मॉडल तुलना विज़ुअलाइज़ेशन

दो मॉडलों की detections के बीच अंतर को विज़ुअलाइज़ करें।

दो अलग-अलग मॉडलों की भविष्यवाणियों की तुलना रंग-कोडिंग के माध्यम से उन क्षेत्रों को दिखाकर करें जहाँ केवल एक मॉडल ने वस्तुओं का पता लगाया है, मॉडल के अंतर को उजागर करते हुए, और ओवरलैपिंग भविष्यवाणियों को अपरिवर्तित छोड़कर मॉडल की सहमति और असहमति को दृश्य रूप में दिखाएँ।

यह ब्लॉक कैसे काम करता है

यह ब्लॉक एक छवि और दो मॉडलों (मॉडल A और मॉडल B) की भविष्यवाणियाँ लेता है और एक दृश्य तुलना ओवरले बनाता है जो मॉडलों के बीच के अंतर को उजागर करता है। यह ब्लॉक:

1. एक छवि और भविष्यवाणियों के दो सेट (predictions_a और predictions_b) को इनपुट के रूप में लेता है

2. प्रत्येक मॉडल द्वारा भविष्यवाणी किए गए क्षेत्रों के लिए मास्क बनाता है (यदि उपलब्ध हों तो बाउंडिंग बॉक्स या सेगमेंटेशन मास्क का उपयोग करके)

3. चार अलग-अलग क्षेत्रों की पहचान करता है:

   • केवल मॉडल A द्वारा भविष्यवाणी किए गए क्षेत्र (color_a, डिफ़ॉल्ट हरा) से रंगे जाते हैं

   • केवल मॉडल B द्वारा भविष्यवाणी किए गए क्षेत्र (color_b, डिफ़ॉल्ट लाल) से रंगे जाते हैं

   • दोनों मॉडलों द्वारा भविष्यवाणी किए गए क्षेत्र (ज्यों का त्यों छोड़े जाते हैं, ताकि मूल छवि दिखाई दे)

   • किसी भी मॉडल द्वारा भविष्यवाणी न किए गए क्षेत्र (background_color, डिफ़ॉल्ट काला) से रंगे जाते हैं

4. निर्दिष्ट अपारदर्शिता का उपयोग करके पहचाने गए क्षेत्रों पर रंगीन ओवरले लागू करता है

5. एक एनोटेटेड छवि लौटाता है जहाँ मॉडल अंतर रंग-कोडिंग से दृश्य रूप में अलग किए जाते हैं

यह ब्लॉक एक साइड-बाय-साइड तुलना दृश्यांकन बनाता है, जिससे यह देखना आसान हो जाता है कि मॉडल कहाँ सहमत हैं (अपरिवर्तित क्षेत्र) और कहाँ असहमत हैं (रंग-कोडित क्षेत्र)। जहाँ दोनों मॉडलों ने भविष्यवाणियाँ की हैं, उन क्षेत्रों को अपरिवर्तित छोड़ा जाता है, जिससे मूल छवि "शाइन थ्रू" कर पाती है और मॉडल की सहमति स्पष्ट रूप से दिखाई देती है। यह दृश्यांकन मॉडल की ताकत, कमजोरियाँ, और पहचान व्यवहार में अंतर को समझने में मदद करता है। यह ब्लॉक ऑब्जेक्ट डिटेक्शन भविष्यवाणियों (बाउंडिंग बॉक्स का उपयोग करके) या इंस्टेंस सेगमेंटेशन भविष्यवाणियों (मास्क का उपयोग करके) के साथ काम करता है, जिससे यह विभिन्न मॉडल प्रकारों की तुलना के लिए बहुमुखी बनता है।

सामान्य उपयोग के मामले

• मॉडल मूल्यांकन और तुलना: मॉडल मूल्यांकन, बेंचमार्किंग, या चयन वर्कफ़्लो के लिए यह देखने हेतु कि मॉडल कहाँ सहमत हैं, कहाँ असहमत हैं, या उनकी पहचान करने की विधि में क्या अंतर है, दो मॉडलों के डिटेक्शन प्रदर्शन की साथ-साथ तुलना करें

• मॉडल विकास और डीबगिंग: यह समझने के लिए कि परिवर्तन डिटेक्शन व्यवहार को कैसे प्रभावित करते हैं, सुधार के अवसरों की पहचान करने, या मॉडल प्रदर्शन समस्याओं का डीबग करने के लिए मॉडल संस्करणों, आर्किटेक्चर, या कॉन्फ़िगरेशन के बीच के अंतर को विज़ुअलाइज़ करें

• एन्सेम्बल मॉडल विश्लेषण: एन्सेम्बल वर्कफ़्लो में अलग-अलग मॉडलों की भविष्यवाणियों की तुलना करें ताकि मॉडल सहमति के पैटर्न समझे जा सकें, पूरक शक्तियों की पहचान हो, या एन्सेम्बल निर्णय-निर्माण के लिए सहमति क्षेत्रों का विश्लेषण किया जा सके

• प्रशिक्षण डेटा विश्लेषण: डिटेक्शन में अंतर के पैटर्न पहचानने, प्रशिक्षण सुधारों को सत्यापित करने, या डेटासेट्स में मॉडल व्यवहार का विश्लेषण करने के लिए मॉडल भविष्यवाणियों की ग्राउंड ट्रुथ एनोटेशन से या प्रशिक्षण रन के बीच तुलना करें

• A/B परीक्षण और मॉडल चयन: उम्मीदवार मॉडलों की दृश्य रूप से तुलना करें ताकि सापेक्ष प्रदर्शन का मूल्यांकन किया जा सके, डिटेक्शन में अंतर पहचाने जा सकें, या परिनियोजन के लिए सूचित मॉडल चयन निर्णय लिए जा सकें

• गुणवत्ता आश्वासन और सत्यापन: मॉडल संगतता सत्यापित करें, किनारे के मामलों पर मॉडल प्रदर्शन की तुलना करें, या गुणवत्ता आश्वासन, सत्यापन, या अनुपालन वर्कफ़्लो के लिए मॉडलों के बीच प्रणालीगत अंतर पहचानें

अन्य ब्लॉकों से जोड़ना

इस ब्लॉक की एनोटेटेड छवि को इससे जोड़ा जा सकता है:

• मॉडल ब्लॉक (जैसे, ऑब्जेक्ट डिटेक्शन मॉडल, इंस्टेंस सेगमेंटेशन मॉडल) ताकि तुलना के लिए विभिन्न मॉडलों से predictions_a और predictions_b प्राप्त किए जा सकें

• डेटा संग्रहण ब्लॉक (जैसे, लोकल फ़ाइल सिंक, CSV फ़ॉर्मैटर, Roboflow Dataset Upload) ताकि दस्तावेज़ीकरण, रिपोर्टिंग, या विश्लेषण के लिए तुलना विज़ुअलाइज़ेशन सहेजे जा सकें

• Webhook ब्लॉक ताकि तुलना विज़ुअलाइज़ेशन को डैशबोर्ड, मॉडल मॉनिटरिंग टूल, या मूल्यांकन इंटरफ़ेस में प्रदर्शन के लिए बाहरी सिस्टम, API, या वेब एप्लिकेशन को भेजा जा सके

• सूचना ब्लॉक (जैसे, ईमेल सूचना, Slack सूचना) ताकि मॉडल प्रदर्शन मॉनिटरिंग के लिए चेतावनियों या रिपोर्टों में दृश्य प्रमाण के रूप में तुलना विज़ुअलाइज़ेशन भेजे जा सकें

• वीडियो आउटपुट ब्लॉक लाइव मॉडल मूल्यांकन, प्रदर्शन मॉनिटरिंग, या पोस्ट-प्रोसेसिंग विश्लेषण के लिए मॉडल तुलना विज़ुअलाइज़ेशन के साथ एनोटेटेड वीडियो स्ट्रीम या रिकॉर्डिंग बनाने हेतु

प्रकार पहचानकर्ता

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

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस स्टेप के लिए एक अद्वितीय पहचानकर्ता दर्ज करें..	❌
copy_image	bool	दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..	✅
color_a	str	केवल मॉडल A द्वारा भविष्यवाणी किए गए क्षेत्रों (जिन्हें Model B ने भविष्यवाणी नहीं की) को हाइलाइट करने के लिए उपयोग किया जाने वाला रंग। इसे रंग नाम (जैसे, 'GREEN', 'BLUE'), हेक्स रंग कोड (जैसे, '#00FF00', '#FFFFFF'), या RGB प्रारूप (जैसे, 'rgb(0, 255, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट GREEN है, जो Model A की विशिष्ट भविष्यवाणियों को दर्शाता है..	✅
color_b	str	केवल मॉडल B द्वारा भविष्यवाणी किए गए क्षेत्रों (जिन्हें Model A ने भविष्यवाणी नहीं की) को हाइलाइट करने के लिए उपयोग किया जाने वाला रंग। इसे रंग नाम (जैसे, 'RED', 'BLUE'), हेक्स रंग कोड (जैसे, '#FF0000', '#FFFFFF'), या RGB प्रारूप (जैसे, 'rgb(255, 0, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट RED है, जो Model B की विशिष्ट भविष्यवाणियों को दर्शाता है..	✅
background_color	str	ऐसे क्षेत्रों के लिए उपयोग किया जाने वाला रंग जिन्हें किसी भी मॉडल ने भविष्यवाणी नहीं की। इसे रंग नाम (जैसे, 'BLACK', 'GRAY'), हेक्स रंग कोड (जैसे, '#000000', '#808080'), या RGB प्रारूप (जैसे, 'rgb(0, 0, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट BLACK है, जो उन क्षेत्रों को दर्शाता है जहाँ दोनों मॉडलों ने डिटेक्शन चूक की..	✅
opacity	float	तुलना ओवरले की अपारदर्शिता, 0.0 (पूरी तरह पारदर्शी) से 1.0 (पूरी तरह अपारदर्शी) तक। यह नियंत्रित करती है कि रंग-कोडित ओवरले मूल छवि के ऊपर कितने पारदर्शी दिखेंगे। कम मान अधिक पारदर्शी ओवरले बनाते हैं, जहाँ मूल छवि के विवरण अधिक दिखाई देते हैं, जबकि अधिक मान अधिक अपारदर्शी ओवरले बनाते हैं जिनमें रंग का प्रभाव अधिक होता है। संतुलित दृश्यता के लिए सामान्य मान 0.5 से 0.8 के बीच होते हैं..	✅

यह संदर्भ कॉलम यह दर्शाता है कि प्रॉपर्टी को गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है, जो वर्कफ़्लो रनटाइम में उपलब्ध हैं। अधिक जानकारी के लिए देखें Bindings ।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। जाँचें कि कौन-से बाइंडिंग प्रकार मॉडल तुलना दृश्यीकरण संस्करण में v1 है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • image (image): जिस छवि पर दृश्यकरण करना है..

  • copy_image (boolean): दृश्यकरण के लिए इनपुट छवि की एक प्रति बनाने और मूल को सुरक्षित रखने के लिए इस विकल्प को सक्षम करें। जब आप कई दृश्यकरणों को एक साथ जोड़ रहे हों, तब इसका उपयोग करें..

  • predictions_a (Union[instance_segmentation_prediction, keypoint_detection_prediction, object_detection_prediction, rle_instance_segmentation_prediction]): मॉडल A (पहला तुलना किया जा रहा मॉडल) की भविष्यवाणियाँ। ये ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन भविष्यवाणियाँ हो सकती हैं। केवल Model A (और Model B नहीं) द्वारा भविष्यवाणी किए गए क्षेत्रों को color_a से रंगा जाएगा। भविष्यवाणी प्रकार के अनुसार बाउंडिंग बॉक्स या मास्क के साथ काम करता है..

  • color_a (स्ट्रिंग): केवल मॉडल A द्वारा भविष्यवाणी किए गए क्षेत्रों (जिन्हें Model B ने भविष्यवाणी नहीं की) को हाइलाइट करने के लिए उपयोग किया जाने वाला रंग। इसे रंग नाम (जैसे, 'GREEN', 'BLUE'), हेक्स रंग कोड (जैसे, '#00FF00', '#FFFFFF'), या RGB प्रारूप (जैसे, 'rgb(0, 255, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट GREEN है, जो Model A की विशिष्ट भविष्यवाणियों को दर्शाता है..

  • predictions_b (Union[instance_segmentation_prediction, keypoint_detection_prediction, object_detection_prediction, rle_instance_segmentation_prediction]): मॉडल B (दूसरा तुलना किया जा रहा मॉडल) की भविष्यवाणियाँ। ये ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, या कीपॉइंट डिटेक्शन भविष्यवाणियाँ हो सकती हैं। केवल Model B (और Model A नहीं) द्वारा भविष्यवाणी किए गए क्षेत्रों को color_b से रंगा जाएगा। भविष्यवाणी प्रकार के अनुसार बाउंडिंग बॉक्स या मास्क के साथ काम करता है..

  • color_b (स्ट्रिंग): केवल मॉडल B द्वारा भविष्यवाणी किए गए क्षेत्रों (जिन्हें Model A ने भविष्यवाणी नहीं की) को हाइलाइट करने के लिए उपयोग किया जाने वाला रंग। इसे रंग नाम (जैसे, 'RED', 'BLUE'), हेक्स रंग कोड (जैसे, '#FF0000', '#FFFFFF'), या RGB प्रारूप (जैसे, 'rgb(255, 0, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट RED है, जो Model B की विशिष्ट भविष्यवाणियों को दर्शाता है..

  • background_color (स्ट्रिंग): ऐसे क्षेत्रों के लिए उपयोग किया जाने वाला रंग जिन्हें किसी भी मॉडल ने भविष्यवाणी नहीं की। इसे रंग नाम (जैसे, 'BLACK', 'GRAY'), हेक्स रंग कोड (जैसे, '#000000', '#808080'), या RGB प्रारूप (जैसे, 'rgb(0, 0, 0)') के रूप में निर्दिष्ट किया जा सकता है। डिफ़ॉल्ट BLACK है, जो उन क्षेत्रों को दर्शाता है जहाँ दोनों मॉडलों ने डिटेक्शन चूक की..

  • opacity (float_zero_to_one): तुलना ओवरले की अपारदर्शिता, 0.0 (पूरी तरह पारदर्शी) से 1.0 (पूरी तरह अपारदर्शी) तक। यह नियंत्रित करती है कि रंग-कोडित ओवरले मूल छवि के ऊपर कितने पारदर्शी दिखेंगे। कम मान अधिक पारदर्शी ओवरले बनाते हैं, जहाँ मूल छवि के विवरण अधिक दिखाई देते हैं, जबकि अधिक मान अधिक अपारदर्शी ओवरले बनाते हैं जिनमें रंग का प्रभाव अधिक होता है। संतुलित दृश्यता के लिए सामान्य मान 0.5 से 0.8 के बीच होते हैं..

• आउटपुट

  • image (image): वर्कफ़्लो में छवि।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/model_comparison_visualization@v1",
	    "image": "$inputs.image",
	    "copy_image": true,
	    "predictions_a": "$steps.object_detection_model.predictions",
	    "color_a": "GREEN",
	    "predictions_b": "$steps.object_detection_model.predictions",
	    "color_b": "RED",
	    "background_color": "BLACK",
	    "opacity": 0.7
	}