> 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/roboflow/roboflow-hi/datasets/dataset-health-check.md).
# Dataset Health Check
Dataset Health Check किसी project से जुड़े dataset के बारे में आँकड़ों की एक श्रृंखला दिखाता है। आप निम्न जानकारी देख सकते हैं:
* आपके dataset में images की संख्या;
* annotations की संख्या;
* औसत image size;
* मध्यिका image ratio;
* missing annotations की संख्या;
* null annotations की संख्या;
* आपके dataset में image dimensions;
* Object count histogram, और;
* annotation locations का heatmap.
Dataset Health Check का उपयोग करके, आप अपने dataset के बारे में कई तरह की insights प्राप्त कर सकते हैं। उदाहरण के लिए, यदि आपके पास कोई null annotations नहीं हैं, तो आप जिस project पर काम कर रहे हैं उसके आधार पर कुछ जोड़ने पर विचार कर सकते हैं; यदि कुछ images में missing annotations हैं, तो आप आगे जाकर आवश्यक annotations जोड़ सकते हैं।
किसी project के लिए Health Check देखने के लिए, Dataset page खोलें और "Health Check" tab पर क्लिक करें:
इसके बाद Health Check tab खुल जाएगा:
इस page पर, आप देख सकते हैं:
* आपके train, test, और valid datasets में images के भीतर classes की संख्या का विवरण।
* आपके dataset में images के sizes और aspect ratios का overview।
* एक heatmap जो दिखाती है कि आपकी annotations का अधिकांश भाग कहाँ है।
* एक histogram जो दिखाता है कि आपके dataset की प्रत्येक image में कितनी classes annotated हैं।
### Dimension Insights
Dimension Insights section आपके dataset में raw images के sizes और aspect ratios का वर्णन करती है।
यदि आप project version बनाते समय Resize augmentation लागू करते हैं — जिसे हम लगभग सभी use cases के लिए दृढ़ता से अनुशंसा करते हैं — तो आपकी version में images का size बदला जाएगा, लेकिन raw images वही रहेंगी।
### Annotation Heat Map
जब आप किसी model को train कर रहे होते हैं, तब यह महत्वपूर्ण है कि आपका dataset उन परिस्थितियों का प्रतिनिधित्व करे जिनमें आपका model deploy किया जाएगा।
यदि आपका model ऐसे environment में deploy किया जाएगा जहाँ annotations camera frame में कहीं भी दिखाई दे सकते हैं — उदाहरण के लिए, एक factory line पर जहाँ अलग-अलग sizes की objects real time में चल रही हों, या किसी object की phone पर ली गई image में — तो यह महत्वपूर्ण है कि आप उन objects को annotate करें जो image के अलग-अलग स्थानों पर दिखाई देते हैं।
image के अलग-अलग हिस्सों में objects को label करने से यह सुनिश्चित होगा कि आपका model केवल विशिष्ट स्थानों पर objects की पहचान करना सीखकर overfit न हो।
Annotation Heat Map यह दिखाती है कि images में annotations अधिक कहाँ हैं और कम कहाँ हैं। इसका उपयोग उन scenarios की पहचान करने के लिए किया जा सकता है जहाँ आपके dataset की annotations किसी विशेष स्थान पर बहुत अधिक केंद्रित हैं।
Heat Map में किसी area पर drag करके आप चुने गए range में images देख सकते हैं:
### Image के अनुसार Object Count का Histogram
यह आपको दिखाता है कि प्रत्येक image में annotated objects की संख्या का distribution कैसा है।
यदि आपके model से गुज़रने वाली images में किसी object के multiple instances हो सकते हैं, तो हम अनुशंसा करते हैं कि आपका dataset ऐसे images शामिल करे जिनमें object instances की अलग-अलग संख्याएँ हों। इससे यह सुनिश्चित करने में मदद मिलेगी कि आपका model no, one, या multiple objects of interest वाली images पर अच्छी तरह generalise कर सके।
यहाँ histogram का एक example है:
आप histogram पर किसी भी bar को चुनकर किसी दिए गए count वाली images देख सकते हैं: