaly-detection.md#choosing-an-anomaly-detection-model) दोनों की तुलना करने के लिए।

## FoundAD को प्रशिक्षित करें

{% stepper %}
{% step %}

### सामान्य और anomalous छवियों को लेबल करें

एक anomaly detection [प्रोजेक्ट](https://docs.roboflow.com/datasets/create-and-upload/create-a-project)को, छवियाँ अपलोड करें, और प्रत्येक को "normal" या "anomalous" के रूप में लेबल करें। आपकी अधिकतर छवियाँ सामान्य होनी चाहिए। मॉडल केवल सामान्य छवियों पर प्रशिक्षित होता है। anomalous छवियाँ निर्णय threshold तय करती हैं और सटीकता मापती हैं, इसलिए वे केवल valid और test splits में जाती हैं।
{% endstep %}

{% step %}

### एक संस्करण उत्पन्न करें

केवल auto-orient और "Stretch to" resize प्रीप्रोसेसिंग चरणों का उपयोग करें, और कोई augmentation नहीं। छवि का आकार वर्गाकार होना चाहिए, 32 से 1024 पिक्सेल तक, और 16 से विभाज्य होना चाहिए। FoundAD का डिफ़ॉल्ट 512×512 है।
{% endstep %}

{% step %}

### प्रशिक्षण शुरू करें

[एक मॉडल प्रशिक्षित करें](https://docs.roboflow.com/models/hi/train/train-a-model.md) और FoundAD चुनें। प्रशिक्षण PatchCore से अधिक समय लेता है, बड़े डेटासेट पर कई घंटों तक। प्रशिक्षण पूरा होने पर, Roboflow परीक्षण सेट पर precision, recall, और F1 रिपोर्ट करता है, उस threshold का उपयोग करके जिसे उसने प्रशिक्षण के दौरान सहेजा था।
{% endstep %}
{% endstepper %}

## FoundAD API

{% stepper %}
{% step %}

### अपनी API कुंजी प्राप्त करें

अपनी कुंजी यहाँ खोजें [Roboflow API settings पृष्ठ](https://app.roboflow.com/settings/api) और इसे अपने shell के लिए उपलब्ध कराएँ:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}

### निर्भरताएँ इंस्टॉल करें

इंस्टॉल करें [Inference SDK](https://docs.roboflow.com/deployment/self-hosted/self-hosted):

```bash
pip install -U inference-sdk
```

{% endstep %}

{% step %}

### मॉडल चलाएँ

अपने प्रशिक्षित मॉडल को उसके ID से कॉल करें (देखें [संस्करण, प्रशिक्षण, और मॉडल](https://docs.roboflow.com/models/hi/versions-trainings-and-models.md)).

```python
import os
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
).configure(InferenceConfiguration(api_key_transport="header", include_anomaly_map=True))

# "your-project/1" को अपने मॉडल ID से बदलें।
result = client.infer("my-image.jpg", model_id="your-project/1")

print(result["top"])  # "normal" या "anomalous"
print(result["anomaly_score"], result["anomaly_threshold"])
heatmap = result["anomaly_map"]  # NumPy array, बड़े मान अधिक anomalous होते हैं
```

{% endstep %}
{% endstepper %}

प्रतिक्रिया में ये फ़ील्ड हैं:

* `top`: निर्णय, "normal" या "anomalous"।
* `anomaly_score`: कच्चा स्कोर। बड़ा होने का मतलब अधिक anomalous होना है। स्कोर की कोई निश्चित सीमा नहीं है।
* `anomaly_threshold`: वह स्कोर जिस पर छवि anomalous बन जाती है, प्रशिक्षण के दौरान सहेजा गया।
* `confidence` और `predictions`: निर्णय और प्रत्येक वर्ग का confidence। "anomalous" confidence स्कोर के साथ बढ़ता है और threshold पर बिल्कुल 0.5 होता है, इसलिए यह दोष की संभावना नहीं है।
* `anomaly_map`: heatmap, केवल तब लौटाई जाती है जब आप सेट करते हैं `include_anomaly_map=True`. यह मॉडल के input size पर एक वर्गाकार array है, इसलिए इसे overlay करने के लिए अपनी छवि की चौड़ाई और ऊँचाई तक stretch करें।

{% hint style="info" %}
सेट करें `api_url` अपने deployment target से मिलान करने के लिए:

* `https://serverless.roboflow.com` Serverless Cloud API के लिए।
* `http://localhost:9001` एक स्थानीय [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) server, संस्करण 1.7.4 या बाद का।
* आपका [Dedicated Deployment](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) एक private endpoint के लिए URL।
  {% endhint %}

## Workflow में FoundAD का उपयोग करें

को जोड़ें [Anomaly Detection Model](https://docs.roboflow.com/workflows/blocks/blocks/run-a-model/anomaly-detection-model) ब्लॉक को एक [Workflow](https://docs.roboflow.com/workflows) में छवियों को स्कोर करने के लिए, फिर इसके `anomaly_map` आउटपुट को [Anomaly Heatmap Visualization](https://docs.roboflow.com/workflows/blocks/blocks/visualize-predictions/anomaly-heatmap-visualization) ब्लॉक से heatmap बनाने के लिए। Self-hosted Workflows को इन ब्लॉकों के लिए Inference 1.8.2 या बाद का संस्करण चाहिए। ब्लॉक की `confidence` पुनःप्रशिक्षण के बिना, छूटे हुए दोषों के बदले false alarms का संतुलन बनाने के लिए: अधिक छवियों को anomalous के रूप में चिह्नित करने हेतु इसे कम करें।

## लाइसेंस

FoundAD अनुसरण करता है [ymxlzgy/FoundAD](https://github.com/ymxlzgy/FoundAD) और MIT के अंतर्गत लाइसेंस प्राप्त है। इसके DINOv3 एन्कोडर वज़न इस [DINOv3 लाइसेंस](https://github.com/facebookresearch/dinov3?tab=License-1-ov-file). देखें [मॉडल लाइसेंस](https://docs.roboflow.com/models/hi/model-licenses.md#other-models).
