> 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/workflows/hi/tutorials-1/compare-models.md).

# दो मॉडल की तुलना करें

इस ट्यूटोरियल में, हम उपयोग करेंगे [वर्कफ़्लोज़](https://docs.roboflow.com/workflows) एक ही छवि पर दो अलग-अलग इंस्टेंस सेगमेंटेशन मॉडल चलाने और उनकी भविष्यवाणियों की गुणात्मक तुलना करने के लिए।

इस गाइड में हम COCO डेटासेट की 80 कक्षाओं पर प्री-ट्रेंड YOLO मॉडल का उपयोग करेंगे, लेकिन जब Workflows का उपयोग आपके फाइन-ट्यून किए गए मॉडलों के साथ किया जाता है, जिन्हें डोमेन-विशिष्ट रुचि की वस्तुओं पर कस्टम-ट्रेन किया गया हो, तो यह और भी शक्तिशाली होता है।

**कठिनाई:** आसान\
**पूरा होने का समय:** 5 मिनट

## पूर्वापेक्षाएँ

{% tabs %}
{% tab title="क्लाउड से कनेक्टेड" %}
इस ट्यूटोरियल के लिए केवल चाहिए [एक निःशुल्क Roboflow खाता](https://app.roboflow.com/workflows) और इसे बिना किसी सेटअप के Serverless Cloud API पर चलाया जा सकता है। शुरुआत करने का यह सबसे आसान तरीका है, और बाद में आप अपने Workflows को स्व-होस्टिंग पर माइग्रेट कर सकते हैं।

आप प्लेटफ़ॉर्म UI के ऊपर बाईं ओर "Running on" चयनकर्ता पर क्लिक करके और उसे `लोकलहोस्ट` या आपके सर्वर का IP.

जब आपके पास खाता हो, [एक नया (खाली) Workflow बनाएं](https://docs.roboflow.com/workflows/build/create-a-workflow), फिर नीचे जारी रखें।
{% endtab %}

{% tab title="डिटैच्ड" %}
डिटैच्ड मोड में, आप बिना Roboflow खाते या API कुंजी के Inference Server और Workflow Builder UI दोनों को स्थानीय रूप से चलाते हैं। डिटैच्ड मोड में, आप रिमोट परिनियोजन, मॉनिटरिंग, क्लाउड मॉडल हब और डेटासेट प्रबंधन प्लेटफ़ॉर्म के साथ एकीकरण जैसी क्लाउड-कनेक्टेड सुविधाओं से वंचित रहते हैं, और अपने स्वयं के एक्सेस नियंत्रण को लागू करने की ज़िम्मेदारी आपकी होती है।

Roboflow खाते के बिना अपने स्वयं के मशीन पर चलाने के लिए, निम्न का पालन करें [स्व-होस्टेड इंस्टॉलेशन निर्देश](https://docs.roboflow.com/deployment/self-hosted/self-hosted) और अपने Inference Server को विकास मोड में शुरू करें (का उपयोग करके `inference server start --dev`).

फिर, स्थानीय Workflows builder पर जाएँ `localhost:9001/build` और बैंगनी "Create a Workflow" बटन का उपयोग करके एक खाली Workflow बनाएं। यदि संकेत मिले, तो "Build My Own" चुनें।
{% endtab %}
{% endtabs %}

अब आपके पास एक खाली Workflow होना चाहिए और आप निर्माण शुरू करने के लिए तैयार होंगे।

![खाली Workflow](https://media.roboflow.com/workflows/guides/compare-models/01-empty-workflow.webp)

## Workflow का नाम बदलें

अपने Workflows को एक वर्णनात्मक नाम देना सर्वोत्तम अभ्यास है, ताकि आप उन्हें अलग-अलग पहचान सकें। ऐसा करने के लिए, Editor UI के ऊपर बाईं ओर "Edit" आइकन पर क्लिक करें और नाम तथा endpoint URL अपडेट करें। यही पहचानकर्ता है जिसके माध्यम से आप बाद में API द्वारा इस Workflow का संदर्भ देंगे।

![Workflow का नाम बदलें](https://media.roboflow.com/workflows/guides/compare-models/02-rename.webp)

## पहला मॉडल जोड़ें

हम इस Workflow में दो इंस्टेंस सेगमेंटेशन मॉडल जोड़ेंगे। सेगमेंटेशन मॉडल छवि में रुचि की वस्तुओं को ढूँढते हैं और उनके कंटूर की भविष्यवाणी करते हैं। वे उन उपयोग मामलों के लिए सबसे उपयुक्त हैं जिन्हें वस्तुओं के आकार को मापने या उन्हें उनके पृष्ठभूमि से अलग करने की आवश्यकता होती है।

"Add Block" बटन पर क्लिक करें और Models चुनें, फिर कार्य प्रकार के रूप में Instance Segmentation चुनें।

![पहला मॉडल जोड़ें](https://media.roboflow.com/workflows/guides/compare-models/03-add-first-model.webp)

हम प्री-ट्रेंड YOLOv8 Segmentation मॉडल का उपयोग करेंगे। यदि आपने पहले ही Roboflow पर कोई मॉडल प्रशिक्षित किया है, तो आप वैकल्पिक रूप से अपने फाइन-ट्यून किए गए मॉडलों में से कोई एक चुन सकते हैं, या Roboflow Universe पर किसी अन्य उपयोगकर्ता द्वारा साझा किया गया ऐसा मॉडल ID चुन सकते हैं जो इन मॉडलों द्वारा पहचानी जाने वाली सामान्य वस्तुओं की 80 कक्षाओं के बजाय आपकी इच्छित रुचि की वस्तुओं की भविष्यवाणी करता हो।

![YOLOv8 Segmentation चुनें](https://media.roboflow.com/workflows/guides/compare-models/04-select-yolov8-seg.webp)

## दूसरा मॉडल जोड़ें

इसके बाद, हम पहले मॉडल के साथ-साथ एक दूसरा मॉडल जोड़कर निष्पादन प्रवाह को fork करेंगे। Workflows जहाँ संभव हो, तेज़ प्रसंस्करण के लिए निष्पादन को स्वचालित रूप से समानांतर करता है। ऐसा करने के लिए, पहले मॉडल ब्लॉक के बगल में "Fork" बटन पर क्लिक करें।

![शाखा को फ़ोर्क करें](https://media.roboflow.com/workflows/guides/compare-models/05-fork-branch.webp)

फिर दूसरा Instance Segmentation Model ब्लॉक जोड़ने का विकल्प चुनें।

![दूसरा मॉडल जोड़ें](https://media.roboflow.com/workflows/guides/compare-models/06-add-second-model.webp)

और इसे YOLOv11 Segmentation मॉडल चलाने के लिए कॉन्फ़िगर करें।

![YOLOv11 Segmentation चुनें](https://media.roboflow.com/workflows/guides/compare-models/07-select-yolov11-seg.webp)

## मॉडल तुलना

इसके बाद, हम Model Comparison Visualization ब्लॉक जोड़ेंगे, जो दो अलग-अलग मॉडलों की भविष्यवाणियाँ लेता है और उनके बीच के अंतर को दृश्य रूप में दिखाता है।

आपके द्वारा जोड़े गए दो मॉडल ब्लॉकों में से किसी एक के आउटपुट पर "+" बटन पर क्लिक करें।

![विज़ुअलाइज़ेशन जोड़ें](https://media.roboflow.com/workflows/guides/compare-models/08-add-visualization-block.webp)

फिर Model Comparison Visualization ब्लॉक चुनें।

![Model Comparison Visualization चुनें](https://media.roboflow.com/workflows/guides/compare-models/09-select-model-comparison.webp)

अब हमें इसके दूसरे इनपुट को अपने दूसरे मॉडल द्वारा आउटपुट की गई भविष्यवाणियों से जोड़ना होगा। हम यह ब्लॉक कॉन्फ़िगरेशन साइडबार में करते हैं। यहीं पर हम रंग और पारदर्शिता जैसी अतिरिक्त सेटिंग्स भी बदल सकते हैं।

![अतिरिक्त इनपुट जोड़ें](https://media.roboflow.com/workflows/guides/compare-models/10-wire-block-inputs.webp)

## आउटपुट अनुकूलित करें

इंस्टेंस सेगमेंटेशन मॉडल पहचानी गई वस्तुओं के जटिल आकारों का वर्णन करने के लिए बहुत सा डेटा लौटाते हैं। यह मापन जैसे downstream कार्यों के लिए उपयोगी हो सकता है, लेकिन इस ट्यूटोरियल में हमें केवल अपने विज़ुअलाइज़ेशन की चिंता है, इसलिए हम प्रतिक्रिया को सरल बनाने के लिए अतिरिक्त आउटपुट हटा सकते हैं।

अनावश्यक आउटपुट हटाने के लिए, "Outputs" ब्लॉक पर क्लिक करें और हमारे दो मॉडल ब्लॉकों से आने वाली भविष्यवाणियों के लिए ट्रैश कैन आइकन का उपयोग करें।

![अनावश्यक आउटपुट हटाएँ](https://media.roboflow.com/workflows/guides/compare-models/11-modify-outputs.webp)

इससे हमारे पास केवल एक आउटपुट बचता है: Model Comparison Visualization ब्लॉक से आने वाली छवि।

![छँटे हुए आउटपुट](https://media.roboflow.com/workflows/guides/compare-models/12-pruned-outputs.webp)

## परिणामों का परीक्षण करें

अब हम Workflow का परीक्षण करने के लिए तैयार हैं। Builder UI के ऊपर दाईं ओर "Test Workflow" पर क्लिक करें, फिर एक छवि जोड़ें और "Run" पर क्लिक करें।

![Workflow का परीक्षण करें](https://media.roboflow.com/workflows/guides/compare-models/13-test-workflow.webp)

प्राप्त विज़ुअलाइज़ेशन दो मॉडलों की भविष्यवाणियों की तुलना दिखाता है। गहरे क्षेत्र किसी भी मॉडल द्वारा अनुमानित नहीं हैं, चमकीले क्षेत्र दोनों मॉडलों द्वारा अनुमानित हैं, हरे क्षेत्र केवल Model A (YOLOv8) द्वारा अनुमानित हैं, और लाल क्षेत्र केवल Model B (YOLOv11) द्वारा अनुमानित हैं।

इससे हम देख सकते हैं कि इस छवि पर YOLOv11, YOLOv8 से बेहतर प्रदर्शन करता है। यह दो ऐसे लोगों की पहचान करता है जिन्हें YOLOv8 चूक गया था, लोगों के पैरों और टांगों को बेहतर तरीके से पकड़ता है, और खिलाड़ियों के कंटूर में पृष्ठभूमि के हिस्सों की सही ढंग से भविष्यवाणी नहीं करता है।

![अंतिम आउटपुट](https://media.roboflow.com/workflows/guides/compare-models/visualization.jpeg)

## अगले चरण

इस ट्यूटोरियल में हमने सीखा कि एक Workflow को कैसे कॉन्फ़िगर किया जाए, कई मॉडलों को समानांतर रूप से कैसे चलाया जाए, और अनुकूलित इनपुट के साथ ब्लॉकों को कैसे कॉन्फ़िगर किया जाए। हम इस Workflow का उपयोग अन्य प्री-ट्रेंड मॉडलों का मूल्यांकन करने के लिए, या अपने स्वयं के मॉडलों के प्रदर्शन पर पुनरावृत्ति करने और एक प्रारंभिक बेसलाइन की तुलना में समय के साथ परिणामों को दृश्य रूप में दिखाने के लिए कर सकते हैं।

अब, आइए सीखें कि हम कैसे [छोटी वस्तुओं पर मॉडलों का प्रदर्शन बेहतर कर सकते हैं](/workflows/hi/tutorials-1/detect-small-objects.md) बिना मॉडलों को स्वयं बदले।