> 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/compare-models.md).

# दो मॉडलों 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।

हम इस गाइड में COCO डेटासेट की 80 क्लासों पर पूर्व-प्रशिक्षित YOLO मॉडल का उपयोग करेंगे, लेकिन जब Workflows को आपके फाइन-ट्यून किए गए, डोमेन-विशिष्ट रुचि वाली वस्तुओं पर कस्टम-प्रशिक्षित मॉडलों के साथ उपयोग किया जाता है, तो यह और भी शक्तिशाली होता है।

**कठिनाई:** आसान\
**पूरा करने में समय:** 5 मिनट

## पूर्वापेक्षाएँ

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

आप प्लेटफ़ॉर्म UI के ऊपर बाईं ओर मौजूद "Running on" सेलेक्टर पर क्लिक करके और उसे इंगित करके क्लाउड प्लेटफ़ॉर्म से स्थानीय रूप से चल रहे Inference Server से भी कनेक्ट कर सकते हैं `लोकलहोस्ट` या अपने सर्वर के IP पर।

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

{% tab title="अलग-थलग" %}
Detached मोड में, आप Roboflow खाते या API key के बिना Inference Server और Workflow Builder UI दोनों को स्थानीय रूप से चलाते हैं। Detached मोड में, आप रिमोट डिप्लॉयमेंट, मॉनिटरिंग, क्लाउड मॉडल हब और डेटासेट मैनेजमेंट प्लेटफ़ॉर्म के साथ इंटीग्रेशन जैसी क्लाउड-संयुक्त सुविधाओं का उपयोग नहीं करते, और अपनी स्वयं की एक्सेस कंट्रोल लागू करने की ज़िम्मेदारी आपकी होती है।

Roboflow खाते के बिना अपने स्वयं के मशीन पर चलाने के लिए, [self-hosted स्थापना निर्देशों](https://docs.roboflow.com/deployment/self-hosted/self-hosted) का पालन करें और अपने Inference Server को development mode में शुरू करें (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 बनाएँ। 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 होने चाहिए।

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

## वर्कफ़्लो का नाम बदलें

अपने Workflows को एक वर्णनात्मक नाम देना सबसे अच्छा अभ्यास है, ताकि आप उन्हें आसानी से अलग-अलग पहचान सकें। ऐसा करने के लिए, Editor UI के ऊपर बाईं ओर स्थित "Edit" आइकन पर क्लिक करें और नाम तथा endpoint URL को अपडेट करें। यह पहचानकर्ता वह तरीका है जिससे आप बाद में API के माध्यम से इस Workflow का संदर्भ देते हैं।

![वर्कफ़्लो 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 किसी छवि में रुचि की वस्तुओं को ढूँढते हैं और उनकी रूपरेखा का अनुमान लगाते हैं। ये उन उपयोग मामलों के लिए सबसे अच्छे होते हैं जहाँ वस्तुओं के आकार को मापना हो या उन्हें उनकी पृष्ठभूमि से अलग करना हो।

"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 इस गाइड में पूर्व-प्रशिक्षित 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 model ID चुन सकते हैं, जो उन 80 सामान्य वस्तु वर्गों के बजाय आपके वांछित रुचि वाले ऑब्जेक्ट्स की भविष्यवाणी करता है जिन्हें ये मॉडल पहचानते हैं।

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

## दूसरा मॉडल जोड़ें

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

![शाखा को फ़ॉर्क 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 प्रस्तुत करता है।

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

![Visualization 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 हमारे दूसरे मॉडल द्वारा आउटपुट की गई भविष्यवाणियों से जोड़ना होगा। हम यह ब्लॉक कॉन्फ़िगरेशन साइडबार में करते हैं। यहीं पर हम रंग और अपारदर्शिता जैसी अतिरिक्त सेटिंग्स भी बदल सकते हैं।

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

## आउटपुट कस्टमाइज़ करें

इंस्टेंस सेगमेंटेशन मॉडल, पहचानी गई वस्तुओं के जटिल आकारों का वर्णन करने के लिए बहुत सारा डेटा वापस देते हैं। यह माप जैसी डाउनस्ट्रीम कार्यों के लिए उपयोगी हो सकता है, लेकिन इस ट्यूटोरियल में हमें केवल अपने विज़ुअलाइज़ेशन की परवाह 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: हमारे Model Comparison Visualization ब्लॉक से आने वाली छवि।

![अनावश्यक आउटपुट हटाए गए](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)

परिणामी दृश्यांकन दो मॉडलों की भविष्यवाणियों की तुलना दिखाता है। गहरे क्षेत्र किसी भी मॉडल द्वारा भविष्यवाणी नहीं किए गए हैं, चमकीले क्षेत्र दोनों मॉडलों द्वारा भविष्यवाणी किए गए हैं, हरे क्षेत्र केवल Model A (YOLOv8) द्वारा भविष्यवाणी किए गए हैं, और लाल क्षेत्र केवल Model B (YOLOv11) द्वारा भविष्यवाणी किए गए हैं।

इससे हम देख सकते हैं कि इस छवि पर YOLOv11, YOLOv8 से बेहतर प्रदर्शन करता है। यह YOLOv8 द्वारा छूट गए दो लोगों की पहचान करता है, लोगों के पैरों और टाँगों को बेहतर ढंग से पकड़ता है, और खिलाड़ियों की रूपरेखाओं में पृष्ठभूमि के हिस्सों की सही ढंग से भविष्यवाणी नहीं करता।

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

## अगले चरण

इस ट्यूटोरियल में हमने सीखा कि Workflow को कैसे कॉन्फ़िगर किया जाए, एक साथ कई मॉडल कैसे चलाए जाएँ, और कस्टमाइज़ किए गए इनपुट्स के साथ ब्लॉकों को कैसे कॉन्फ़िगर किया जाए। हम इस Workflow का उपयोग अन्य पूर्व-प्रशिक्षित मॉडलों का मूल्यांकन करने के लिए, या अपने स्वयं के मॉडलों के प्रदर्शन पर पुनरावृत्ति करने और समय के साथ प्रारंभिक बेसलाइन की तुलना में परिणामों को दृश्य रूप में प्रस्तुत करने के लिए कर सकते हैं।

इसके बाद, आइए जानें कि हम कैसे [छोटे ऑब्जेक्ट्स पर मॉडलों के प्रदर्शन में सुधार कर सकते हैं](/workflows/hi/tutorials/detect-small-objects.md) बिना मॉडलों को बदले।