किसी भी मशीन लर्निंग प्रोजेक्ट के साथ शुरुआत करना अक्सर इस सवाल से शुरू होता है: "कितना डेटा पर्याप्त है?" उत्तर कई कारकों पर निर्भर करता है जैसे उत्पादन डेटा की विविधता, ओपन-सोर्स डेटासेट की उपलब्धता, और सिस्टम का अपेक्षित प्रदर्शन; सूची काफी समय तक चल सकती है। इस लेख में, हम केवल बड़ी मात्रा में डेटा से सीखने वाली मशीनों के बारे में एक लोकप्रिय मिथक को दूर करना चाहते हैं, और एक छोटे डेटासेट के साथ एमएल को लागू करने के उपयोग के मामले को साझा करना चाहते हैं।
तेजी से अपनाने के साथ ध्यान लगा के पढ़ना या सीखना कंप्यूटर विज़न में, विविध कार्यों की संख्या बढ़ रही है जिन्हें मशीनों की मदद से हल करने की आवश्यकता है। वास्तविक दुनिया में इन छोटे डेटासेट मशीन लर्निंग एप्लिकेशन को समझने के लिए, आइए ऑब्जेक्ट डिटेक्शन के कार्य पर ध्यान दें.
ऑब्जेक्ट डिटेक्शन क्या है?
ऑब्जेक्ट डिटेक्शन कंप्यूटर विज़न की एक शाखा है जो किसी फ़ोटो या वीडियो में वस्तुओं की पहचान करने और उनका पता लगाने से संबंधित है। ऑब्जेक्ट डिटेक्शन का लक्ष्य मशीन लर्निंग की मदद से डिजिटल इमेज या वीडियो में कुछ खास विशेषताओं वाली वस्तुओं को खोजना है। अक्सर, वस्तु का पता लगाना वस्तु की पहचान के लिए एक प्रारंभिक कदम होता है: पहले हमें वस्तुओं की पहचान करनी होती है, और उसके बाद ही हम कुछ तत्वों की पहचान करने के लिए मान्यता मॉडल लागू कर सकते हैं।
ऑब्जेक्ट डिटेक्शन व्यावसायिक उपयोग के मामले
दृश्य निरीक्षण, गोदाम स्वचालन, सूची प्रबंधन, सुरक्षा, और बहुत कुछ जैसे कार्यों के लिए ऑब्जेक्ट डिटेक्शन एआई-संचालित समाधानों का एक मुख्य कार्य है। नीचे कुछ ऑब्जेक्ट डिटेक्शन उपयोग के मामले दिए गए हैं जिन्हें उद्योगों में सफलतापूर्वक लागू किया गया है।
विनिर्माण
गुणवत्ता आश्वासन और सूची प्रबंधन से लेकर छँटाई और संयोजन तक, वस्तु का पता लगाना कई निर्माण प्रक्रियाओं के स्वचालन में महत्वपूर्ण भूमिका निभाता है। मशीन लर्निंग एल्गोरिदम सिस्टम को किसी भी दोष का तुरंत पता लगाने, या स्वचालित रूप से वस्तुओं की गणना और पता लगाने की अनुमति देता है। ये एल्गोरिदम उन्हें मानवीय त्रुटि को कम करके और इन वस्तुओं को जांचने और छांटने में लगने वाले समय को कम करके इन्वेंट्री सटीकता में सुधार करने की अनुमति देते हैं।
मोटर वाहन सेवाएँ
मशीन लर्निंग का उपयोग किया जाता है आत्म - ड्राइविंग कारें, पैदल चलने वालों का पता लगाना, और शहरों में यातायात प्रवाह का अनुकूलन करना। ऑब्जेक्ट डिटेक्शन का उपयोग वाहन और ड्राइवर के तत्काल आसपास की बाधाओं को देखने के लिए किया जाता है। परिवहन में, वाहनों का पता लगाने और गिनने के लिए वस्तु पहचान का उपयोग किया जाता है। इसका उपयोग यातायात विश्लेषण के लिए भी किया जाता है और राजमार्गों या चौराहे पर रुकी कारों का पता लगाने में मदद करता है।
खुदरा
ऑब्जेक्ट डिटेक्शन आदर्श स्थिति के साथ शेल्फ छवियों का विश्लेषण और तुलना करके SKU (स्टॉक कीपिंग यूनिट्स) का पता लगाने में मदद करता है। हार्डवेयर में एकीकृत कंप्यूटर दृष्टि तकनीक खुदरा स्टोर में प्रतीक्षा समय को कम करने, ग्राहकों के उत्पादों के साथ बातचीत करने के तरीके को ट्रैक करने और वितरण को स्वचालित करने में मदद करती है।
हेल्थकेयर
ऑब्जेक्ट डिटेक्शन का उपयोग सीटी स्कैन, एमआरआई और एक्स-रे जैसी चिकित्सा छवियों के अध्ययन के लिए किया जाता है। इसका उपयोग उच्च जोखिम वाले रोगियों की पहचान करने, असामान्यताओं का पता लगाने और यहां तक कि शल्य चिकित्सा सहायता प्रदान करने में मदद करने के लिए कैंसर जांच में भी किया जाता है। टेलीहेल्थ के लिए चिकित्सा परीक्षाओं में सहायता के लिए वस्तु का पता लगाने और मान्यता को लागू करना रोगियों को स्वास्थ्य सेवा प्रदान करने के तरीके को बदलने के लिए एक नया चलन है।
सुरक्षा और निगरानी
ऑब्जेक्ट डिटेक्शन के अनुप्रयोगों में वीडियो सर्विलांस सिस्टम हैं जो लोगों का पता लगाने और चेहरे की पहचान करने में सक्षम हैं। मशीन लर्निंग एल्गोरिदम का उपयोग करते हुए, ऐसे सिस्टम बायोमेट्रिक प्रमाणीकरण और दूरस्थ निगरानी के लिए डिज़ाइन किए गए हैं। आत्महत्या की रोकथाम के लिए भी इस तकनीक का इस्तेमाल किया गया है।
रसद और गोदाम स्वचालन
ऑब्जेक्ट डिटेक्शन मॉडल दोष का पता लगाने के साथ-साथ इन्वेंट्री प्रबंधन, गुणवत्ता नियंत्रण और आपूर्ति श्रृंखला प्रबंधन के स्वचालन के लिए उत्पादों का निरीक्षण करने में सक्षम हैं। एआई-पावर्ड लॉजिस्टिक्स सॉल्यूशंस बारकोड डिटेक्शन के बजाय ऑब्जेक्ट डिटेक्शन मॉडल का उपयोग करते हैं, इस प्रकार मैनुअल स्कैनिंग की जगह लेते हैं।
ऑब्जेक्ट डिटेक्शन सिस्टम कैसे विकसित करें: PoC दृष्टिकोण
उपरोक्त वर्णित कार्यों के लिए उपयोग की जाने वाली ऑब्जेक्ट डिटेक्शन सिस्टम विकसित करना किसी अन्य एमएल प्रोजेक्ट से अलग नहीं है। यह आम तौर पर प्रयोग के कई दौर के दौरान जांच की जाने वाली एक परिकल्पना के निर्माण के साथ शुरू होता है।
इस तरह की परिकल्पना सॉफ्टवेयर विकास में प्रूफ ऑफ कॉन्सेप्ट (PoC) दृष्टिकोण का एक हिस्सा है। यह मशीन लर्निंग के साथ संरेखित होता है, क्योंकि इस मामले में, डिलीवरी एक अंतिम उत्पाद नहीं है। अनुसंधान करने से हमें ऐसे परिणाम प्राप्त करने की अनुमति मिलती है जो हमें यह निर्धारित करने की अनुमति देगा कि या तो चुने हुए दृष्टिकोण का उपयोग किया जा सकता है, या यह कि एक अलग दिशा चुनने के लिए अतिरिक्त प्रयोग चलाने की आवश्यकता है।
यदि प्रश्न "मशीन सीखने के लिए कितना डेटा पर्याप्त है" है, तो परिकल्पना एक प्रारंभिक कथन हो सकती है जैसे "150 डेटा नमूने मॉडल के प्रदर्शन के इष्टतम स्तर तक पहुंचने के लिए पर्याप्त हैं।"
अनुभवी एमएल प्रैक्टिशनर जैसे एंड्रयू एनजी (Google ब्रेन के सह-संस्थापक और Baidu के पूर्व मुख्य वैज्ञानिक) की सिफारिश मशीन सीखने की कार्यक्षमता के साथ सिस्टम के पहले पुनरावृत्ति का निर्माण, फिर इसे तैनात करना और वहां से पुनरावृति करना।
यह दृष्टिकोण हमें एक कार्यात्मक और स्केलेबल प्रोटोटाइप सिस्टम बनाने की अनुमति देता है जिसे उत्पादन टीम से डेटा और फीडबैक के साथ अपग्रेड किया जा सकता है। गेट-गो से अंतिम प्रणाली बनाने की कोशिश करने की संभावना की तुलना में यह समाधान कहीं अधिक कुशल है। इस प्रकृति के एक प्रोटोटाइप के लिए जरूरी नहीं कि बड़ी मात्रा में डेटा की आवश्यकता हो।
"कितना डेटा पर्याप्त है" के सवाल का जवाब देने के लिए, यह निर्विवाद रूप से सच है कि कोई भी मशीन लर्निंग विशेषज्ञ यह अनुमान नहीं लगा सकता है कि कितने डेटा की आवश्यकता है। इसका पता लगाने का एकमात्र तरीका एक परिकल्पना स्थापित करना और वास्तविक दुनिया की परिस्थितियों में उसका परीक्षण करना है। हमने निम्नलिखित ऑब्जेक्ट डिटेक्शन उदाहरण के साथ ठीक यही किया है।
केस स्टडी: लॉजिस्टिक्स में स्वचालित वस्तुओं की गिनती के लिए छोटे डेटासेट का उपयोग करके वस्तु का पता लगाना
हमारा लक्ष्य रसद के लिए वस्तुओं का पता लगाने में सक्षम प्रणाली बनाना था। उत्पादन से गोदाम तक या गोदाम से सुविधाओं तक माल के परिवहन के लिए अक्सर इनवॉइस और डेटाबेस का उपयोग करके वास्तविक मात्रा के मध्यवर्ती नियंत्रण और समन्वय की आवश्यकता होती है। यदि मैन्युअल रूप से किया जाता है, तो इस कार्य के लिए घंटों मानव कार्य की आवश्यकता होगी और इसमें हानि, क्षति या चोट का उच्च जोखिम शामिल होगा।
हमारी प्रारंभिक परिकल्पना यह थी कि लॉजिस्टिक्स उद्देश्यों के लिए विभिन्न मदों को स्वचालित रूप से गिनने के मुद्दे को हल करने के लिए एक छोटा एनोटेट डेटासेट पर्याप्त होगा।
समस्या के लिए पारंपरिक दृष्टिकोण जो कई लोग लेंगे वह है क्लासिक कंप्यूटर विज़न तकनीकों का उपयोग करना। उदाहरण के लिए, एक सोबेल फ़िल्टर एज डिटेक्शन एल्गोरिदम को हफ़ सर्कल ट्रांसफॉर्म विधियों के साथ गोल वस्तुओं का पता लगाने और गिनने के लिए जोड़ सकता है। यह विधि सरल और अपेक्षाकृत विश्वसनीय है; हालांकि, यह एक नियंत्रित वातावरण के लिए अधिक उपयुक्त है, जैसे कि एक उत्पादन लाइन जो अच्छी तरह से परिभाषित गोल या अंडाकार आकार वाली वस्तुओं का उत्पादन करती है।
हमारे द्वारा चुने गए उपयोग के मामले में, शास्त्रीय तरीके बहुत कम विश्वसनीय हैं क्योंकि वस्तुओं का आकार, छवियों की गुणवत्ता और प्रकाश की स्थिति सभी बहुत भिन्न हो सकती हैं। इसके अलावा, ये शास्त्रीय तरीके एकत्र किए गए डेटा से नहीं सीख सकते हैं। इससे अधिक डेटा एकत्र करके सिस्टम को परिष्कृत करना मुश्किल हो जाता है। इस मामले में, सबसे अच्छा विकल्प इसके बजाय एक तंत्रिका नेटवर्क-आधारित ऑब्जेक्ट डिटेक्टर को फाइन-ट्यून करना होगा।
डेटा संग्रह और लेबलिंग
एक छोटे डेटासेट के साथ ऑब्जेक्ट डिटेक्शन का एक प्रयोग करने के लिए, हमने सार्वजनिक स्रोतों के माध्यम से उपलब्ध कई छवियों को एकत्र किया और मैन्युअल रूप से एनोटेट किया। हमने लकड़ी के लट्ठों का पता लगाने पर ध्यान केंद्रित करने का फैसला किया, और एनोटेट की गई छवियों को . में विभाजित किया रेलगाड़ी और सत्यापन बंटवारा
हमने अतिरिक्त रूप से का एक सेट इकट्ठा किया परीक्षण लेबल के बिना छवियां जहां लॉग किसी तरह से ट्रेन और सत्यापन छवियों (अभिविन्यास, आकार, आकार, या लॉग का रंग) से अलग होंगे, यह देखने के लिए कि मॉडल की पहचान क्षमताओं की सीमाएं दी गई हैं रेलगाड़ी निर्धारित किया है.
चूंकि हम ऑब्जेक्ट डिटेक्शन के साथ काम कर रहे हैं, इसलिए इमेज एनोटेशन को बाउंडिंग बॉक्स के रूप में दर्शाया जाता है। उन्हें बनाने के लिए, हमने एक ओपन-सोर्स ब्राउज़र-आधारित टूल का उपयोग किया, वीजीजी इमेज एनोटेटर, जिसमें छोटे पैमाने के डेटासेट बनाने के लिए पर्याप्त कार्यक्षमता है। दुर्भाग्य से, टूल अपने स्वयं के प्रारूप में एनोटेशन का उत्पादन करता है जिसे हमने बाद में बदल दिया नारियल वस्तु का पता लगाने का मानक।
ऑब्जेक्ट डिटेक्शन में, डेटा की मात्रा न केवल डेटासेट में छवियों की संख्या से निर्धारित होती है, बल्कि प्रत्येक छवि में अलग-अलग ऑब्जेक्ट इंस्टेंस की मात्रा से भी निर्धारित होती है। हमारे मामले में, छवियों को वस्तुओं से काफी घनी तरह से पैक किया गया था - उदाहरणों की संख्या प्रति छवि 50-90 तक पहुंच गई।
Detectron2 ऑब्जेक्ट डिटेक्शन
हमने जिस मॉडल का उपयोग करने का निर्णय लिया वह एक कार्यान्वयन था तेज़ आर-सीएनएन कंप्यूटर विज़न लाइब्रेरी में फेसबुक द्वारा डिटेक्टर २.
आइए देखें कि फास्टर आर-सीएनएन ऑब्जेक्ट डिटेक्शन के लिए कैसे काम करता है। सबसे पहले, एक इनपुट छवि को बैकबोन (एक छवि वर्गीकरण समस्या के लिए पूर्व-प्रशिक्षित एक गहरा सीएनएन मॉडल) के माध्यम से पारित किया जाता है और एक संपीड़ित प्रतिनिधित्व में परिवर्तित किया जाता है जिसे फीचर मैप कहा जाता है। फीचर मैप्स को फिर रीजन प्रपोजल नेटवर्क (RPN) द्वारा प्रोसेस किया जाता है जो फीचर मैप्स में उन क्षेत्रों की पहचान करता है जिनमें रुचि की वस्तु होने की संभावना होती है।
इसके बाद, क्षेत्रों को आरओआई पूलिंग ऑपरेशन का उपयोग करके फीचर मैप से निकाला जाता है और बाउंडिंग बॉक्स ऑफ़सेट हेड (जो प्रत्येक क्षेत्र के लिए सटीक बाउंडिंग बॉक्स निर्देशांक की भविष्यवाणी करता है) और ऑब्जेक्ट वर्गीकरण हेड (जो क्षेत्र में ऑब्जेक्ट के वर्ग की भविष्यवाणी करता है) द्वारा संसाधित किया जाता है।
तेज़ आर-सीएनएन (क्षेत्र-आधारित कनवल्शनल न्यूरल नेटवर्क) आर-सीएनएन आर्किटेक्चर का तीसरा पुनरावृत्ति है।
फास्टर आर-सीएनएन दो चरणों वाला ऑब्जेक्ट डिटेक्शन मॉडल है। इसमें आरपीएन सब-नेटवर्क से लेकर सैंपल ऑब्जेक्ट प्रपोजल शामिल हैं। हालांकि, ऑब्जेक्ट डिटेक्शन के लिए छोटे डेटासेट का यह एकमात्र समाधान नहीं है।
इस क्षेत्र प्रस्ताव स्क्रीनिंग चरण के बिना प्रासंगिक वस्तुओं को खोजने का प्रयास करने वाले एक-चरण डिटेक्टर मॉडल भी हैं। वन-स्टेज डिटेक्टरों में सरल आर्किटेक्चर होते हैं, और आमतौर पर दो-चरण मॉडल की तुलना में तेज़ लेकिन कम सटीक होते हैं। उदाहरणों में शामिल हैं: योलोव4 और योलोव5 आर्किटेक्चर, - इन परिवारों में से कुछ हल्के कॉन्फ़िगर किए गए मॉडल 50-140 एफपीएस तक पहुंच सकते हैं (हालांकि पता लगाने की गुणवत्ता से समझौता करते हुए), फास्टर आर-सीएनएन की तुलना में जो अधिकतम 15-25 एफपीएस पर चलता है।
फास्टर आर-सीएनएन पर मूल पेपर 2016 में प्रकाशित हुआ था और समय के साथ वास्तुकला में कुछ छोटे सुधार प्राप्त हुए, जो हमारे द्वारा उपयोग किए गए डिटेक्ट्रॉन 2 लाइब्रेरी में परिलक्षित होते थे।
उदाहरण के लिए, हमारे प्रयोगों के लिए चयनित मॉडल विन्यास, आर50-एफपीएन, फीचर पिरामिड नेटवर्क के साथ बैकबोन ResNet-50 का उपयोग करता है - एक अवधारणा जिसे CVPR 2017 में पेश किया गया था काग़ज़ और तब से फीचर निष्कर्षण के लिए सीएनएन रीढ़ की हड्डी बन गया है। सरल शब्दों में, फ़ीचर पिरामिड नेटवर्क में हम सीएनएन से निकाले गए सबसे गहरे फीचर मैप्स तक सीमित नहीं हैं, बल्कि निम्न और मध्यम स्तर के फीचर मैप भी शामिल हैं। यह छोटी वस्तु का पता लगाने की अनुमति देता है जो अन्यथा संपीड़न के दौरान सबसे गहरे स्तर तक खो जाएगा।
परिणाम
हमारे प्रयोगों में, हमने निम्नलिखित पद्धति का उपयोग किया:
- पूर्व-प्रशिक्षित एक तेज़ आर-सीएनएन उदाहरण लें कोको ९७८८८५२२२८८३४ 80 वस्तु वर्गों के साथ डेटासेट।
- 320 उपन्यास वर्ग के लिए मॉडल को प्रशिक्षित करने के लिए बाउंडिंग बॉक्स रिग्रेशन में 80 इकाइयों और वर्गीकरण शीर्षों में 4 इकाइयों को क्रमशः 1 और 1 इकाइयों के साथ बदलें (बाउंडिंग बॉक्स रिग्रेशन हेड में प्रत्येक वर्ग के लिए एक्स, वाई, डब्ल्यू को पुनः प्राप्त करने के लिए 4 इकाइयां हैं। , बाउंडिंग बॉक्स के एच आयाम जहां एक्स, वाई बॉक्स केंद्र के केंद्र निर्देशांक हैं और डब्ल्यू, एच इसकी चौड़ाई और ऊंचाई हैं)।
कुछ प्रारंभिक रनों के बाद हमने निम्नलिखित प्रशिक्षण मानकों को चुना:
- मॉडल विन्यास: R50-FPN
- सीखने की दर: 0.000125
- बैच का आकार: 2
- आरओआई प्रमुखों के लिए बैच का आकार: 128
- अधिकतम पुनरावृत्तियों: 200
मापदंडों के सेट के साथ, हमने प्रशिक्षण के सबसे दिलचस्प पहलू पर गौर करना शुरू किया: सत्यापन सेट पर अच्छे परिणाम प्राप्त करने के लिए कितने प्रशिक्षण उदाहरणों की आवश्यकता थी। चूंकि 1 छवि में भी 90 उदाहरण होते हैं, इसलिए हमें कम संख्या में उदाहरणों का परीक्षण करने के लिए एनोटेशन के हिस्से को बेतरतीब ढंग से हटाना पड़ा। हमने जो पाया वह यह था कि 98 उदाहरणों के साथ हमारे सत्यापन सेट के लिए, 10 प्रशिक्षण उदाहरणों में हम केवल 1-2 परीक्षण उदाहरण उठा सकते थे, 25 पर हमें पहले ही लगभग 40 मिल गए थे, और 75 और उच्चतर पर हम सभी उदाहरणों की भविष्यवाणी करने में सक्षम थे।
प्रशिक्षण उदाहरणों की संख्या को 75 से बढ़ाकर 100 और 200 करने से समान अंतिम प्रशिक्षण परिणाम प्राप्त हुए। हालाँकि प्रशिक्षण उदाहरणों की उच्च विविधता के कारण मॉडल तेजी से परिवर्तित हुआ।
सत्यापन सेट से छवि पर 237 उदाहरणों के साथ प्रशिक्षित मॉडल की भविष्यवाणी नीचे की छवि में देखी जा सकती है; कई झूठे सकारात्मक हैं (लाल तीरों द्वारा इंगित) लेकिन उनमें आत्मविश्वास कम है और इस प्रकार आत्मविश्वास सीमा को ~ 80% पर सेट करके अधिकतर फ़िल्टर किया जा सकता है।
अगले चरण में, हमने लेबल के बिना परीक्षण छवियों पर प्रशिक्षित मॉडल के प्रदर्शन का पता लगाया। जैसा कि अपेक्षित था, प्रशिक्षण सेट वितरण के समान छवियों में आत्मविश्वास और उच्च गुणवत्ता की भविष्यवाणियां थीं, जबकि जिन छवियों में लॉग थे और असामान्य आकार, रंग या अभिविन्यास मॉडल के साथ काम करने के लिए बहुत कठिन थे।
हालांकि, परीक्षण सेट से चुनौतीपूर्ण छवियों पर भी, हमने प्रशिक्षण उदाहरणों की संख्या में वृद्धि से सकारात्मक प्रभाव देखा। नीचे दी गई छवि में हम दिखाते हैं कि मॉडल ट्रेन छवियों की संख्या में वृद्धि के साथ अतिरिक्त उदाहरणों (हरे सितारों द्वारा चिह्नित) को कैसे सीखता है (1 ट्रेन छवि - 91 उदाहरण, 2-4 छवियां - 127-237 उदाहरण)।
संक्षेप में, परिणामों से पता चला कि मॉडल सत्यापन डेटासेट में ~ 95% उदाहरणों को लेने में सक्षम था। 75-200 ऑब्जेक्ट इंस्टेंस के साथ फाइन-ट्यूनिंग के बाद सत्यापन डेटा ट्रेन डेटा जैसा दिखता है। यह साबित करता है कि उचित प्रशिक्षण उदाहरणों का चयन सीमित डेटा परिदृश्य में गुणवत्ता वस्तु का पता लगाना संभव बनाता है।
वस्तु का पता लगाने का भविष्य
ऑब्जेक्ट डिटेक्शन सबसे अधिक इस्तेमाल की जाने वाली कंप्यूटर विज़न तकनीकों में से एक है जो हाल के वर्षों में सामने आई है। इसका कारण मुख्य रूप से बहुमुखी प्रतिभा है। कुछ मौजूदा मॉडल उपभोक्ता इलेक्ट्रॉनिक्स में सफलतापूर्वक लागू किए गए हैं या ड्राइवर-सहायता सॉफ़्टवेयर में एकीकृत हैं, जबकि अन्य रोबोटिक समाधानों का आधार हैं जिनका उपयोग लॉजिस्टिक्स को स्वचालित करने और स्वास्थ्य सेवा और विनिर्माण उद्योगों को बदलने के लिए किया जाता है।
डिजिटल परिवर्तन के लिए ऑब्जेक्ट डिटेक्शन का कार्य आवश्यक है, क्योंकि यह एआई-संचालित सॉफ्टवेयर और रोबोटिक्स के आधार के रूप में कार्य करता है, जो लंबे समय में हमें लोगों को कठिन काम करने से मुक्त करने और कई जोखिमों को कम करने में सक्षम करेगा।
प्लेटोए. Web3 फिर से कल्पना की गई। डेटा इंटेलिजेंस प्रवर्धित।
एक्सेस करने के लिए यहां क्लिक करें।
स्रोत: https://www.iotforall.com/small-dataset-based-object-detection
