मशीन की तरह देखना: मशीन लर्निंग में इमेज विश्लेषण के लिए शुरुआती मार्गदर्शिका

तस्वीरें और वीडियो हर जगह हैं। मनुष्यों के रूप में, हम ड्राइविंग, अपने मित्रों को पहचानने और समस्याओं का निदान करने जैसे कई कार्यों के लिए दृष्टि पर निर्भर रहते हैं। जैसे-जैसे कंप्यूटर हमारी रोज़मर्रा की गतिविधियों में अधिक शामिल हो रहे हैं, उनके लिए भी छवियों का उपयोग कर पाना उतना ही महत्वपूर्ण हो गया है। इमेज विश्लेषण वह माध्यम है जिससे कंप्यूटर किसी छवि को “देख” और समझ सकते हैं। जब इमेज विश्लेषण मशीन लर्निंग द्वारा संचालित होता है, तो हम इसे कंप्यूटर विज़न कहते हैं।

यह ट्यूटोरियल आपको बताएगा कि कंप्यूटर छवियों को कैसे “देखते” हैं, इमेज मैनिपुलेशन की बुनियादी बातें, और अंत में, कैसे मशीन लर्निंग और जनरेटिव AI को छवियों पर लागू किया जा सकता है। आइए शुरू करते हैं!

यदि आप इमेज क्लासिफिकेशन के बारे में और जानने में रुचि रखते हैं, तो हमारा कोड-अलॉन्ग Image Classification with Hugging Face देखें। 

कंप्यूटर विज़न क्या है?

कंप्यूटर विज़न कृत्रिम बुद्धिमत्ता का वह क्षेत्र है जो कंप्यूटर और प्रणालियों को डिजिटल छवियों, वीडियो और अन्य दृश्य इनपुट्स से सार्थक जानकारी निकालने में सक्षम बनाता है। यह उन मशीनों का विज्ञान और तकनीक है जो देख सकती हैं। एक वैज्ञानिक अनुशासन के रूप में, कंप्यूटर विज़न अपनी सिद्धांतों और मॉडलों को कंप्यूटर विज़न प्रणालियों के निर्माण में लागू करने का प्रयास करता है।

मूल रूप से, कंप्यूटर विज़न दृश्य डेटा की व्याख्या करने के बारे में है। इसमें डिजिटल छवियों का अधिग्रहण, प्रोसेसिंग, विश्लेषण और समझ शामिल है, ताकि वास्तविक दुनिया से उच्च-आयामी डेटा निकाला जा सके और उसे संख्यात्मक या सांकेतिक सूचना में बदला जा सके जिसे मशीन उपयोग कर सके। यह भौतिकी, गणित, विद्युत अभियंत्रण और कंप्यूटर विज्ञान जैसे व्यापक विषयों की विभिन्न विधियों और तकनीकों का उपयोग करता है।

इमेज विश्लेषण का परिचय

सबसे निचले स्तर पर, कंप्यूटर 1 और 0 के साथ काम करते हैं। छवियों के साथ काम करते समय भी यह अलग नहीं होता। कंप्यूटर किसी छवि को 1 और 0 की मैट्रिक्स के रूप में दर्शा सकते हैं। जब कोई कंप्यूटर कोई छवि प्रदर्शित करता है, तो वह पिक्सेल्स की ग्रिड दिखाता है, जिनमें से प्रत्येक एक रंग से भरा होता है। एक बहुत साधारण आकृति पर विचार करें, जैसे नीचे दिखाया गया काला त्रिकोण।

चित्र 1: 28 पिक्सेल्स से बना एक सरल, कम-रिज़ॉल्यूशन त्रिकोण।

यह आकृति 28 पिक्सेल्स से बनी है: 16 काले पिक्सेल, और 12 सफेद पिक्सेल। आप नीचे दी गई छवि में प्रत्येक पिक्सेल की रूपरेखा देख सकते हैं।

चित्र 2: प्रत्येक पिक्सेल की रूपरेखा सहित काला त्रिकोण।

लेकिन यह छवि केवल उन संख्याओं की मैट्रिक्स का निरूपण है जो कंप्यूटर में संग्रहीत हैं।

चित्र 3: त्रिकोण छवि बनाने वाली मैट्रिक्स में 1 और 0 का प्रदर्शन।

यह केवल दो रंगों—काला और सफेद—वाली छवियों के लिए काफी सरल है। यदि आपकी छवि धूसर रंगों (ग्रे) में है, तो आपको अधिक सूक्ष्मता जोड़नी होगी। तब आपको बक्सों में 0.015 जैसे नंबर मिल सकते हैं। यह संख्या मूलतः कंप्यूटर को बताती है कि स्क्रीन पर प्रत्येक पिक्सेल को कितनी ल्यूमिनेंस देनी है। यह काले (1) और सफेद (0) के बीच का मान परिभाषित करती है।

रंगीन छवियों का विश्लेषण

लेकिन छवियां शायद ही इतनी नीरस होती हैं। कंप्यूटर रंगीन छवियों के साथ क्या करते हैं? आइए इस त्रिकोण को हरा कर देते हैं!

चित्र 4: वही 28-पिक्सेल त्रिकोण, लेकिन इस बार रंग के साथ!

इस स्थिति में, आप इस रंग को वर्णित करने के लिए शून्य और एक के बीच की संख्या का उपयोग नहीं कर सकते। इतने अधिक रंग उपलब्ध हैं कि प्रत्येक को एकल, सहज संख्या देना व्यावहारिक नहीं है।

इसके बजाय, कुछ प्रणालियां विकसित की गई हैं जो किसी रंग के घटकों को अलग करती हैं और प्रत्येक घटक को संख्याएं सौंपती हैं।

उदाहरण के लिए, आपने RGB के बारे में सुना होगा। यह एक कलर मॉडल है जो प्रत्येक रंग को क्रमशः लाल, हरे और नीले की मात्रा में तोड़ता है, जो मिलकर आपकी वांछित रंगत बनाते हैं।

RGB मॉडल ऐसे स्क्रीन के उपयोग से आता है जिनमें लाल, हरे और नीले पिक्सेल होते हैं, जैसे टेलीविज़न। यह मॉडल उन उपकरणों में प्रकाश द्वारा प्रयुक्त ऐडिटिव कलर मिक्सिंग को सक्षम करता है।

इस प्रणाली में, लाल, नीला और हरा को “चैनल” कहा जाता है। 8-बिट छवि के लिए, प्रत्येक चैनल को 0 से 255 के बीच मान दिया जाता है (जो 8-अंकीय बाइनरी संख्या का अधिकतम मान है)।

आइए देखें कि हमारे साधारण हरे त्रिकोण के लिए इसका क्या अर्थ है।

इस हरे रंग की छाया के लिए RGB मान क्रमशः 154, 205 और 50 हैं। ध्यान दें कि यदि यह शुद्ध हरा होता, तो लाल और नीले चैनल प्रत्येक 0 होते। यह RGB निरूपण दिखाता है कि इस छाया को बनाने के लिए हरे में काफी लाल और थोड़ा नीला मिला हुआ है। प्रत्येक पिक्सेल का वर्णन करने के लिए तीन चैनलों के मान होते हैं। हर हरे पिक्सेल को 154, 205, 50 से दर्शाया जाता है, और हर सफेद पिक्सेल को 0, 0, 0 से।

इसका मतलब है कि यह साधारण 28-पिक्सेल हरा त्रिकोण तीन 7x4 मैट्रिक्स द्वारा प्रतिनिधित्व किया जाता है।

आप कल्पना कर सकते हैं कि ये तीनों मैट्रिक्स एक-दूसरे के ऊपर रखे जाते हैं और छवि बनती है।

चित्र 5: इस साधारण हरे त्रिकोण के लिए, RGB रंग प्रणाली के प्रत्येक चैनल में छवि का प्रतिनिधित्व करने वाले पिक्सेल मानों की एक मैट्रिक्स होती है। जब संयुक्त किया जाता है, तो ये तीनों मैट्रिक्स मिलकर यही एक छवि बनाते हैं!

आप देख सकते हैं कि यदि हर पिक्सेल को परिभाषित करने के लिए तीन संख्याओं की आवश्यकता हो, तो छवियां कंप्यूटर में कितनी जल्दी बहुत जगह घेर सकती हैं। ज़रा सोचिए कि एक हाई-रिज़ॉल्यूशन छवि, मान लीजिए 4K छवि (जिसमें 4,000 पिक्सेल हैं), में कितनी संख्याएं होंगी।

RGB छवियों में रंग निर्दिष्ट करने की एकमात्र प्रणाली नहीं है। आप CYMK के बारे में भी सुन चुके होंगे, जो प्रत्येक रंग का वर्णन करने के लिए चार संख्याओं का उपयोग करता है। यह मॉडल सियान, मैजेंटा, पीला और काला—इन चार रंगों का उपयोग करता है। जब आपको सब्ट्रैक्टिव कलर मॉडल की आवश्यकता होती है, उदाहरण के लिए प्रिंटिंग में, यह उपयोगी होता है।

हर रंग प्रणाली के अपने फायदे और नुकसान हैं, और यदि आप इमेज विश्लेषण के दौरान मेमोरी समस्याओं का सामना कर रहे हैं, तो कुछ प्रणालियों की जांच करना सार्थक हो सकता है। इस ट्यूटोरियल के उद्देश्य से, हम RGB के साथ ही रहेंगे।

तो आप इन पिक्सेल मानों की मैट्रिक्स के साथ क्या कर सकते हैं?

मैनुअल इमेज विश्लेषण तकनीकें

थ्रेशोल्डिंग से ऑब्जेक्ट अलग करना

कंप्यूटर कैसे निर्धारित करता है कि कौन से पिक्सेल किसी चेहरे या अन्य वस्तु का प्रतिनिधित्व करते हैं? आजकल, उस पहचानने का अधिकांश कार्य मशीन लर्निंग मॉडलों द्वारा किया जाता है। लेकिन उन्हें समझने के लिए, पहले यह समझना उपयोगी है कि किसी छवि में किसी आकृति को मैन्युअली कैसे अलग किया जाए।

कल्पना करें कि आपके पास हल्की पृष्ठभूमि के सामने दो छिपकलियों का वीडियो है। सरलता के लिए, आप वीडियो को ग्रेस्केल में बदल देते हैं, ताकि विचार करने के लिए केवल एक चैनल हो। आप वीडियो के दौरान छिपकली की गति को ट्रैक करने में रुचि रखते हैं।

एक वीडियो बस एक-दूसरे के साथ रखी गई तस्वीरों (या फ्रेम्स) की शृंखला है। इसलिए सबसे पहले आपको उस स्टैक को तोड़ना होगा और प्रत्येक फोटो को एक-एक करके लेना होगा। अब जब आपके पास एक ग्रेस्केल फोटो है, तो आपको कंप्यूटर को दिखाना होगा कि फोटो का कौन सा हिस्सा छिपकली है और कौन सा नहीं।

सैद्धांतिक रूप से, आप अपने माउस से छिपकली बनाने वाले प्रत्येक पिक्सेल की ओर इशारा कर सकते हैं और उसे “लिज़र्ड” के रूप में लेबल कर सकते हैं। लेकिन अधिकांश तस्वीरों के रिज़ॉल्यूशन और आपके वीडियो में कई तस्वीरें होने के कारण, यह एक अव्यावहारिक प्रस्ताव है।

इसके बजाय, आप एक नियम बना सकते हैं जो कंप्यूटर को बताए कि क्या हिस्सा छिपकली है और क्या नहीं। इसे करने का सबसे सरल तरीका थ्रेशोल्डिंग है।

चित्र 6: चीज़ों को सरल रखने के लिए, हम इस फोटो पर ग्रेस्केल में काम करेंगे।

थ्रेशोल्डिंग क्या है?

थ्रेशोल्डिंग किसी छवि को प्रत्येक पिक्सेल को सौंपे गए संख्यात्मक मान के आधार पर सेगमेंट करने की प्रक्रिया है। छिपकलियों की ग्रेस्केल छवि को फिर से देखें। ध्यान दें कि छिपकलियां पृष्ठभूमि की तुलना में गहरी दिखाई देती हैं। कई छवियों में, उस वस्तु और उसकी पृष्ठभूमि के बीच ल्यूमिनेंस में अंतर होगा जिसे हम अलग करना चाहते हैं।

थ्रेशोल्डिंग इस ल्यूमिनेंस अंतर का उपयोग करके वस्तु के किनारे खोजने की प्रक्रिया है—इस मामले में छिपकलियों के। यह तकनीक एक ऐसा थ्रेशोल्ड ल्यूमिनेंस निर्धारित करने का लक्ष्य रखती है जो हल्के और गहरे पिक्सेल्स को अलग करे।

बाइनरी छवि बनाना

उस संख्याओं की मैट्रिक्स की कल्पना करें जो इस ग्रेस्केल छवि को परिभाषित करती है। प्रत्येक पिक्सेल 0 से 255 के बीच की संख्या से परिभाषित होता है।

थ्रेशोल्डिंग के साथ, आप एक नियम परिभाषित कर सकते हैं कि जो भी पर्याप्त रूप से गहरा है वह छिपकली है। उदाहरण के लिए, आप कह सकते हैं कि कोई भी पिक्सेल जिसका मान 130 या उससे अधिक है वह छिपकली है, और 130 से कम कुछ भी छिपकली नहीं है।

तकनीकी रूप से, आप हमारे थ्रेशोल्ड मान या उससे ऊपर की किसी भी चीज़ को 255 पर सेट करेंगे और बाकी सब कुछ 0 पर। यह काले और सफेद पिक्सेल्स वाली एक बाइनरी छवि बनाता है। यदि आपने अच्छा थ्रेशोल्ड मान चुना है, तो छिपकलियां सफेद पृष्ठभूमि पर काली दिखेंगी।

चित्र 7: 130 के थ्रेशोल्ड से उत्पन्न बाइनरी छवि।

इस उदाहरण में, हमने बस एक मनमाना नंबर—130—को अपना थ्रेशोल्ड चुना। हालांकि, अपनी छिपकलियों को सटीक रूप से अलग करने के लिए, आप ऐसा नंबर चुनना चाहेंगे जो छिपकली के विशाल बहुमत को कवर करे और ऐसे पिक्सेल्स को कम से कम रखे जो छिपकली का हिस्सा नहीं हैं।

पूरी छवि के लिए एक ही थ्रेशोल्ड मान चुनने की इस प्रक्रिया को ग्लोबल थ्रेशोल्डिंग कहा जाता है। यह आपके लक्ष्य को अलग करने का एक मोटा तरीका है और अक्सर अपूर्ण होता है। यदि आपके पास बिल्कुल सफेद पृष्ठभूमि पर एक परिपूर्ण सिल्हूट वाली छिपकली है, तो ग्लोबल थ्रेशोल्डिंग शानदार काम करेगी। लेकिन जैसा कि आप इस उदाहरण में देख सकते हैं, वास्तविक छवियां शायद ही इतनी आसान होती हैं। आपको संभवतः थ्रेशोल्डिंग की अधिक जटिल विधि की आवश्यकता होगी।

ऐसी ही एक विधि को लोकल थ्रेशोल्डिंग कहा जाता है। इस तकनीक में, आप अपनी छवि के विभिन्न भागों के लिए अलग-अलग थ्रेशोल्ड मान चुनते हैं। यह विशेष रूप से तब उपयोगी होता है जब पृष्ठभूमि में प्रकाश का ग्रेडिएंट हो। कई अन्य ऑप्टिमाइज़ेशन विधियां भी हैं जिनकी जटिलता भिन्न होती है, और आपका चयन आपकी परिस्थितियों पर निर्भर करेगा।

रंगीन छवियों पर भी थ्रेशोल्डिंग की जा सकती है। ऐसा करना कहीं अधिक जटिल है और इस ट्यूटोरियल के दायरे से बाहर है।

मॉर्फोलॉजिकल विश्लेषण

थ्रेशोल्डिंग से आप इन छिपकलियों को काफ़ी हद तक अलग कर सकते हैं, लेकिन यह परिपूर्ण नहीं है। आपके पास अभी भी पृष्ठभूमि के कुछ हिस्से छिपकली के रूप में परिभाषित हो सकते हैं या छिपकली के कुछ हिस्से गायब हो सकते हैं। आपको जानवरों को और अलग करने के लिए एक और उपकरण की आवश्यकता है। थ्रेशोल्डिंग में, आपने रंग या ल्यूमिनेंस के आधार पर एक नियम परिभाषित किया था। अब आप आकार के आधार पर एक नियम परिभाषित करेंगे, मॉर्फोलॉजिकल ऑपरेशंस का उपयोग करके।

स्ट्रक्चरिंग एलीमेंट्स से आकार परिभाषित करना

मॉर्फोलॉजिकल ऑपरेशंस आकारों के किनारों का निर्धारण करने के लिए स्ट्रक्चरिंग एलीमेंट्स का उपयोग करते हैं। स्ट्रक्चरिंग एलीमेंट एक छोटा मैट्रिक्स होता है जिसका एक विशिष्ट आकार होता है—आमतौर पर वर्ग, वृत्त या क्रॉस। आप अलग-अलग प्रभाव पाने के लिए स्ट्रक्चरिंग एलीमेंट का आकार भी बदल सकते हैं।

मॉर्फोलॉजिकल ऑपरेशन के दौरान, प्रत्येक पिक्सेल की तुलना उस आकार के भीतर अपने पड़ोसी पिक्सेल्स से की जाती है। हमारे लक्षित ऑब्जेक्ट के आकार को परिभाषित करने के लिए आप दो बुनियादी मॉर्फोलॉजिकल ऑपरेशंस का उपयोग कर सकते हैं: डाइलेशन और इरोजन।

डाइलेशन

डाइलेशन में, यदि स्ट्रक्चरिंग एलीमेंट की सीमा के भीतर कोई भी पड़ोसी पिक्सेल गहरा है (इस मामले में, 1), तो लक्ष्य पिक्सेल को भी मिलाने के लिए 1 कर दिया जाता है।

कल्पना करें कि आप संख्याओं की ग्रिड पर एक वर्ग-आकार का आवर्धक शीशा घुमा रहे हैं। आप वर्ग के बीच में एक संख्या रखते हैं और फिर उस वर्ग के भीतर अन्य संख्याओं को देखते हैं। यदि उनमें से कोई भी 1 है, तो आप बीच वाली संख्या को 1 के रूप में चिह्नित करते हैं, भले ही वह शुरू में क्या थी।

इस तरह, डाइलेशन वस्तुओं की सीमाओं को फैलाने या छेद भरने में सहायक हो सकता है।

इरोजन

इरोजन डाइलेशन की ही तरह काम करता है, लेकिन विपरीत प्रभाव के साथ। इरोजन में, यदि किसी पिक्सेल का कोई भी पड़ोसी 0 है, तो उस पिक्सेल को 0 के रूप में फिर परिभाषित किया जाएगा। यह वस्तुओं को अलग करने, शोर घटाने और सीमाओं को परिष्कृत करने का काम कर सकता है।

चित्र 8: क्रॉस-आकार के स्ट्रक्चरिंग एलीमेंट का उपयोग करते हुए डाइलेशन और इरोजन का दृश्य उदाहरण। इस उदाहरण में, हमने केवल मैट्रिक्स की दूसरी पंक्ति पर मॉर्फोलॉजिकल ऑपरेशन किया। वास्तविक छवि में, इसे हर पिक्सेल पर लागू किया जाएगा। परंतु सिर्फ इस सरल उदाहरण से भी आप देख सकते हैं कि इरोजन ने रेखा के किनारों को अलग किया जबकि डाइलेशन ने उसे मोटा किया।

आप देख सकते हैं कि डाइलेशन और इरोजन बाइनरी छिपकली छवि को कैसे संशोधित करते हैं।

चित्र 9: छिपकली की फोटो पर इरोजन और डाइलेशन लागू करने का उदाहरण। यहां प्रयुक्त स्ट्रक्चरिंग एलीमेंट 6x6 का वर्ग था।

डाइलेशन और इरोजन का संयोजन

डाइलेशन और इरोजन को क्रमिक या आवर्ती रूप से उपयोग करके अंतिम परिणाम बदला जा सकता है। अपनी अलग की गई छवि को और स्पष्ट करने के लिए दोनों का उपयोग करना आम प्रचलन है।

जब इरोजन के बाद डाइलेशन किया जाता है, तो छोटे उभार और शोर हट जाते हैं, और शेष रूपरेखा मज़बूत होती है। इसे ओपनिंग कहा जाता है।

जब डाइलेशन के बाद इरोजन किया जाता है, तो छोटे छेद और गैप्स भर जाते हैं, और किनारे साफ-सुथरे हो जाते हैं। इसे क्लोज़िंग कहा जाता है।

चित्र 10: छिपकली की फोटो पर 6x6 वर्ग स्ट्रक्चरिंग एलीमेंट का उपयोग करते हुए ओपनिंग और क्लोज़िंग तकनीकों का प्रदर्शन।

आप देख सकते हैं कि इनमें से कोई भी छवि हमारी छिपकलियों को पृष्ठभूमि से पूरी तरह अलग नहीं करती। लेकिन हर सुधार और पुनरावृत्ति के साथ, आप लक्ष्य के और क़रीब पहुंचते हैं।

अगली पुनरावृत्ति में, आप कंप्यूटर से कह सकते हैं कि किसी निश्चित आकार सीमा के बाहर की किसी भी चीज़ को अनदेखा कर दे। इससे अधिकांश छोटे धब्बे हट जाएंगे और छिपकलियां यथावत रहेंगी। इसे स्वयं करना सीखें DataCamp के Image Processing in Python Course में!

हर छवि या छवियों की शृंखला के लिए, आप ऐसे नियमों की एक शृंखला सेट कर सकते हैं जो कंप्यूटर को बताए कि आपका लक्ष्य कैसा दिखता है। फिर कंप्यूटर इस जानकारी का इस्तेमाल निर्णय लेने के लिए कर सकता है।

ये निर्णय आकाशगंगाओं की पहचान करने से लेकर रोगग्रस्त ऊत्तक खोजने तक हर चीज़ को प्रभावित करते हैं। लेकिन हर तस्वीर के लिए अलग-अलग नियम बनाना समयसाध्य और नीरस है। यहीं मशीन लर्निंग काम में आती है।

इमेज विश्लेषण के लिए सुपर्वाइज़्ड मशीन लर्निंग

एक सुपर्वाइज़्ड ML मॉडल का प्रशिक्षण

जैसा कि आपने देखा, हाथ से छवियों का विश्लेषण करना कठिन हो सकता है, क्योंकि बहुत बड़ी संख्या में चर सक्रिय होते हैं। सौभाग्य से, मशीन लर्निंग (ML) इस प्रक्रिया को स्वचालित करने में मदद कर सकती है। मशीन लर्निंग पर विस्तृत नज़र के लिए, आप Machine Learning Scientist with Python या Supervised Machine Learning देख सकते हैं। यह ट्यूटोरियल इमेज प्रोसेसिंग को समझने के लिए उपयोगी ML पक्षों का संक्षेप में ही उल्लेख करेगा।

ML की दो बड़ी श्रेणियां हैं: सुपर्वाइज़्ड ML और अनसुपर्वाइज़्ड ML।

सुपर्वाइज़्ड ML में, आप मूलतः कंप्यूटर को बड़ी संख्या में छवियां देते हैं और उन्हें पहले से लेबल करते हैं। यह कुछ वैसा ही है जैसे हम किसी बच्चे को जानवरों की ओर इशारा करके कहते हैं, “यह हाथी है।” अब बच्चे पर है कि वह उन चीज़ों का पैटर्न समझे जिन्हें हम हाथी कहते हैं और जिन्हें हम मछली कहते हैं।

सुपर्वाइज़्ड ML में कंप्यूटर कुछ वैसा ही काम करता है जैसा वह बच्चा।

चित्र 11: DALL-E द्वारा जनित छवि जिसमें मां खिलौना जानवरों की ओर इशारा कर बच्चे को उनके बारे में सिखा रही है। सुपर्वाइज़्ड लर्निंग इसी तरह काम करती है, जहां सही उत्तर वाले उदाहरण प्रदान किए जाते हैं।

एनोटेशन और फीचर एक्सट्रैक्शन

मान लीजिए आप एक मशीन लर्निंग मॉडल को ऐसी छवियों में वस्तुओं की पहचान करना सिखाना चाहते हैं जिनका उसने पहले सामना नहीं किया। इस सुपर्वाइज़्ड मशीन लर्निंग मॉडल को प्रशिक्षित करने का पहला चरण छवियों के एक संग्रह—जिसे ट्रेनिंग डेटासेट कहते हैं—को एनोटेट और लेबल करना है। एनोटेशन में किसी छवि में रुचि के क्षेत्रों की मैन्युअल पहचान और मार्किंग शामिल है।

उदाहरण के लिए, यदि हम किसी मॉडल को अलग-अलग प्रकार के जानवरों को वर्गीकृत करने के लिए प्रशिक्षित करना चाहते हैं, तो हम प्रत्येक छवि को उसमें मौजूद जानवरों की रूपरेखा खींचकर और उन्हें संबंधित वर्ग लेबल—‘गाय’, ‘बिल्ली’ आदि—सौंपकर एनोटेट करेंगे। यह एनोटेटेड डेटासेट मॉडल को प्रशिक्षित करने की नींव बनता है। आपके काम के लिए कई पहले से लेबल किए गए डेटासेट भी सार्वजनिक रूप से उपलब्ध हैं।

एक बार जब आपके पास लेबल किया हुआ ट्रेनिंग डेटासेट हो, तो आपको छवियों से प्रासंगिक फीचर्स निकालने की आवश्यकता होती है। फीचर एक्सट्रैक्शन में महत्वपूर्ण विशेषताओं या पैटर्न्स की पहचान और संकलन शामिल है जो एक वर्ग को दूसरे से अलग करते हैं।

हमारे जानवर वाले उदाहरण में, आप गायों की एक महत्वपूर्ण विशेषता चार पैर और धब्बे होना परिभाषित कर सकते हैं।

कन्वोल्यूशनल न्यूरल नेटवर्क्स

इमेज प्रोसेसिंग में फीचर एक्सट्रैक्शन के लिए कई तकनीकें उपलब्ध हैं, सरल विधियों जैसे कलर हिस्टोग्राम्स और टेक्सचर डिस्क्रिप्टर्स से लेकर अधिक उन्नत दृष्टिकोणों जैसे कन्वोल्यूशनल न्यूरल नेटवर्क्स (CNNs) तक।

CNNs एक लोकप्रिय सुपर्वाइज़्ड लर्निंग एल्गोरिथ्म हैं जो प्रशिक्षण के दौरान लेबल की गई छवियों से महत्वपूर्ण विशेषताएं और पैटर्न स्वतः सीखते हैं। ये लेयर्स से बने होते हैं, जिनमें से प्रत्येक लेयर छवि डेटा पर विशिष्ट ऑपरेशन करती है।

कन्वोल्यूशनल लेयर्स स्थानीय पैटर्न पकड़ने के लिए फ़िल्टर्स लागू करती हैं, जबकि पूलिंग लेयर्स स्थानिक आयामों को घटाती हैं। फुली-कनेक्टेड लेयर्स पिछली लेयर्स से जानकारी को संयोजित करती हैं। इन क्रमिक ऑपरेशंस के माध्यम से, नेटवर्क फीचर्स निकालता और संयोजित करता है ताकि छवि में मौजूद वस्तुओं के बारे में सटीक भविष्यवाणी कर सके।

आर्किटेक्चर चुनना

किसी सुपर्वाइज़्ड ML मॉडल, जैसे CNN, के प्रशिक्षण की प्रक्रिया में कई चरण होते हैं। पहले, डेटा को निरंतरता और गुणवत्ता सुनिश्चित करने के लिए प्रीप्रोसेस करना होता है। इसमें छवियों का आकार बदलना, पिक्सेल मानों को सामान्यीकृत करना, और डेटासेट को रोटेशन या फ्लिप जैसी ट्रांसफॉर्मेशन लागू करके बढ़ाना शामिल हो सकता है ताकि विविधता बढ़े।

इसके बाद, आप CNN मॉडल का आर्किटेक्चर डिज़ाइन करेंगे। मूल रूप से, आर्किटेक्चर वह संख्या और प्रकार की लेयर्स है जिसका आप उपयोग करते हैं और उनकी कॉन्फ़िगरेशन। आर्किटेक्चर को जटिलता और सरलता में संतुलन बैठाना चाहिए, ताकि मॉडल आवश्यक फीचर्स को कैप्चर कर सके और ओवरफिटिंग से बचे। किसी स्थापित आर्किटेक्चर से शुरू करना और उसे अपनी ज़रूरत के अनुसार संशोधित करना उपयोगी हो सकता है। आप बाहरी संसाधन में आर्किटेक्चर की एक सहायक सूची पा सकते हैं।

चित्र 12: CNN आर्किटेक्चर के सरल उदाहरण।

ओवरफिटिंग

ओवरफिटिंग तब होता है जब कंप्यूटर ट्रेनिंग डेटासेट की छवियों को लेबल करने में बहुत अच्छा हो जाता है, लेकिन फिर ट्रेनिंग सेट से बाहर की छवियों की सही पहचान नहीं कर पाता।

यह ओवरफिटिंग आमतौर पर इसलिए होती है क्योंकि कंप्यूटर ने ट्रेनिंग सेट में कोई ऐसा पूर्वाग्रह पकड़ लिया होता है जो हमने अनजाने में शामिल कर दिया और जो वास्तविक जीवन का प्रतिनिधित्व नहीं करता (जैसे अधिकांश बिल्ली की तस्वीरों की पृष्ठभूमि नीली होना, उदाहरण के लिए)। कई तकनीकें हैं जो मॉडल को ट्रेनिंग डेटा रटने से रोकने और इसके बजाय अधिक सामान्यीकृत पैटर्न सीखने के लिए प्रेरित करने में मदद करती हैं।

सुपर्वाइज़्ड ML मॉडल को प्रशिक्षित करना

एक बार जब मॉडल का आर्किटेक्चर परिभाषित हो जाए, तो आपको मॉडल के पैरामीटर्स को इनिशियलाइज़ करना होगा और प्रशिक्षण प्रक्रिया शुरू करनी होगी।

प्रशिक्षण के दौरान, मॉडल अपने पैरामीटर्स को क्रमिक रूप से समायोजित करता है, जैसे ग्रेडिएंट डिसेंट जैसे ऑप्टिमाइज़ेशन तरीकों का उपयोग करके, ताकि अपनी भविष्यवाणियों और आपके द्वारा पहले परिभाषित ग्राउंड-ट्रुथ लेबल्स के बीच का अंतर न्यूनतम किया जा सके।

इस प्रक्रिया में लॉस फंक्शन की गणना शामिल है, जो मॉडल की भविष्यवाणी त्रुटि को परिमाणित करता है, और उसके अनुसार पैरामीटर्स को अपडेट किया जाता है।

इमेज विश्लेषण के लिए सुपर्वाइज़्ड ML मॉडल का प्रशिक्षण एक आवर्ती प्रक्रिया है। आप लेबल किए गए डेटासेट का उपयोग करके मॉडल को प्रशिक्षित करते हैं, वैलिडेशन सेट पर उसके प्रदर्शन का मूल्यांकन करते हैं और सटीकता सुधारने के लिए समायोजन करते हैं। यह आवर्ती चक्र तब तक जारी रहता है जब तक मॉडल संतोषजनक परिणाम प्राप्त नहीं कर लेता।

इमेज विश्लेषण में सुपर्वाइज़्ड ML मॉडलों का अनुप्रयोग

एक बार जब सुपर्वाइज़्ड ML मॉडल को लेबल किए हुए इमेज डेटा पर प्रशिक्षित कर लिया जाता है, तो इसे इमेज विश्लेषण के विभिन्न कार्यों में लागू किया जा सकता है। नीचे कुछ सामान्य अनुप्रयोग दिए गए हैं जो इमेज प्रोसेसिंग कार्यों में सुपर्वाइज़्ड ML मॉडलों की प्रभावशीलता दर्शाते हैं।

इमेज क्लासिफिकेशन

इमेज क्लासिफिकेशन एक बुनियादी कार्य है जहां लक्ष्य किसी इनपुट छवि को एक लेबल या क्लास सौंपना होता है।

उदाहरण के लिए, किसी सुपर्वाइज़्ड ML मॉडल को जानवरों की छवियों को ‘मछली’, ‘छिपकली’ या ‘भृंग’ जैसी अलग-अलग श्रेणियों में वर्गीकृत करने के लिए प्रशिक्षित किया जा सकता है।

चित्र 13: इमेज क्लासिफिकेशन का एक उदाहरण। इस छवि को “डिनर” के रूप में वर्गीकृत किया गया है।

लेबल वाले विविध डेटासेट से सीखकर, मॉडल सामान्यीकृत कर सकता है और उच्च सटीकता के साथ छवियों को वर्गीकृत कर सकता है। यह तकनीक चिकित्सा छवियों में रोगों की पहचान, उपग्रह इमेजरी में वस्तुओं को पहचानने, और यहां तक कि चेहरे के हावभाव से भावनाओं को वर्गीकृत करने जैसे कार्यों में उपयोग की जा सकती है। इस विषय पर अधिक विवरण के लिए यह DataCamp वेबिनार देखें।

ऑब्जेक्ट डिटेक्शन

ऑब्जेक्ट डिटेक्शन इमेज विश्लेषण में सुपर्वाइज़्ड ML मॉडलों का एक अन्य महत्वपूर्ण अनुप्रयोग है। इमेज क्लासिफिकेशन के विपरीत, ऑब्जेक्ट डिटेक्शन में न केवल छवि में मौजूद वस्तुओं की पहचान शामिल होती है बल्कि उन्हें बाउंडिंग बॉक्स बनाकर लोकेट करना भी शामिल है।

यह प्रक्रिया मॉडल को किसी छवि के भीतर कई रुचि की वस्तुओं की पहचान करने की अनुमति देती है।

चित्र 14: ऑब्जेक्ट डिटेक्शन का एक उदाहरण। इस छवि के भीतर विभिन्न वस्तुओं की पहचान की गई है।

ऑब्जेक्ट डिटेक्शन के अनुप्रयोगों में स्वचालित ड्राइविंग शामिल है, जहां मॉडल पैदल यात्रियों, वाहनों और ट्रैफिक साइन का पता लगा और ट्रैक कर सकते हैं, साथ ही निगरानी प्रणालियां, जो व्यक्तियों या रुचि की वस्तुओं की पहचान और ट्रैकिंग करती हैं। Facebook और Instagram भी आपकी तस्वीरों में आपका चेहरा ढूंढने पर इसी विधि का उपयोग करते हैं।

सुपर्वाइज़्ड ML मॉडलों की चुनौतियां

हालांकि इमेज विश्लेषण में सुपर्वाइज़्ड ML मॉडलों की क्षमताएं प्रभावशाली हैं, फिर भी कुछ सीमाएं और चुनौतियां हैं जिनसे अवगत रहना चाहिए।

एक बड़ी चुनौती बड़े पैमाने पर लेबल किए हुए ट्रेनिंग डेटा की आवश्यकता है। छवियों का एनोटेशन और लेबलिंग करना समयसाध्य और संसाधन-गहन हो सकता है।

सुपर्वाइज़्ड ML मॉडल ट्रेनिंग डेटा में मौजूद पूर्वाग्रहों के प्रति भी संवेदनशील होते हैं, जो पक्षपाती भविष्यवाणियों या अनुचित परिणामों का कारण बन सकते हैं। मॉडलों को नए डोमेन्स या नए इमेज वर्गों के अनुकूल बनाना अतिरिक्त प्रशिक्षण या फाइन-ट्यूनिंग की मांग कर सकता है।

और CNNs जैसे जटिल मॉडलों द्वारा सीखी गई अभ्यावेदन और निर्णय-प्रक्रियाओं की व्याख्या करना चुनौतीपूर्ण हो सकता है, जिससे यह समझना कठिन हो जाता है कि मॉडल ने कोई विशेष भविष्यवाणी क्यों की।

इन चुनौतियों के बावजूद, सुपर्वाइज़्ड ML मॉडल इमेज विश्लेषण की सीमाओं को आगे बढ़ाते रहते हैं, और हेल्थकेयर, कृषि और सुरक्षा जैसे क्षेत्रों में उल्लेखनीय प्रगति सक्षम कर रहे हैं।

जैसे-जैसे इस क्षेत्र में अनुसंधान और विकास आगे बढ़ेगा, इन चुनौतियों का समाधान और मॉडलों का परिष्कार और अधिक सटीक और भरोसेमंद इमेज-प्रोसेसिंग समाधान का मार्ग प्रशस्त करेगा।

इमेज विश्लेषण के लिए अनसुपर्वाइज़्ड मशीन लर्निंग

अनसुपर्वाइज़्ड लर्निंग का उपयोग

सुपर्वाइज़्ड लर्निंग का एक विकल्प अनसुपर्वाइज़्ड मशीन लर्निंग है। सुपर्वाइज़्ड लर्निंग के विपरीत, अनसुपर्वाइज़्ड लर्निंग लेबल्ड डेटा पर निर्भर नहीं करती, बल्कि डेटा के भीतर ही छिपे पैटर्न, संरचनाओं या संबंधों को खोजने का लक्ष्य रखती है।

इमेज विश्लेषण में अनसुपर्वाइज़्ड लर्निंग का उद्देश्य बिना लेबल वाले इमेज डेटा से सार्थक संरचनाएं और अंतर्दृष्टि उजागर करना है। अनसुपर्वाइज़्ड लर्निंग तकनीकों का उपयोग करके, आप मूल्यवान जानकारी निकाल सकते हैं और छवियों की अंतर्निहित विशेषताओं की गहरी समझ प्राप्त कर सकते हैं।

अनसुपर्वाइज़्ड लर्निंग समान छवियों के क्लस्टर की पहचान करने, कुछ इमेज क्लासेस की विशेषता वाले पैटर्न या टेक्सचर खोजने, और डेटा के भीतर विसंगतियों या बाहरी मानों का पता लगाने में मदद कर सकती है।

अनसुपर्वाइज़्ड लर्निंग कैसे अलग है

यदि सुपर्वाइज़्ड लर्निंग ऐसा है जैसे आप बच्चे को बताते हैं कि गाय क्या है और मछली क्या है, तो अनसुपर्वाइज़्ड लर्निंग ऐसा है जैसे आप बच्चे को ढेर सारे जानवर दें और उसे उन्हें अपनी मर्ज़ी से छांटने दें। वे जानवरों को आकार, पैरों की संख्या, बनावट या रंग के आधार पर वर्गीकृत कर सकते हैं।

अंतिम परिणाम वैसा दिख सकता है जैसा कि आप उन्हें प्रजातियों के अनुसार अलग करके पाते, या बहुत अलग दिख सकता है! लेकिन प्राप्त श्रेणियों की विशेषताओं की जांच करने से आपको फिर भी उपयोगी जानकारी मिल सकती है।

चित्र 15: अनसुपर्वाइज़्ड लर्निंग परिवेश में बच्चा जानवरों के खिलौनों को छांट रहा है—DALL-E द्वारा जनित छवि।

अनसुपर्वाइज़्ड ML मॉडलों के साथ इमेज विश्लेषण

अनसुपर्वाइज़्ड मशीन लर्निंग मॉडल बिना लेबल वाले डेटा की आवश्यकता के, छवियों को बिन या श्रेणियों में छांटने में सक्षम बनाकर इमेज विश्लेषण के लिए रोमांचक संभावनाएं प्रदान करते हैं।

कल्पना करें कि आपके पास छवियों का एक विशाल संग्रह है और आप उन्हें सार्थक समूहों में व्यवस्थित करना चाहते हैं। अनसुपर्वाइज़्ड ML मॉडल छवियों की दृश्य विशेषताओं का विश्लेषण कर सकते हैं और उन्हें साझा विशेषताओं—जैसे रंग या आकार—के आधार पर समूहित कर सकते हैं। इससे मूल्यवान अंतर्दृष्टि मिलती है और इमेज विश्लेषण कार्य सरल हो जाते हैं।

क्लस्टरिंग एल्गोरिद्म

क्लस्टरिंग एल्गोरिद्म साझा विशेषताओं के आधार पर समान छवियों को एक साथ समूहित करते हैं। एक व्यापक रूप से प्रयुक्त क्लस्टरिंग एल्गोरिद्म k-means क्लस्टरिंग है, जो डेटा को पूर्व-निर्धारित संख्या के क्लस्टर्स में विभाजित करता है, एक सेट में प्रत्येक छवि के बीच गणितीय दूरी को क्रमिक रूप से न्यूनतम करते हुए।

हायरार्किकल क्लस्टरिंग एक अन्य दृष्टिकोण है जो समानता के आधार पर सेट्स को बार-बार मर्ज़ या स्प्लिट करके इमेज सेट्स की पदानुक्रमित संरचना बनाता है। ये क्लस्टरिंग एल्गोरिद्म हमें बिना लेबल वाले इमेज डेटासेट्स में प्राकृतिक समूहों की खोज करने की अनुमति देते हैं, जिससे इमेज समानता और विविधता के बारे में अंतर्दृष्टि मिलती है।

इमेज सेगमेंटेशन

अनसुपर्वाइज़्ड लर्निंग विशेष रूप से इमेज सेगमेंटेशन के लिए मूल्यवान है, जिसमें किसी छवि को सार्थक क्षेत्रों या वस्तुओं में विभाजित करना शामिल है।

क्लस्टरिंग तकनीकों या अन्य अनसुपर्वाइज़्ड लर्निंग तरीकों को लागू करके, आप किसी छवि को रंग, टेक्सचर या अन्य विशेषताओं के आधार पर अलग-अलग क्षेत्रों में विभाजित कर सकते हैं।

यह तकनीक चिकित्सा इमेजिंग में ट्यूमर खोजने, उपग्रह इमेजरी में भूमि आवरण वर्गीकरण, या कंप्यूटर ग्राफ़िक्स में फोरग्राउंड और बैकग्राउंड तत्वों को निकालने में उपयोगी हो सकती है।

पैटर्न मान्यता

पैटर्न मान्यता एक और क्षेत्र है जहां अनसुपर्वाइज़्ड लर्निंग उत्कृष्ट है।

अनसुपर्वाइज़्ड लर्निंग एल्गोरिद्म ऐसे अभ्यावेदन या फीचर्स सीख सकते हैं जो डेटा में मौजूद अंतर्निहित पैटर्न्स या संरचनाओं को कैप्चर करते हैं। इन सीखे हुए फीचर्स को निकालकर, छवियों को उनके साझा पैटर्न्स या दृश्य समानताओं के आधार पर वर्गीकृत या समूहित किया जा सकता है। इससे इमेज रिट्रीवल या इमेज सिंथेसिस जैसे कार्य संभव होते हैं।

एनॉमली डिटेक्शन

अनसुपर्वाइज़्ड लर्निंग का उपयोग विसंगतियों का पता लगाने में भी किया जाता है। किसी डेटासेट के सामान्य पैटर्न्स या विशेषताओं को सीखकर, अनसुपर्वाइज़्ड एल्गोरिद्म उन छवियों या क्षेत्रों की पहचान कर सकते हैं जो बाकी से भिन्न हैं। यह विशेष रूप से निगरानी जैसे क्षेत्रों में उपयोगी है, जहां असामान्य या संदिग्ध गतिविधियों का पता लगाना सुरक्षा निगरानी में मदद कर सकता है।

अनसुपर्वाइज़्ड ML मॉडलों की चुनौतियां

अनसुपर्वाइज़्ड लर्निंग की अपनी चुनौतियां हैं। एक बड़ी चुनौती परिणामों को समझना है, क्योंकि तुलना करने के लिए कोई ग्राउंड-ट्रुथ या लेबल्ड डेटा नहीं होता।

जानवरों को छांटने के उदाहरण पर वापस जाएं तो, आपके पास एक ऐसी श्रेणी हो सकती है जिसमें एक घोड़ा, एक भृंग और एक आक्टोपस—all ब्राउन—शामिल हों, जबकि दूसरी श्रेणी में एक सफेद घोड़ा, खरगोश और एक फूल हों। क्योंकि आपने यह निर्दिष्ट नहीं किया कि जानवरों को कैसे छांटना है, आपके पास ऐसे समूह बन सकते हैं जो बहुत सार्थक न हों।

अनसुपर्वाइज़्ड ML मॉडल द्वारा खोजे गए क्लस्टर्स या पैटर्न्स की गुणवत्ता और सटीकता का आकलन करना चुनौतीपूर्ण हो सकता है।

अनसुपर्वाइज़्ड ML मॉडलों के लाभ

अनसुपर्वाइज़्ड ML मॉडल इमेज प्रोसेसिंग में कई लाभ प्रदान करते हैं। सबसे महत्वपूर्ण, वे व्यापक मैनुअल लेबलिंग की आवश्यकता को समाप्त करते हैं, जिससे बड़े पैमाने के इमेज डेटासेट्स के साथ काम करना आसान और किफायती हो जाता है।

कल्पना करें कि आपको Instagram की हर छवि को मैन्युअल रूप से छांटना और लेबल करना पड़े। अनसुपर्वाइज़्ड मशीन लर्निंग मॉडल ऐसी लंबी, श्रमसाध्य मेहनत की आवश्यकता समाप्त कर देते हैं।

अनसुपर्वाइज़्ड ML मॉडल डेटा के भीतर छिपे पैटर्न्स और संरचनाओं को भी उजागर कर सकते हैं, जिससे लोग ऐसी नई अंतर्दृष्टियां प्राप्त कर सकते हैं और दृश्य संबंध खोज सकते हैं जो तुरंत स्पष्ट नहीं होते।

अनसुपर्वाइज़्ड लर्निंग की यह खोजपरक प्रकृति इमेज विश्लेषण के नए रास्ते खोलती है और अंतरिक्ष अन्वेषण, रोबोटिक्स और चिकित्सा सहित विभिन्न क्षेत्रों में प्रगति का कारण बन सकती है।

चित्र 16: इमेज प्रोसेसिंग में सुपर्वाइज़्ड और अनसुपर्वाइज़्ड मशीन लर्निंग की तुलना।

जनरेटिव AI से नई छवियां बनाना

एक बार जब कोई मॉडल यह निर्धारित कर लेता है कि छवियों में विभिन्न वस्तुओं को परिभाषित करने वाली विशेषताएं क्या हैं, तो वह उसी जानकारी का उपयोग करके नई छवियां बना सकता है।

DALL-E और Midjourney जनरेटिव मॉडलिंग की शक्ति का उपयोग करके नई छवियां बनाने वाले उल्लेखनीय अनसुपर्वाइज़्ड ML मॉडलों के उदाहरण हैं। विशाल डेटासेट्स पर प्रशिक्षण लेकर, इन मॉडलों ने कुछ क्लासिफायर्स के साथ छवियां बनाने के लिए आवश्यक घटकों को सीख लिया है।

तो यदि आप DALL-E से एक रोबोट पांडा की छवि बनाने के लिए कहते हैं, तो मॉडल रोबोट्स और पांडा को परिभाषित करने वाली अपनी आंतरिक परिभाषा पर जाएगा और उन टुकड़ों को एक साथ रखकर आपकी अनुरोधित छवि बनाएगा।

उदाहरण के लिए, वह यह निर्धारित कर सकता है कि रोबोट में धातु और गियर्स होते हैं, जबकि पांडा काले और सफेद होते हैं। वह इस जानकारी का उपयोग करके आपके लिए एक धातु का, काला-सफेद गियर्स वाला पांडा रोबोट बना देगा।

चित्र 17: 'Panda Robot' प्रॉम्प्ट का उपयोग करते हुए DALL-E द्वारा जनित छवि।

निष्कर्ष

यह ट्यूटोरियल मशीन लर्निंग में इमेज विश्लेषण की भूमिका को बेहतर समझने के उद्देश्य से एक उच्च-स्तरीय अन्वेषण है। अब आपको इस बात की बेहतर सहज समझ होनी चाहिए कि कंप्यूटर छवियों को कैसे ‘देखते’ और परिवर्तित करते हैं, और प्रीप्रोसेसिंग, फीचर एक्सट्रैक्शन और क्लासिफिकेशन एल्गोरिद्म जैसे प्रमुख मशीन लर्निंग अवधारणाओं की बुनियादी समझ होनी चाहिए।

इमेज प्रोसेसिंग हमारे जीवन में बड़ी भूमिका निभाती है—सोशल मीडिया से लेकर चिकित्सा इमेजिंग, अंतरिक्ष अन्वेषण और निगरानी तक। यदि आप इस दिलचस्प विषय में और गहराई से जाना चाहते हैं, तो DataCamp पर Image Processing with Python, Image Processing with Keras in Python, और Deep Learning for Images with PyTorch देखें।