अगर आपने कभी अपने चेहरे से फ़ोन अनलॉक किया है, रसीद स्कैन की है, या सेल्फ़-चेकआउट कैमरे को घूरते हुए सोचा है कि क्या यह आपके एवोकाडो का मूल्यांकन कर रहा है, तो आप कंप्यूटर विज़न से रूबरू हुए हैं। सीधे शब्दों में कहें तो, AI में कंप्यूटर विज़न वह तरीका है जिससे मशीनें देखना और समझना कि वे निर्णय ले सकें। उपयोगी? बिल्कुल। कभी-कभी आश्चर्यजनक? हाँ भी। और अगर सच कहें तो कभी-कभी थोड़ा डरावना भी। अपने सबसे अच्छे रूप में, यह अव्यवस्थित पिक्सल्स को व्यावहारिक कार्यों में बदल देता है। अपने सबसे बुरे रूप में, यह अनुमान लगाता है और लड़खड़ाता है। आइए, गहराई से जानें।
इसके बाद आप जो लेख पढ़ना चाहेंगे वे इस प्रकार हैं:
🔗 एआई पूर्वाग्रह क्या है?
एआई प्रणालियों में पूर्वाग्रह कैसे बनता है और इसका पता लगाने और इसे कम करने के तरीके।
🔗 भविष्य कहनेवाला एआई क्या है
भविष्य कहनेवाला एआई रुझानों और परिणामों का अनुमान लगाने के लिए डेटा का उपयोग कैसे करता है।
🔗 एआई ट्रेनर क्या है
एआई को प्रशिक्षित करने वाले पेशेवरों द्वारा उपयोग की जाने वाली जिम्मेदारियां, कौशल और उपकरण।
🔗 Google Vertex AI क्या है?
मॉडल बनाने और तैनात करने के लिए Google के एकीकृत AI प्लेटफ़ॉर्म का अवलोकन।
AI में कंप्यूटर विज़न क्या है?
एआई में कंप्यूटर विज़न, कृत्रिम बुद्धिमत्ता की वह शाखा है जो कंप्यूटरों को दृश्य डेटा की व्याख्या और तर्क करना सिखाती है। यह कच्चे पिक्सेल से लेकर संरचित अर्थ तक की एक श्रृंखला है: "यह एक स्टॉप साइन है," "वे पैदल यात्री हैं," "वेल्ड ख़राब है," "बिल का कुल योग यहाँ है।" यह वर्गीकरण, पहचान, विभाजन, ट्रैकिंग, गहराई अनुमान, ओसीआर, और अन्य कार्यों को शामिल करता है - पैटर्न-लर्निंग मॉडल द्वारा एक साथ जोड़ा गया। औपचारिक क्षेत्र शास्त्रीय ज्यामिति से लेकर आधुनिक गहन शिक्षण तक फैला हुआ है, जिसमें व्यावहारिक प्लेबुक हैं जिन्हें आप कॉपी और संशोधित कर सकते हैं। [1]
एक छोटा सा किस्सा: एक साधारण 720p कैमरे वाली पैकेजिंग लाइन की कल्पना कीजिए। एक हल्का डिटेक्टर ढक्कनों को पहचान लेता है, और एक साधारण ट्रैकर बोतल को हरी झंडी दिखाने से पहले लगातार पाँच फ़्रेमों तक उनकी सही स्थिति की पुष्टि करता है। यह ज़्यादा आकर्षक नहीं है - लेकिन सस्ता, तेज़ है, और इसमें दोबारा काम करने की ज़रूरत नहीं पड़ती।
AI में कंप्यूटर विज़न को क्या उपयोगी बनाता है?
-
सिग्नल-टू-एक्शन फ्लो : विज़ुअल इनपुट एक क्रियाशील आउटपुट बन जाता है। कम डैशबोर्ड, ज़्यादा निर्णय।
-
सामान्यीकरण : सही डेटा के साथ, एक मॉडल विविध प्रकार की छवियों को संभाल सकता है। पूरी तरह से नहीं, कभी-कभी तो आश्चर्यजनक रूप से अच्छी तरह।
-
डेटा का लाभ : कैमरे सस्ते हैं और हर जगह उपलब्ध हैं। विज़न पिक्सल के उस विशाल सागर को अंतर्दृष्टि में बदल देता है।
-
गति : मॉडल, कार्य और रिज़ॉल्यूशन के आधार पर, मामूली हार्डवेयर पर वास्तविक समय में या लगभग वास्तविक समय में फ़्रेम को संसाधित कर सकते हैं।
-
संयोजनीयता : सरल चरणों को विश्वसनीय प्रणालियों में श्रृंखलाबद्ध करना: पता लगाना → ट्रैकिंग → गुणवत्ता नियंत्रण।
-
पारिस्थितिकी तंत्र : उपकरण, पूर्व प्रशिक्षित मॉडल, बेंचमार्क और सामुदायिक समर्थन - कोड का एक विशाल बाजार।
सच कहूँ तो, राज़ कोई राज़ नहीं है: अच्छा डेटा, अनुशासित मूल्यांकन, और सावधानीपूर्वक तैनाती। बाकी है अभ्यास... और शायद कॉफ़ी। ☕
एआई में कंप्यूटर विज़न कैसे काम करता है, एक समझदार पाइपलाइन में 🧪
-
छवि अधिग्रहण:
कैमरे, स्कैनर, ड्रोन, फ़ोन। सेंसर का प्रकार, एक्सपोज़र, लेंस और फ़्रेम दर सावधानी से चुनें। कचरा, आदि। -
प्रीप्रोसेसिंग:
ज़रूरत पड़ने पर आकार बदलें, क्रॉप करें, सामान्य करें, धुंधलापन हटाएँ या शोर कम करें। कभी-कभी कंट्रास्ट में थोड़ा सा बदलाव भी पहाड़ों को हिला देता है। [4] -
लेबल और डेटासेट:
बाउंडिंग बॉक्स, बहुभुज, कीपॉइंट, टेक्स्ट स्पैन। संतुलित, प्रतिनिधि लेबल - अन्यथा आपका मॉडल असंतुलित आदतें सीखता है। -
मोडलिंग
-
वर्गीकरण : “कौन सी श्रेणी?”
-
पता लगाना : “वस्तुएँ कहाँ हैं?”
-
विभाजन : “कौन से पिक्सेल किस चीज़ से संबंधित हैं?”
-
मुख्य बिंदु एवं मुद्रा : “जोड़ या स्थलचिह्न कहां हैं?”
-
ओसीआर : “छवि में कौन सा पाठ है?”
-
गहराई और 3D : “सब कुछ कितनी दूर है?”
आर्किटेक्चर अलग-अलग होते हैं, लेकिन कन्वोल्यूशनल नेट और ट्रांसफॉर्मर-शैली के मॉडल हावी होते हैं। [1]
-
-
प्रशिक्षण:
डेटा विभाजित करें, हाइपरपैरामीटर्स को ट्यून करें, नियमित करें, बढ़ाएँ। वॉलपेपर याद करने से पहले जल्दी रुकें। -
मूल्यांकन:
OCR के लिए mAP, IoU, F1, CER/WER जैसे कार्य-उपयुक्त मेट्रिक्स का उपयोग करें। चुनिंदा रूप से चयन न करें। निष्पक्ष रूप से तुलना करें। [3] -
परिनियोजन
अनुकूलन: क्लाउड बैच जॉब्स, ऑन-डिवाइस इंफ़ेरेंस, एज सर्वर। बहाव पर नज़र रखें। दुनिया बदलने पर पुनः प्रशिक्षण लें।
बड़े डेटासेट और कंप्यूटिंग के महत्वपूर्ण स्तर पर पहुँचने पर डीप नेट ने गुणात्मक उछाल को उत्प्रेरित किया। इमेजनेट चैलेंज जैसे बेंचमार्क ने इस प्रगति को दृश्यमान और निरंतर बना दिया। [2]
मुख्य कार्य जिनका आप वास्तव में उपयोग करेंगे (और कब) 🧩
-
छवि वर्गीकरण : प्रति छवि एक लेबल। त्वरित फ़िल्टर, ट्राइएज या गुणवत्ता गेट के लिए उपयोग करें।
-
वस्तु पहचान : वस्तुओं के चारों ओर बक्से। खुदरा हानि की रोकथाम, वाहन पहचान, वन्य जीव गणना।
-
उदाहरण विभाजन : प्रति वस्तु पिक्सेल-सटीक छायाचित्र। विनिर्माण दोष, शल्य चिकित्सा उपकरण, कृषि तकनीक।
-
अर्थगत विभाजन : उदाहरणों को अलग किए बिना प्रति पिक्सेल वर्ग। शहरी सड़क दृश्य, भूमि आवरण।
-
मुख्य बिंदु पहचान और मुद्रा : जोड़, स्थलचिह्न, चेहरे की विशेषताएँ। खेल विश्लेषण, एर्गोनॉमिक्स, एआर।
-
ट्रैकिंग : समय के साथ वस्तुओं का अनुसरण करें। रसद, यातायात, सुरक्षा।
-
ओसीआर और दस्तावेज़ एआई : पाठ निष्कर्षण और लेआउट पार्सिंग। चालान, रसीदें, फ़ॉर्म।
-
गहराई और 3D : एकाधिक दृश्यों या एककोशिकीय संकेतों से पुनर्निर्माण। रोबोटिक्स, एआर, मानचित्रण।
-
दृश्य कैप्शनिंग : दृश्यों को प्राकृतिक भाषा में संक्षेपित करें। सुगम्यता, खोज।
-
दृष्टि-भाषा मॉडल : बहुविध तर्क, पुनर्प्राप्ति-संवर्धित दृष्टि, आधारभूत गुणवत्ता आश्वासन।
छोटे केस का माहौल: दुकानों में, एक डिटेक्टर शेल्फ़ के गायब होने का पता लगाता है; एक ट्रैकर कर्मचारियों द्वारा दोबारा स्टॉक करने पर दोहरी गिनती को रोकता है; एक साधारण नियम कम विश्वसनीय फ़्रेमों को मानवीय समीक्षा के लिए भेजता है। यह एक छोटा ऑर्केस्ट्रा है जो ज़्यादातर सुर में रहता है।
तुलना तालिका: तेज़ी से शिपिंग करने के उपकरण 🧰
जानबूझ कर थोड़ा अजीब। हाँ, स्पेसिंग थोड़ी अजीब है - मुझे पता है।
| उपकरण / ढांचा | के लिए सर्वश्रेष्ठ | लाइसेंस/कीमत | यह व्यवहार में क्यों काम करता है? |
|---|---|---|---|
| ओपनसीवी | प्रीप्रोसेसिंग, क्लासिक CV, त्वरित POCs | मुफ़्त - खुला स्रोत | विशाल टूलबॉक्स, स्थिर एपीआई, युद्ध-परीक्षण; कभी-कभी आपको बस इतना ही चाहिए। [4] |
| पायटॉर्च | अनुसंधान-अनुकूल प्रशिक्षण | मुक्त | गतिशील रेखांकन, विशाल पारिस्थितिकी तंत्र, कई ट्यूटोरियल। |
| टेंसरफ्लो/केरास | बड़े पैमाने पर उत्पादन | मुक्त | परिपक्व सेवा विकल्प, मोबाइल और किनारे के लिए भी अच्छा है। |
| अल्ट्रालाइटिक्स योलो | तेज़ वस्तु पहचान | निःशुल्क + सशुल्क ऐड-ऑन | आसान प्रशिक्षण लूप, प्रतिस्पर्धी गति-सटीकता, स्वच्छंद लेकिन आरामदायक। |
| डिटेक्टरॉन2 / एमएमडिटेक्शन | मजबूत आधार रेखाएं, विभाजन | मुक्त | पुनरुत्पादनीय परिणामों के साथ संदर्भ-ग्रेड मॉडल। |
| ओपनवीनो / ओएनएनएक्स रनटाइम | अनुमान अनुकूलन | मुक्त | विलंबता को कम करें, पुनर्लेखन के बिना व्यापक रूप से तैनात करें। |
| टेसेरैक्ट | बजट पर OCR | मुक्त | यदि आप छवि को साफ कर लें तो यह ठीक से काम करता है... कभी-कभी आपको वास्तव में ऐसा करना चाहिए। |
AI में कंप्यूटर विज़न की गुणवत्ता को क्या बढ़ावा देता है ?
-
डेटा कवरेज : प्रकाश परिवर्तन, कोण, पृष्ठभूमि, किनारे के मामले। अगर ऐसा हो सकता है, तो उसे शामिल करें।
-
लेबल की गुणवत्ता : असंगत बॉक्स या बेढंगे बहुभुज mAP को नुकसान पहुँचाते हैं। थोड़ी-सी QA बहुत काम आती है।
-
स्मार्ट ऑग्मेंटेशन : क्रॉप करें, घुमाएँ, चमक बढ़ाएँ, सिंथेटिक नॉइज़ जोड़ें। यथार्थवादी बनें, बेतरतीब-अराजकता नहीं।
-
मॉडल-चयन फिट : जहां पता लगाने की आवश्यकता हो, वहां पता लगाने का प्रयोग करें - किसी वर्गीकारक को स्थानों का अनुमान लगाने के लिए बाध्य न करें।
-
प्रभाव से मेल खाने वाले मेट्रिक्स : अगर गलत नकारात्मक परिणाम ज़्यादा नुकसान पहुँचाते हैं, तो याददाश्त को बेहतर बनाएँ। अगर गलत सकारात्मक परिणाम ज़्यादा नुकसान पहुँचाते हैं, तो सटीकता को पहले रखें।
-
सख्त फीडबैक लूप : विफलताओं को दर्ज करें, पुनः लेबल करें, पुनः प्रशिक्षित करें। धोएँ, दोहराएँ। थोड़ा उबाऊ-बेहद प्रभावी।
पता लगाने/विभाजन के लिए, सामुदायिक मानक IoU थ्रेसहोल्ड पर औसत परिशुद्धता COCO-शैली mAP जाता है। यह जानना कि IoU और AP@{0.5:0.95} की गणना कैसे की जाती है, लीडरबोर्ड के दावों को दशमलव से भ्रमित होने से बचाता है। [3]
वास्तविक दुनिया के उपयोग के मामले जो काल्पनिक नहीं हैं 🌍
-
खुदरा : शेल्फ एनालिटिक्स, हानि रोकथाम, कतार निगरानी, प्लानोग्राम अनुपालन।
-
विनिर्माण : सतह दोष का पता लगाना, संयोजन सत्यापन, रोबोट मार्गदर्शन।
-
स्वास्थ्य देखभाल : रेडियोलॉजी ट्राइएज, उपकरण का पता लगाना, कोशिका विभाजन।
-
गतिशीलता : ADAS, ट्रैफिक कैम, पार्किंग अधिभोग, माइक्रोमोबिलिटी ट्रैकिंग।
-
कृषि : फसल गणना, रोग पहचान, फसल की तैयारी।
-
बीमा एवं वित्त : क्षति आकलन, केवाईसी जांच, धोखाधड़ी के संकेत।
-
निर्माण एवं ऊर्जा : सुरक्षा अनुपालन, रिसाव का पता लगाना, संक्षारण निगरानी।
-
सामग्री एवं पहुंच : स्वचालित कैप्शन, मॉडरेशन, दृश्य खोज।
आप एक पैटर्न देखेंगे: मैन्युअल स्कैनिंग की जगह ऑटोमैटिक ट्राइएज का इस्तेमाल करें, और जब भरोसा कम हो जाए तो इंसानों की तरफ़ बढ़ें। यह कोई ग्लैमरस बात नहीं है - लेकिन इसका पैमाना तय है।
डेटा, लेबल और महत्वपूर्ण मीट्रिक 📊
-
वर्गीकरण : सटीकता, असंतुलन के लिए F1.
-
पता लगाना : IoU थ्रेसहोल्ड में mAP; प्रति-क्लास AP और आकार बकेट का निरीक्षण करें। [3]
-
विभाजन : mIoU, पासा; इंस्टेंस-स्तर की त्रुटियों की भी जाँच करें।
-
ट्रैकिंग : MOTA, IDF1; पुनः पहचान गुणवत्ता मूक नायक है।
-
ओसीआर : कैरेक्टर एरर रेट (सीईआर) और वर्ड एरर रेट (डब्ल्यूईआर); लेआउट विफलताएं अक्सर हावी रहती हैं।
-
प्रतिगमन कार्य : गहराई या मुद्रा निरपेक्ष/सापेक्ष त्रुटियों (अक्सर लॉग स्केल पर) का उपयोग करते हैं।
अपने मूल्यांकन प्रोटोकॉल का दस्तावेज़ बनाएँ ताकि दूसरे भी उसका पालन कर सकें। यह भले ही आकर्षक न लगे, लेकिन यह आपको ईमानदार बनाए रखता है।
निर्माण बनाम खरीद-और इसे कहां चलाना है 🏗️
-
क्लाउड : शुरू करने में सबसे आसान, बैच वर्कलोड के लिए बेहतरीन। एग्ज़िट लागत पर नज़र रखें।
-
एज डिवाइस : कम विलंबता और बेहतर गोपनीयता। आप क्वांटाइज़ेशन, प्रूनिंग और एक्सेलरेटर का ध्यान रखेंगे।
-
ऑन-डिवाइस मोबाइल : जब यह फिट बैठता है तो अद्भुत। मॉडल और घड़ी की बैटरी को ऑप्टिमाइज़ करें।
-
हाइब्रिड : किनारे पर प्री-फ़िल्टर, क्लाउड में भारी काम। एक अच्छा समझौता।
एक उबाऊ विश्वसनीय स्टैक: PyTorch के साथ प्रोटोटाइप, एक मानक डिटेक्टर को प्रशिक्षित करना, ONNX को निर्यात करना, OpenVINO/ONNX रनटाइम के साथ गति बढ़ाना, और प्रीप्रोसेसिंग और ज्यामिति (अंशांकन, होमोग्राफी, आकृति विज्ञान) के लिए OpenCV का उपयोग करना। [4]
जोखिम, नैतिकता और बात करने के लिए कठिन हिस्से ⚖️
विज़न सिस्टम डेटासेट पूर्वाग्रहों या परिचालन संबंधी अंध बिंदुओं को विरासत में प्राप्त कर सकते हैं। स्वतंत्र मूल्यांकनों (जैसे, NIST FRVT) ने एल्गोरिदम और स्थितियों में चेहरा पहचान त्रुटि दरों में जनसांख्यिकीय अंतरों को मापा है। यह घबराने की बात नहीं है, बल्कि है । यदि आप पहचान या सुरक्षा संबंधी उपयोग के मामलों को लागू करते हैं, तो मानवीय समीक्षा और अपील तंत्र शामिल करें। गोपनीयता, सहमति और पारदर्शिता वैकल्पिक अतिरिक्त नहीं हैं। [5]
एक त्वरित-प्रारंभ रोडमैप जिसका आप वास्तव में अनुसरण कर सकते हैं 🗺️
-
निर्णय निर्धारित करें:
छवि देखने के बाद सिस्टम को क्या कार्रवाई करनी चाहिए? यह आपको वैनिटी मेट्रिक्स को अनुकूलित करने से रोकता है। -
एक छोटा-सा डेटासेट इकट्ठा करें।
कुछ सौ तस्वीरों से शुरुआत करें जो आपके वास्तविक परिवेश को दर्शाती हों। ध्यान से लेबल करें—भले ही उसमें आप और तीन स्टिकी नोट्स ही क्यों न हों। -
एक बेसलाइन मॉडल चुनें।
पूर्व-प्रशिक्षित भार के साथ एक सरल बैकबोन चुनें। अभी विदेशी आर्किटेक्चर के पीछे न भागें। [1] -
प्रशिक्षण, लॉगिंग, मूल्यांकन,
मेट्रिक्स, भ्रम बिंदुओं और विफलता मोड को ट्रैक करें। "अजीब मामलों" की एक नोटबुक रखें - जैसे बर्फ, चमक, प्रतिबिंब, अजीब फ़ॉन्ट। -
लूप को टाइट करें।
हार्ड नेगेटिव जोड़ें, लेबल ड्रिफ्ट को ठीक करें, ऑग्मेंटेशन को एडजस्ट करें, और थ्रेसहोल्ड को रीट्यून करें। छोटे-छोटे बदलाव काम आते हैं। [3] -
एक स्लिम संस्करण परिनियोजित करें
, परिमाणित करें और निर्यात करें। वास्तविक वातावरण में विलंबता/थ्रूपुट मापें, न कि किसी खिलौने जैसे बेंचमार्क में। -
निगरानी और पुनरावृत्ति करें।
गलतियों को इकट्ठा करें, पुनः लेबल करें, पुनः प्रशिक्षित करें। समय-समय पर मूल्यांकन की योजना बनाएँ ताकि आपका मॉडल पुराना न हो जाए।
प्रो टिप: अपने सबसे निंदक साथी द्वारा बनाए गए किसी छोटे से होल्डआउट पर टिप्पणी करें। अगर वे उसमें छेद नहीं कर सकते, तो शायद आप तैयार हैं।
आम ग़लतियाँ जिनसे आपको बचना चाहिए 🧨
-
स्वच्छ स्टूडियो चित्रों पर प्रशिक्षण, लेंस पर बारिश के साथ वास्तविक दुनिया में तैनाती।
-
जब आप वास्तव में एक महत्वपूर्ण वर्ग के बारे में परवाह करते हैं तो समग्र mAP के लिए अनुकूलन करना। [3]
-
वर्ग असंतुलन को नजरअंदाज करना और फिर आश्चर्य करना कि दुर्लभ घटनाएं क्यों गायब हो जाती हैं।
-
जब तक मॉडल कृत्रिम कलाकृतियों को नहीं सीख लेता, तब तक अति-संवर्द्धन करना।
-
कैमरा कैलिब्रेशन को छोड़ना और फिर हमेशा के लिए परिप्रेक्ष्य त्रुटियों से लड़ना। [4]
-
सटीक मूल्यांकन सेटअप को दोहराए बिना लीडरबोर्ड संख्याओं पर विश्वास करना। [2][3]
बुकमार्क करने लायक स्रोत 🔗
अगर आपको प्राथमिक सामग्री और पाठ्यक्रम नोट्स पसंद हैं, तो ये बुनियादी बातों, अभ्यास और बेंचमार्क के लिए बेहतरीन हैं। संदर्भ अनुभाग देखें: CS231n नोट्स, इमेजनेट चैलेंज पेपर, COCO डेटासेट/मूल्यांकन दस्तावेज़, OpenCV दस्तावेज़ और NIST FRVT रिपोर्ट। [1][2][3][4][5]
अंतिम टिप्पणी - या बहुत लंबी, नहीं पढ़ी गई 🍃
एआई में कंप्यूटर विज़न पिक्सल्स को निर्णयों में बदल देता है। यह तब चमकता है जब आप सही कार्य को सही डेटा के साथ जोड़ते हैं, सही चीज़ों को मापते हैं, और असाधारण अनुशासन के साथ पुनरावृत्ति करते हैं। उपकरण उदार हैं, मानक सार्वजनिक हैं, और यदि आप अंतिम निर्णय पर ध्यान केंद्रित करते हैं तो प्रोटोटाइप से उत्पादन तक का रास्ता आश्चर्यजनक रूप से छोटा है। अपने लेबल स्पष्ट रखें, प्रभाव से मेल खाने वाले मीट्रिक चुनें, और मॉडलों को भारी काम करने दें। और अगर एक रूपक मदद करता है, तो इसे एक बहुत तेज़ लेकिन शाब्दिक इंटर्न को महत्वपूर्ण चीज़ों को पहचानना सिखाने जैसा समझें। आप उदाहरण दिखाते हैं, गलतियाँ सुधारते हैं, और धीरे-धीरे वास्तविक कार्य के साथ उस पर भरोसा करते हैं। पूर्ण नहीं, लेकिन परिवर्तनकारी होने के लिए पर्याप्त करीब। 🌟
संदर्भ
-
CS231n: कंप्यूटर विज़न के लिए गहन शिक्षण (पाठ्यक्रम नोट्स) - स्टैनफोर्ड विश्वविद्यालय।
और पढ़ें -
इमेजनेट लार्ज स्केल विज़ुअल रिकॉग्निशन चैलेंज (पेपर) - रुसाकोवस्की एट अल.
और पढ़ें -
COCO डेटासेट और मूल्यांकन - आधिकारिक साइट (कार्य परिभाषाएँ और mAP/IoU सम्मेलन)।
और पढ़ें -
ओपनसीवी दस्तावेज़ीकरण (v4.x) - प्रीप्रोसेसिंग, कैलिब्रेशन, मॉर्फोलॉजी आदि के लिए मॉड्यूल।
और पढ़ें -
एनआईएसटी एफआरवीटी भाग 3: जनसांख्यिकी प्रभाव (एनआईएसटीआईआर 8280) - जनसांख्यिकी में चेहरा पहचान सटीकता का स्वतंत्र मूल्यांकन।
और पढ़ें