परिवर्तनों की पहचान करें

embeddings के माध्यम से पिछले डेटा की तुलना में परिवर्तनों की पहचान करें।

एम्बेडिंग वेक्टरों को समय के साथ ट्रैक करके, कोसाइन समानता में बदलावों को मापकर, परिवर्तन-दर सांख्यिकी की गणना करके, और जब परिवर्तन अपेक्षित से तेज़ या धीमे हों तो विसंगतियों को चिह्नित करके, ऐतिहासिक मानकों की तुलना में असामान्य दरों पर डेटा पैटर्न बदलते हैं, इसका पता लगाएँ और परिवर्तनों की पहचान करें; यह परिवर्तन पहचान, विसंगति निगरानी, परिवर्तन-दर विश्लेषण, और समयगत पैटर्न पहचान कार्यप्रवाहों के लिए उपयोगी है.

यह ब्लॉक कैसे काम करता है

यह ब्लॉक यह निगरानी करके परिवर्तनों का पता लगाता है कि एम्बेडिंग समय के साथ कितनी तेज़ी से बदलते हैं और वर्तमान परिवर्तन-दर की तुलना ऐतिहासिक पैटर्नों से करता है। यह ब्लॉक:

1. वर्तमान डेटा बिंदु की विशेषताओं का प्रतिनिधित्व करने वाला एक एम्बेडिंग वेक्टर प्राप्त करता है

2. एम्बेडिंग को इकाई लंबाई पर सामान्यीकृत करता है:

   • कोसाइन समानता गणनाओं के लिए एम्बेडिंग को इकाई वेक्टर (लंबाई = 1) में बदलता है

   • दूरी-आधारित मेट्रिक्स के बजाय कोणीय समानता का उपयोग करके तुलना सक्षम करता है

   • शून्य वेक्टरों को सामान्यीकरण छोड़कर सहजता से संभालता है

3. नमूना संख्या और वार्मअप स्थिति को ट्रैक करता है:

   • प्रत्येक संसाधित एम्बेडिंग के लिए नमूना काउंटर बढ़ाता है

   • निर्धारित करता है कि क्या यह अभी भी वार्मअप अवधि में है (नमूने < वार्मअप पैरामीटर)

   • वार्मअप के दौरान, आधाररेखा स्थापित करने के लिए कोई आउट्लायर पहचाने नहीं जाते

4. निम्नलिखित तीन रणनीतियों में से किसी एक का उपयोग करके एम्बेडिंग औसत और मानक विचलन के लिए चलती सांख्यिकी बनाए रखता है:

   घातीय चल औसत (EMA) रणनीति के लिए:

   • स्मूथिंग फैक्टर के साथ घातीय चल औसत का उपयोग करके औसत और विचरण को अद्यतन करता है

   • अधिक हाल की एम्बेडिंग को अधिक भार मिलता है (स्मूथिंग फैक्टर द्वारा नियंत्रित)

   • ऐतिहासिक संदर्भ बनाए रखते हुए हालिया रुझानों के अनुसार तेजी से अनुकूलित होता है

   • स्मूथिंग फैक्टर प्रतिक्रिया-क्षमता निर्धारित करता है (उच्च = हालिया परिवर्तनों के प्रति अधिक प्रतिक्रियाशील)

   सरल चल औसत (SMA) रणनीति के लिए:

   • चलित माध्य और विचरण की गणना करने के लिए Welford की विधि का उपयोग करता है

   • सभी ऐतिहासिक नमूने सांख्यिकी में समान रूप से योगदान करते हैं

   • समय के साथ स्थिर, निष्पक्ष अनुमान प्रदान करता है

   • सुसंगत, दीर्घकालिक ट्रैकिंग के लिए उपयुक्त

   स्लाइडिंग विंडो रणनीति के लिए:

   • हालिया एम्बेडिंग की एक निश्चित आकार की विंडो (window_size) बनाए रखता है

   • जब विंडो आकार से अधिक हो जाती है, तो सबसे पुरानी एम्बेडिंग हटा देता है (FIFO)

   • केवल विंडो की सामग्री से ही माध्य और मानक विचलन की गणना करता है

   • पुरानी जानकारी को त्यागते हुए हालिया रुझानों के अनुसार तेजी से अनुकूलित होता है

5. वर्तमान एम्बेडिंग और चलित औसत के बीच कोसाइन समानता की गणना करता है:

   • मापता है कि वर्तमान एम्बेडिंग सामान्य एम्बेडिंग पैटर्न के कितनी समान है

   • कोसाइन समानता -1 (विपरीत) से 1 (समान) तक होती है

   • 1 के निकट मान दर्शाते हैं कि एम्बेडिंग मानक के समान है

   • 1 से दूर मान दर्शाते हैं कि एम्बेडिंग मानक से भिन्न है

6. कोसाइन समानता सांख्यिकी की निगरानी करके परिवर्तन-दर को ट्रैक करता है:

   • कोसाइन समानता मानों का चलित औसत और मानक विचलन बनाए रखता है

   • कोसाइन समानता ट्रैकिंग के लिए वही रणनीति (EMA, SMA, या स्लाइडिंग विंडो) उपयोग करता है

   • ऐतिहासिक परिवर्तन दरों की तुलना में एम्बेडिंग कितनी तेज़ी से बदल रहे हैं, इसे मापता है

   • औसत परिवर्तन दर और परिवर्तन दरों में भिन्नता दोनों को ट्रैक करता है

7. वर्तमान कोसाइन समानता के लिए z-स्कोर की गणना करता है:

   • मापता है कि वर्तमान कोसाइन समानता औसत से कितने मानक विचलन दूर है

   • Z-स्कोर = (वर्तमान_कोसाइन_समानता - औसत_कोसाइन_समानता) / std_कोसाइन_समानता

   • सकारात्मक z-स्कोर सामान्य से तेज़ परिवर्तनों का संकेत देते हैं

   • ऋणात्मक z-स्कोर सामान्य से धीमे परिवर्तनों का संकेत देते हैं

8. z-स्कोर को परसेंटाइल में बदलता है:

   • z-स्कोर को परसेंटाइल स्थिति में बदलने के लिए त्रुटि फलन (erf) का उपयोग करता है

   • परसेंटाइल दर्शाता है कि वर्तमान परिवर्तन-दर ऐतिहासिक दरों में कहाँ रैंक करती है

   • 0.0 के निकट मान असामान्य रूप से धीमे परिवर्तनों (निम्न परसेंटाइल) को दर्शाते हैं

   • 1.0 के निकट मान असामान्य रूप से तेज़ परिवर्तनों (उच्च परसेंटाइल) को दर्शाते हैं

9. परसेंटाइल सीमा के आधार पर आउट्लायर स्थिति निर्धारित करता है:

   • यदि परसेंटाइल threshold_percentile/2 से कम हो तो आउट्लायर के रूप में चिह्नित करता है (असामान्य रूप से धीमे परिवर्तन)

   • यदि परसेंटाइल (1 - threshold_percentile/2) से अधिक हो तो आउट्लायर के रूप में चिह्नित करता है (असामान्य रूप से तेज़ परिवर्तन)

   • असामान्य रूप से तेज़ और असामान्य रूप से धीमी दोनों प्रकार की परिवर्तन दरों का पता लगाता है

10. अगले इटरेशन के लिए चलती सांख्यिकी को अद्यतन करता है:

    • चयनित रणनीति का उपयोग करके एम्बेडिंग औसत और मानक विचलन को अद्यतन करता है

    • चयनित रणनीति का उपयोग करके कोसाइन समानता औसत और मानक विचलन को अद्यतन करता है

    • वर्कफ़्लो निष्पादन के बीच स्थिति बनाए रखता है

11. छह आउटपुट लौटाता है:

    • आउटलायर-स्थिति: यह दर्शाने वाला बूलियन फ़्लैग कि परिवर्तन-दर असामान्य है या नहीं

    • परसेंटाइल: फ़्लोट मान (0.0-1.0) जो दर्शाता है कि परिवर्तन-दर ऐतिहासिक रूप से कहाँ रैंक करती है

    • z-स्कोर: औसत परिवर्तन-दर से मानक विचलनों को दर्शाने वाला फ़्लोट मान

    • औसत: वर्तमान औसत एम्बेडिंग वेक्टर (ऐतिहासिक एम्बेडिंग का चलित औसत)

    • मानक विचलन: एम्बेडिंग के लिए वर्तमान मानक विचलन वेक्टर (प्रति आयाम परिवर्तनशीलता)

    • वार्मअप: यह दर्शाने वाला बूलियन फ़्लैग कि क्या अभी भी वार्मअप अवधि में है

यह ब्लॉक परिवर्तन-दर की निगरानी करता है, केवल आउट्लायर का पता नहीं लगाता। यह ट्रैक करता है कि एम्बेडिंग कितनी तेज़ी से बदल रहे हैं और इसकी तुलना ऐतिहासिक परिवर्तन पैटर्नों से करता है। जब एम्बेडिंग अतीत की तुलना में बहुत तेज़ या बहुत धीमे बदलते हैं, तो ब्लॉक इसे असामान्य के रूप में चिह्नित करता है। यह अचानक पैटर्न बदलावों, दृश्यों में अप्रत्याशित परिवर्तनों, या असामान्य व्यवहार पैटर्नों का पता लगाने के लिए आदर्श है। तीन रणनीतियाँ (EMA, SMA, स्लाइडिंग विंडो) प्रतिक्रियाशीलता और स्थिरता के बीच अलग-अलग संतुलन प्रदान करती हैं.

सामान्य उपयोग के मामले

• परिवर्तन पहचान: दृश्यों, परिवेशों, या पैटर्नों में अप्रत्याशित परिवर्तन का पता लगाएँ (जैसे, दृश्य परिवर्तन का पता लगाना, अचानक पैटर्न बदलावों की पहचान, अप्रत्याशित पर्यावरणीय परिवर्तनों को चिह्नित करना), जिससे परिवर्तन पहचान कार्यप्रवाह सक्षम होते हैं

• विसंगति निगरानी: व्यवहार या पैटर्नों में असामान्य परिवर्तनों की निगरानी करें (जैसे, असामान्य व्यवहार परिवर्तनों का पता लगाना, असामान्य पैटर्न भिन्नताओं की निगरानी, अप्रत्याशित परिवर्तन-दरों को चिह्नित करना), जिससे विसंगति निगरानी कार्यप्रवाह सक्षम होते हैं

• परिवर्तन-दर विश्लेषण: डेटा स्ट्रीम में परिवर्तन की असामान्य दरों का विश्लेषण और पता लगाएँ (जैसे, असामान्य रूप से तेज़ परिवर्तनों का पता लगाना, असामान्य रूप से धीमे परिवर्तनों की पहचान, परिवर्तन-दर पैटर्नों की निगरानी), जिससे परिवर्तन-दर विश्लेषण कार्यप्रवाह सक्षम होते हैं

• समयगत पैटर्न पहचान: यह पहचानें कि समयगत पैटर्न अपेक्षित परिवर्तन दरों से कब भटकते हैं (जैसे, पैटर्न व्यवधानों का पता लगाना, समयरेखा विसंगतियों की पहचान, समयगत असंगतियों को चिह्नित करना), जिससे समयगत पैटर्न पहचान कार्यप्रवाह सक्षम होते हैं

• गुणवत्ता निगरानी: गुणवत्ता या विशेषताओं में अप्रत्याशित परिवर्तनों की निगरानी करें (जैसे, गुणवत्ता ह्रास का पता लगाना, अप्रत्याशित गुणवत्ता परिवर्तनों की पहचान, विशेषता भिन्नताओं की निगरानी), जिससे गुणवत्ता निगरानी कार्यप्रवाह सक्षम होते हैं

• इवेंट पहचान: असामान्य परिवर्तन दरों के आधार पर महत्वपूर्ण घटनाओं का पता लगाएँ (जैसे, महत्वपूर्ण घटनाओं का पता लगाना, महत्वपूर्ण परिवर्तनों की पहचान, उल्लेखनीय पैटर्न बदलावों को चिह्नित करना), जिससे इवेंट पहचान कार्यप्रवाह सक्षम होते हैं

अन्य ब्लॉक्स से कनेक्ट करना

यह ब्लॉक एम्बेडिंग प्राप्त करता है और आउट्लायर-स्थिति, परसेंटाइल, z-स्कोर, औसत, मानक विचलन, तथा वार्मअप आउटपुट उत्पन्न करता है:

• एम्बेडिंग मॉडल ब्लॉकों के बाद (CLIP, Perception Encoder, आदि) एम्बेडिंग से परिवर्तन दरों का विश्लेषण करने के लिए (जैसे, CLIP एम्बेडिंग से परिवर्तनों का पता लगाना, Perception Encoder परिवर्तन दरों का विश्लेषण, एम्बेडिंग-आधारित परिवर्तनों की निगरानी), जिससे एम्बेडिंग-से-परिवर्तन कार्यप्रवाह सक्षम होते हैं

• वर्गीकरण या पहचान ब्लॉकों के बाद एम्बेडिंग के साथ असामान्य परिवर्तन पैटर्नों की पहचान करने के लिए (जैसे, असामान्य पहचान परिवर्तनों का पता लगाना, विसंगत वर्गीकरण परिवर्तनों को चिह्नित करना, पूर्वानुमान पैटर्न परिवर्तनों की निगरानी), जिससे पूर्वानुमान-से-परिवर्तन कार्यप्रवाह सक्षम होते हैं

• लॉजिक ब्लॉक्स से पहले जैसे Continue If, ताकि परिवर्तन पहचान के आधार पर निर्णय लिए जा सकें (जैसे, यदि परिवर्तन पता चले तो जारी रखें, परिवर्तन दर के आधार पर फ़िल्टर करें, असामान्य परिवर्तनों पर कार्रवाइयाँ ट्रिगर करें), जिससे परिवर्तन-आधारित निर्णय कार्यप्रवाह सक्षम होते हैं

• सूचना ब्लॉकों से पहले परिवर्तन पहचान पर अलर्ट देने के लिए (जैसे, महत्वपूर्ण परिवर्तनों पर अलर्ट, पैटर्न बदलावों के बारे में सूचित करें, परिवर्तन विसंगतियों पर अलर्ट ट्रिगर करें), जिससे परिवर्तन-आधारित सूचना कार्यप्रवाह सक्षम होते हैं

• डेटा संग्रहण ब्लॉकों से पहले परिवर्तन संबंधी जानकारी रिकॉर्ड करने के लिए (जैसे, परिवर्तन डेटा लॉग करना, परिवर्तन सांख्यिकी संग्रहीत करना, परिवर्तन-दर मेट्रिक्स रिकॉर्ड करना), जिससे परिवर्तन डेटा लॉगिंग कार्यप्रवाह सक्षम होते हैं

• निगरानी पाइपलाइनों में जहाँ परिवर्तन पहचान सतत निगरानी का हिस्सा है (जैसे, अवलोकन प्रणालियों में परिवर्तनों की निगरानी, पैटर्न भिन्नताओं पर नज़र रखना, निगरानी कार्यप्रवाहों में विसंगतियों का पता लगाना), जिससे परिवर्तन निगरानी कार्यप्रवाह सक्षम होते हैं

आवश्यकताएँ

इस ब्लॉक को इनपुट के रूप में एम्बेडिंग की आवश्यकता होती है (आमतौर पर CLIP या Perception Encoder जैसे एम्बेडिंग मॉडल ब्लॉकों से)। यह ब्लॉक वर्कफ़्लो निष्पादन के बीच आंतरिक स्थिति बनाए रखता है, एम्बेडिंग और कोसाइन समानता मानों दोनों के लिए चलती सांख्यिकी को ट्रैक करता है। वार्मअप अवधि के दौरान (पहले वार्मअप नमूनों), कोई आउट्लायर पहचाने नहीं जाते और ब्लॉक is_outlier=False, percentile=0.5, तथा warming_up=True लौटाता है। वार्मअप के बाद, ब्लॉक चुनी गई रणनीति (EMA, SMA, या Sliding Window) का उपयोग करके सांख्यिकी ट्रैक करता है और परिवर्तन-दर असामान्यताओं का पता लगाता है। threshold_percentile पैरामीटर (0.0-1.0) संवेदनशीलता को नियंत्रित करता है - कम मान केवल अत्यधिक परिवर्तन दरों का पता लगाते हैं, जबकि अधिक मान अधिक मध्यम विचलनों का पता लगाते हैं। रणनीति का चयन प्रतिक्रियाशीलता को प्रभावित करता है: EMA हालिया रुझानों के अनुसार जल्दी अनुकूलित होता है, SMA स्थिर दीर्घकालिक ट्रैकिंग प्रदान करता है, और Sliding Window जल्दी अनुकूलित होता है लेकिन पुरानी जानकारी को त्याग देता है। यह ब्लॉक सुसंगत एम्बेडिंग मॉडलों के साथ सबसे अच्छा काम करता है और आपके डेटा में अपेक्षित भिन्नता और परिवर्तन पैटर्नों के आधार पर threshold_percentile और strategy में समायोजन की आवश्यकता हो सकती है.

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/identify_changes@v1 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	वर्कफ़्लोज़ में चरण का विशिष्ट नाम।	❌
रणनीति	str	एम्बेडिंग और परिवर्तन-दर सांख्यिकी को ट्रैक करने के लिए सांख्यिकीय रणनीति। 'घातीय चल औसत (EMA)': हालिया रुझानों के अनुसार जल्दी अनुकूलित होता है, हालिया डेटा को अधिक भार देता है। 'सरल चल औसत (SMA)': स्थिर दीर्घकालिक ट्रैकिंग, सभी डेटा समान रूप से योगदान करते हैं। 'स्लाइडिंग विंडो': तेज़ अनुकूलन, केवल हालिया window_size नमूनों का उपयोग करता है। EMA अनुकूलनीय निगरानी के लिए सबसे अच्छा है, SMA स्थिर ट्रैकिंग के लिए, Sliding Window तेज़ अनुकूलन के लिए..	❌
सीमा परसेंटाइल	float	परिवर्तन-दर असामान्यता पहचान के लिए परसेंटाइल सीमा, दायरा 0.0-1.0। threshold_percentile/2 से कम या (1 - threshold_percentile/2) से अधिक परिवर्तन-दरों को आउट्लायर के रूप में चिह्नित किया जाता है। कम मान (जैसे, 0.05) केवल अत्यधिक परिवर्तन दरों का पता लगाते हैं - बहुत सख्त। अधिक मान (जैसे, 0.3) अधिक मध्यम दर विचलनों का पता लगाते हैं - अधिक संवेदनशील। डिफ़ॉल्ट 0.2 का मतलब है कि परिवर्तन दरों के निचले 10% और ऊपरी 10% आउट्लायर हैं। परिवर्तन दरों में अपेक्षित भिन्नता के आधार पर समायोजित करें..	✅
वार्मअप	int	परिवर्तन पहचान शुरू होने से पहले आवश्यक प्रारंभिक डेटा बिंदुओं की संख्या। वार्मअप के दौरान, परिवर्तन दरों के लिए आधाररेखा स्थापित करने हेतु कोई आउट्लायर पहचाने नहीं जाते (is_outlier=False)। सांख्यिकीय विश्लेषण के लिए यह कम से कम 2 होना चाहिए। सामान्य दायरा: 3-100 नमूने। उच्च मान अधिक स्थिर आधाररेखा प्रदान करते हैं लेकिन परिवर्तन पहचान में देरी करते हैं। कम मान तेज़ पहचान सक्षम करते हैं लेकिन प्रारंभ में कम सटीक हो सकते हैं..	✅
स्मूथिंग फैक्टर	float	घातीय चल औसत रणनीति के लिए स्मूथिंग फैक्टर (alpha), दायरा 0.0-1.0। हालिया डेटा के प्रति प्रतिक्रियाशीलता को नियंत्रित करता है - उच्च मान सांख्यिकी को हालिया परिवर्तनों के प्रति अधिक प्रतिक्रियाशील बनाते हैं, कम मान अधिक ऐतिहासिक संदर्भ बनाए रखते हैं। उदाहरण: 0.1 का अर्थ है वर्तमान मान पर 10% भार, ऐतिहासिक औसत पर 90%। सामान्य दायरा: 0.05-0.3। केवल तब उपयोग होता है जब रणनीति 'घातीय चल औसत (EMA)' हो..	✅
विंडो आकार	int	स्लाइडिंग विंडो में बनाए रखने के लिए हालिया एम्बेडिंग की अधिकतम संख्या। सीमा से अधिक होने पर सबसे पुरानी एम्बेडिंग हटा दी जाती हैं (FIFO)। बड़ी विंडो अधिक स्थिर सांख्यिकी देती हैं लेकिन परिवर्तनों के अनुसार धीमे अनुकूलित होती हैं। छोटी विंडो तेज़ी से अनुकूलित होती हैं लेकिन कम स्थिर हो सकती हैं। केवल तब उपयोग होता है जब रणनीति 'Sliding Window' हो। यह कम से कम 2 होना चाहिए। सामान्य दायरा: 5-50 एम्बेडिंग..	✅

यह संदर्भ स्तंभ यह इंगित करता है कि संपत्ति को वर्कफ़्लो रनटाइम में उपलब्ध गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है वर्कफ़्लो रनटाइम। देखें बाइंडिंग्स अधिक जानकारी के लिए।

रनटाइम संगतता

सॉफ्ट - रनटाइम hosted_serverless, dedicated_deployment; निष्पादन दूरस्थ; इनपुट वीडियो : ब्लॉक प्रति-वीडियो स्थिति को प्रक्रिया मेमोरी में बनाए रखता है (video_metadata.video_identifier द्वारा कुंजीबद्ध)। स्टेटलेस या मल्टी-रिप्लिका HTTP रनटाइम्स पर दूरस्थ स्टेप निष्पादन के साथ, क्रमिक अनुरोधों को अलग-अलग वर्कर प्रक्रियाएँ सर्व कर सकती हैं, इसलिए कॉल्स के बीच स्थिति रीसेट हो जाती है और आउटपुट ट्रैकिंग / काउंटिंग / एग्रीगेशन के लिए अर्थहीन हो जाता है। स्थिर फ़्रेम-से-फ़्रेम परिणामों के लिए एक स्थायी WebRTC सत्र में स्थानीय स्टेप निष्पादन का उपयोग करें।

सॉफ्ट - इनपुट छवि : ब्लॉक वीडियो या दोहराए गए-फ़्रेम वर्कफ़्लो से समयगत संदर्भ पर निर्भर करता है। एक स्थिर छवि/फ़ोटो के साथ, ट्रैक करने, तुलना करने, समेकित करने या दृश्यीकृत करने के लिए कोई अर्थपूर्ण इतिहास नहीं होता, इसलिए ब्लॉक बहुत कम या कोई लाभ नहीं देता।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार परिवर्तनों की पहचान करें संस्करण v1 है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • एम्बेडिंग (एम्बेडिंग): वर्तमान डेटा बिंदु की विशेषताओं का प्रतिनिधित्व करने वाला एम्बेडिंग वेक्टर। आमतौर पर CLIP या Perception Encoder जैसे एम्बेडिंग मॉडलों से। कोसाइन समानता गणनाओं के लिए एम्बेडिंग को इकाई लंबाई पर सामान्यीकृत किया जाता है। ब्लॉक वर्तमान एम्बेडिंग की तुलना चलित औसत से करता है और समय के साथ परिवर्तन-दर को ट्रैक करता है..

  • सीमा परसेंटाइल (float_zero_to_one): परिवर्तन-दर असामान्यता पहचान के लिए परसेंटाइल सीमा, दायरा 0.0-1.0। threshold_percentile/2 से कम या (1 - threshold_percentile/2) से अधिक परिवर्तन-दरों को आउट्लायर के रूप में चिह्नित किया जाता है। कम मान (जैसे, 0.05) केवल अत्यधिक परिवर्तन दरों का पता लगाते हैं - बहुत सख्त। अधिक मान (जैसे, 0.3) अधिक मध्यम दर विचलनों का पता लगाते हैं - अधिक संवेदनशील। डिफ़ॉल्ट 0.2 का मतलब है कि परिवर्तन दरों के निचले 10% और ऊपरी 10% आउट्लायर हैं। परिवर्तन दरों में अपेक्षित भिन्नता के आधार पर समायोजित करें..

  • वार्मअप (पूर्णांक): परिवर्तन पहचान शुरू होने से पहले आवश्यक प्रारंभिक डेटा बिंदुओं की संख्या। वार्मअप के दौरान, परिवर्तन दरों के लिए आधाररेखा स्थापित करने हेतु कोई आउट्लायर पहचाने नहीं जाते (is_outlier=False)। सांख्यिकीय विश्लेषण के लिए यह कम से कम 2 होना चाहिए। सामान्य दायरा: 3-100 नमूने। उच्च मान अधिक स्थिर आधाररेखा प्रदान करते हैं लेकिन परिवर्तन पहचान में देरी करते हैं। कम मान तेज़ पहचान सक्षम करते हैं लेकिन प्रारंभ में कम सटीक हो सकते हैं..

  • स्मूथिंग फैक्टर (float_zero_to_one): घातीय चल औसत रणनीति के लिए स्मूथिंग फैक्टर (alpha), दायरा 0.0-1.0। हालिया डेटा के प्रति प्रतिक्रियाशीलता को नियंत्रित करता है - उच्च मान सांख्यिकी को हालिया परिवर्तनों के प्रति अधिक प्रतिक्रियाशील बनाते हैं, कम मान अधिक ऐतिहासिक संदर्भ बनाए रखते हैं। उदाहरण: 0.1 का अर्थ है वर्तमान मान पर 10% भार, ऐतिहासिक औसत पर 90%। सामान्य दायरा: 0.05-0.3। केवल तब उपयोग होता है जब रणनीति 'घातीय चल औसत (EMA)' हो..

  • विंडो आकार (पूर्णांक): स्लाइडिंग विंडो में बनाए रखने के लिए हालिया एम्बेडिंग की अधिकतम संख्या। सीमा से अधिक होने पर सबसे पुरानी एम्बेडिंग हटा दी जाती हैं (FIFO)। बड़ी विंडो अधिक स्थिर सांख्यिकी देती हैं लेकिन परिवर्तनों के अनुसार धीमे अनुकूलित होती हैं। छोटी विंडो तेज़ी से अनुकूलित होती हैं लेकिन कम स्थिर हो सकती हैं। केवल तब उपयोग होता है जब रणनीति 'Sliding Window' हो। यह कम से कम 2 होना चाहिए। सामान्य दायरा: 5-50 एम्बेडिंग..

• आउटपुट

  • आउटलायर-स्थिति (boolean): बूलियन फ़्लैग.

  • परसेंटाइल (float_zero_to_one): float दायरे में मान [0.0, 1.0].

  • z-स्कोर (float): फ्लोट मान।

  • औसत (एम्बेडिंग): फ्लोटिंग-पॉइंट संख्याओं की एक सूची जो एक वेक्टर एम्बेडिंग का प्रतिनिधित्व करती है..

  • मानक विचलन (एम्बेडिंग): फ्लोटिंग-पॉइंट संख्याओं की एक सूची जो एक वेक्टर एम्बेडिंग का प्रतिनिधित्व करती है..

  • वार्मअप (boolean): बूलियन फ़्लैग.

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/identify_changes@v1",
	    "strategy": "घातीय चल औसत (EMA)",
	    "embedding": "$steps.clip.embedding",
	    "threshold_percentile": 0.2,
	    "warmup": 3,
	    "smoothing_factor": 0.1,
	    "window_size": 10
	}