في هذه السلسلة المكونة من جزأين ، نوضح كيفية تسمية النماذج وتدريبها على مهام اكتشاف الكائنات ثلاثية الأبعاد. في الجزء الأول ، نناقش مجموعة البيانات التي نستخدمها ، بالإضافة إلى أي خطوات معالجة مسبقة ، لفهم البيانات وتصنيفها. في الجزء الثاني ، نتعرف على كيفية تدريب نموذج على مجموعة البيانات الخاصة بك ونشره في الإنتاج.
تحديد المدى (الكشف عن الضوء والمدى) هي طريقة لتحديد النطاقات عن طريق استهداف كائن أو سطح بالليزر وقياس وقت عودة الضوء المنعكس إلى جهاز الاستقبال. عادةً ما تستخدم شركات السيارات المستقلة مستشعرات LiDAR لتوليد فهم ثلاثي الأبعاد للبيئة المحيطة بمركباتهم.
نظرًا لأن مستشعرات LiDAR أصبحت أكثر سهولة وفعالية من حيث التكلفة ، فإن العملاء يستخدمون بشكل متزايد البيانات السحابية النقطية في مساحات جديدة مثل الروبوتات ورسم خرائط الإشارة والواقع المعزز. تتضمن بعض الأجهزة المحمولة الجديدة مستشعرات LiDAR. أدى التوافر المتزايد لأجهزة استشعار LiDAR إلى زيادة الاهتمام ببيانات السحابة النقطية لمهام التعلم الآلي (ML) ، مثل اكتشاف الكائنات ثلاثية الأبعاد وتتبعها ، والتجزئة ثلاثية الأبعاد ، وتوليف الكائنات ثلاثية الأبعاد وإعادة بنائها ، واستخدام البيانات ثلاثية الأبعاد للتحقق من صحة تقدير العمق ثنائي الأبعاد.
في هذه السلسلة ، نوضح لك كيفية تدريب نموذج اكتشاف كائن يعمل على بيانات سحابة النقطة للتنبؤ بموقع المركبات في مشهد ثلاثي الأبعاد. في هذا المنشور ، نركز بشكل خاص على تصنيف بيانات LiDAR. إخراج مستشعر LiDAR القياسي عبارة عن سلسلة من إطارات سحابة نقطية ثلاثية الأبعاد ، بمعدل التقاط نموذجي يبلغ 3 إطارات في الثانية. لتسمية ناتج المستشعر هذا ، تحتاج إلى أداة تصنيف يمكنها التعامل مع البيانات ثلاثية الأبعاد. الحقيقة الأمازون SageMaker الأرض يجعل من السهل تسمية الكائنات في إطار واحد ثلاثي الأبعاد أو عبر سلسلة من إطارات سحابة نقطية ثلاثية الأبعاد لبناء مجموعات بيانات تدريب تعلم الآلة. تدعم Ground Truth أيضًا دمج مستشعرات الكاميرا وبيانات LiDAR مع ما يصل إلى ثمانية مدخلات لكاميرا الفيديو.
البيانات ضرورية لأي مشروع ML. قد يكون من الصعب الحصول على البيانات ثلاثية الأبعاد على وجه الخصوص وتصورها وتسميتها. نحن نستخدم ال مجموعة بيانات A2D2 في هذا المنشور وإرشادك عبر خطوات تصورها وتسميتها.
يحتوي A2D2 على 40,000 إطار مع تجزئة دلالية وتسميات سحابة نقطية ، بما في ذلك 12,499 إطارًا مع تسميات مربعات إحاطة ثلاثية الأبعاد. نظرًا لأننا نركز على اكتشاف الكائنات ، فنحن مهتمون بـ 3،12,499 إطارًا مع ملصقات مربعات إحاطة ثلاثية الأبعاد. تتضمن هذه التعليقات التوضيحية 3 فئة ذات صلة بالقيادة مثل السيارة والمشاة والشاحنة والحافلة وما إلى ذلك.
يوضح الجدول التالي قائمة الحصص الكاملة:
فهرس | قائمة الطبقة |
1 | حيوان |
2 | دراجة هوائية |
3 | حافلة |
4 | سيارة |
5 | ناقلة قافلة |
6 | دراج |
7 | مركبة الطوارئ |
8 | سائق دراجة نارية |
9 | دراجة نارية |
10 | مشاة |
11 | مقطورة |
12 | شاحنة |
13 | فائدة مركبة |
14 | فان / SUV |
سنقوم بتدريب جهاز الكشف الخاص بنا على اكتشاف السيارات على وجه التحديد نظرًا لأن هذه هي الفئة الأكثر شيوعًا في مجموعة البيانات الخاصة بنا (تم تصنيف 32616 عنصرًا من إجمالي 42816 عنصرًا في مجموعة البيانات على أنها سيارات).
حل نظرة عامة
في هذه السلسلة ، نغطي كيفية تصور بياناتك وتسميتها باستخدام Amazon SageMaker Ground Truth ونوضح كيفية استخدام هذه البيانات في مهمة تدريب Amazon SageMaker لإنشاء نموذج اكتشاف كائن ، يتم نشره في Amazon SageMaker Endpoint. على وجه الخصوص ، سنستخدم دفتر ملاحظات Amazon SageMaker لتشغيل الحل وإطلاق أي وظائف تصنيف أو تدريب.
يوضح الرسم التخطيطي التالي التدفق الإجمالي لبيانات المستشعر من وضع العلامات إلى التدريب إلى النشر:
ستتعلم كيفية تدريب ونشر نموذج اكتشاف كائن ثلاثي الأبعاد في الوقت الفعلي باستخدامه الأمازون SageMaker الحقيقة الأساسية بالخطوات التالية:
- قم بتنزيل وتصور مجموعة بيانات سحابة نقطة
- إعداد البيانات ليتم تسميتها بامتداد أداة سحابة نقطة Amazon SageMaker Ground Truth
- قم بتشغيل وظيفة تدريب Amazon SageMaker Ground Truth الموزعة مع MMDetection3D
- قم بتقييم نتائج وظيفتك التدريبية وتحديد استخدام الموارد الخاصة بك مع الأمازون SageMaker المصحح
- انشر ملف نقطة نهاية SageMaker
- قم باستدعاء نقطة النهاية وتصور تنبؤات الكائنات ثلاثية الأبعاد
تستخدم خدمات AWS لتنفيذ هذا الحل
المتطلبات الأساسية المسبقة
يوضح الرسم البياني التالي كيفية تكوين قوة عاملة خاصة. للحصول على إرشادات مكتوبة خطوة بخطوة ، راجع أنشئ Amazon Cognito Workforce باستخدام صفحة Labeling Work Force.
إطلاق مكدس AWS CloudFormation
الآن بعد أن رأيت بنية الحل ، يمكنك نشره في حسابك حتى تتمكن من تشغيل مثال على سير العمل. تتم إدارة جميع خطوات النشر المتعلقة بخط أنابيب وضع العلامات بواسطة AWS CloudFormation. هذا يعني أن AWS Cloudformation تقوم بإنشاء مثيل الكمبيوتر الدفتري الخاص بك بالإضافة إلى أي أدوار أو حاويات Amazon S3 لدعم تشغيل الحل.
يمكنك تشغيل الحزمة في منطقة AWS us-east-1
في وحدة تحكم AWS CloudFormation باستخدام امتداد قم بتشغيل Stack
زر. لبدء تشغيل الحزمة في منطقة مختلفة ، استخدم الإرشادات الموجودة في الملف التمهيدي لـ مستودع جيثب.
يستغرق هذا حوالي 20 دقيقة لإنشاء جميع الموارد. يمكنك مراقبة التقدم من واجهة مستخدم AWS CloudFormation (UI).
بمجرد الانتهاء من تشغيل قالب CloudFormation ، ارجع إلى AWS Console.
فتح دفتر الملاحظات
مثيلات Amazon SageMaker Notebook عبارة عن مثيلات حساب ML تعمل على تطبيق Jupyter Notebook. يدير Amazon SageMaker إنشاء المثيلات والموارد ذات الصلة. استخدم دفاتر Jupyter في مثيل دفتر ملاحظاتك لإعداد البيانات ومعالجتها ، وكتابة التعليمات البرمجية لتدريب النماذج ، ونشر النماذج على استضافة Amazon SageMaker ، واختبار النماذج أو التحقق من صحتها.
اتبع الخطوات التالية للوصول إلى بيئة Amazon SageMaker Notebook:
- تحت خدمات البحث عن الأمازون SageMaker.
- تحت دفتر، حدد مثيلات دفتر الملاحظات.
- يجب توفير نسخة Notebook. حدد فتح جوبيتر لاب، والذي يقع على الجانب الأيمن من نسخة Notebook التي تم توفيرها مسبقًا ضمن الإجراءات.
- سترى رمزًا مثل هذا أثناء تحميل الصفحة:
- ستتم إعادة توجيهك إلى علامة تبويب متصفح جديدة تشبه الرسم التخطيطي التالي:
- بمجرد دخولك إلى واجهة مستخدم Amazon SageMaker Notebook Instance Launcher. من الشريط الجانبي الأيسر ، حدد ملف بوابة أيقونة كما هو موضح في الرسم البياني التالي.
- أختار استنساخ مستودع الخيار.
- أدخل عنوان URL لـ GitHub (https://github.com/aws-samples/end-2-end-3d-ml) في النافذة المنبثقة واختر استنساخ.
- أختار متصفح الملفات لرؤية مجلد جيثب.
- افتح دفتر الملاحظات بعنوان
1_visualization.ipynb.
تشغيل الكمبيوتر المحمول
نبذة
الخلايا القليلة الأولى من دفتر الملاحظات في قسم بعنوان الملفات التي تم تنزيلها يستعرض كيفية تنزيل مجموعة البيانات وفحص الملفات الموجودة داخلها. بعد تنفيذ الخلايا ، يستغرق تنزيل البيانات بضع دقائق.
بمجرد التنزيل ، يمكنك مراجعة بنية ملف A2D2 ، وهي قائمة بالمشاهد أو محركات الأقراص. المشهد هو تسجيل قصير لبيانات المستشعر من مركبتنا. يوفر لنا A2D2 18 من هذه المشاهد لنتدرب عليها ، وكلها محددة بتواريخ فريدة. يحتوي كل مشهد على بيانات كاميرا ثنائية الأبعاد ، وملصقات ثنائية الأبعاد ، وتعليقات توضيحية مكعبة ثلاثية الأبعاد ، وسحب نقطية ثلاثية الأبعاد.
يمكنك عرض بنية الملف لمجموعة بيانات A2D2 بما يلي:
إعداد مستشعر A2D2
يستعرض القسم التالي قراءة بعض بيانات سحابة النقاط هذه للتأكد من أننا نفسرها بشكل صحيح ويمكننا تصورها في دفتر الملاحظات قبل محاولة تحويلها إلى تنسيق جاهز لتصنيف البيانات.
لأي نوع من إعدادات القيادة المستقلة حيث لدينا بيانات مستشعر ثنائي وثلاثي الأبعاد ، يعد التقاط بيانات معايرة المستشعر أمرًا ضروريًا. بالإضافة إلى البيانات الأولية ، قمنا أيضًا بتنزيل ملفات cams_lidar.json
. يحتوي هذا الملف على ترجمة وتوجيه كل مستشعر بالنسبة لإطار إحداثيات السيارة ، ويمكن أيضًا الإشارة إلى ذلك بوضعية المستشعر أو الموقع في الفضاء. هذا مهم لتحويل النقاط من إطار إحداثيات المستشعر إلى إطار إحداثيات السيارة. بمعنى آخر ، من المهم تصور المستشعرات ثنائية وثلاثية الأبعاد أثناء قيادة السيارة. يُعرَّف إطار إحداثيات المركبة على أنه نقطة ثابتة في وسط السيارة ، حيث يكون المحور السيني في اتجاه الحركة الأمامية للسيارة ، ويشير المحور الصادي إلى اليسار واليمين مع كون اليسار موجبًا ، بينما يشير المحور z إلى اليسار واليمين. يشير المحور من خلال سقف السيارة. النقطة (X ، Y ، Z) من (2،3،5,2,1) تعني أن هذه النقطة تسبق سيارتنا بخمسة أمتار ، ومترين إلى اليسار ، ومتر واحد فوق سيارتنا. يسمح لنا وجود هذه المعايرات أيضًا بإسقاط نقاط ثلاثية الأبعاد على صورتنا ثنائية الأبعاد ، وهو أمر مفيد بشكل خاص لمهام وسم النقاط السحابية.
لرؤية إعداد المستشعر في السيارة ، تحقق من الرسم التخطيطي التالي.
تتوافق بيانات سحابة النقاط التي نتدرب عليها بشكل خاص مع الكاميرا الأمامية أو الكاميرا الأمامية في المنتصف:
هذا يطابق تصوراتنا لأجهزة استشعار الكاميرا ثلاثية الأبعاد:
يمر هذا الجزء من دفتر الملاحظات بالتحقق من أن مجموعة بيانات A2D2 تطابق توقعاتنا حول مواضع المستشعر ، وأننا قادرون على محاذاة البيانات من مستشعرات نقطة السحاب في إطار الكاميرا. لا تتردد في تشغيل جميع الخلايا من خلال واحدة بعنوان الإسقاط من ثلاثي الأبعاد إلى ثنائي الأبعاد لرؤية تراكب بيانات سحابة النقاط الخاصة بك على صورة الكاميرا التالية.
التحويل إلى Amazon SageMaker Ground Truth
بعد تصور بياناتنا في دفتر ملاحظاتنا ، يمكننا بثقة تحويل النقاط السحابية إلى أمازون تنسيق 3D SageMaker Ground Truth للتحقق من تسمياتنا وضبطها. يستعرض هذا القسم التحويل من تنسيق بيانات A2D2 إلى أمازون ملف تسلسل SageMaker Ground Truth، مع تنسيق الإدخال المستخدم بواسطة طريقة تتبع الكائن.
يتضمن تنسيق ملف التسلسل تنسيقات السحابة النقطية ، والصور المرتبطة بكل سحابة نقطية ، وجميع بيانات موضع المستشعر والاتجاه المطلوبة لمحاذاة الصور مع السحب النقطية. تتم هذه التحويلات باستخدام معلومات المستشعر المقروءة من القسم السابق. المثال التالي هو تنسيق ملف تسلسلي من Amazon SageMaker Ground Truth ، والذي يصف تسلسلاً بخطوة زمنية واحدة فقط.
تقع سحابة النقطة لهذه الخطوة الزمنية في s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
ولها شكل <x coordinate> <y coordinate> <z coordinate>
.
مقترنة بسحابة النقطة ، توجد صورة كاميرا واحدة موجودة في s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. لاحظ أننا نأخذ ملف التسلسل الذي يحدد جميع معلمات الكاميرا للسماح بالإسقاط من نقطة السحابة إلى الكاميرا والظهر.
يتطلب التحويل إلى تنسيق الإدخال هذا كتابة تحويل من تنسيق بيانات A2D2 إلى تنسيقات البيانات التي يدعمها Amazon SageMaker Ground Truth. هذه هي نفس العملية التي يجب أن يخضع لها أي شخص عند إحضار بياناته الخاصة لوضع العلامات. سنتعرف على كيفية عمل هذا التحويل خطوة بخطوة. إذا كنت تتبع في دفتر الملاحظات ، فابحث عن الوظيفة المسماة a2d2_scene_to_smgt_sequence_and_seq_label
.
تحويل سحابة النقطة
تتمثل الخطوة الأولى في تحويل البيانات من ملف مضغوط بتنسيق Numpy (NPZ) ، والذي تم إنشاؤه باستخدام numpy.علم طريقة إلى تنسيق ثلاثي الأبعاد خام مقبول من أجل Amazon SageMaker Ground Truth. على وجه التحديد ، نقوم بإنشاء ملف بصف واحد لكل نقطة. يتم تحديد كل نقطة ثلاثية الأبعاد بثلاثة إحداثيات X و Y و Z للفاصلة العائمة. عندما نحدد التنسيق الخاص بنا في ملف التسلسل ، فإننا نستخدم السلسلة text/xyz
لتمثيل هذا الشكل. تدعم Amazon SageMaker Ground Truth أيضًا إضافة قيم الكثافة أو نقاط الأحمر والأخضر والأزرق (RGB).
تحتوي ملفات NPZ الخاصة بـ A2D2 على عدة مصفوفات Numpy ، ولكل منها اسمها الخاص. لإجراء تحويل ، نقوم بتحميل ملف NPZ باستخدام Numpy's تحميل طريقة الوصول إلى مجموعة تسمى نقاط (على سبيل المثال ، مصفوفة Nx3 ، حيث N هي عدد النقاط في سحابة النقاط) ، واحفظها كنص في ملف جديد باستخدام Numpy's Savetxt الأسلوب.
معالجة الصور
بعد ذلك ، نقوم بإعداد ملفات الصور الخاصة بنا. يوفر A2D2 صور PNG ، ويدعم Amazon SageMaker Ground Truth صور PNG ؛ ومع ذلك ، هذه الصور مشوهة. غالبًا ما يحدث التشوه بسبب عدم محاذاة عدسة التقاط الصورة بالتوازي مع مستوى التصوير ، مما يجعل بعض المناطق في الصورة تبدو أقرب مما هو متوقع. يصف هذا التشويه الفرق بين الكاميرا الفعلية و نموذج مثالي للكاميرا ذات الثقب. إذا لم يتم أخذ التشويه في الاعتبار ، فلن تتمكن Amazon SageMaker Ground Truth من عرض نقاطنا ثلاثية الأبعاد أعلى عروض الكاميرا ، مما يجعل أداء وضع العلامات أكثر صعوبة. للحصول على برنامج تعليمي حول معايرة الكاميرا ، انظر إلى هذه الوثائق من مكتبة برمجية مفتوحة للرؤية الحاسوبية.
بينما تدعم Amazon SageMaker Ground Truth معاملات التشويه في ملف الإدخال الخاص بها ، يمكنك أيضًا إجراء المعالجة المسبقة قبل مهمة وضع العلامات. نظرًا لأن A2D2 يوفر رمزًا مساعدًا لإجراء عدم تشويه ، فإننا نطبقه على الصورة ، ونترك الحقول المتعلقة بالتشويه خارج ملف التسلسل الخاص بنا. لاحظ أن الحقول المتعلقة بالتشويه تشمل k1 و k2 و k3 و k4 و p1 و p2 والانحراف.
موضع الكاميرا والاتجاه وتحويل العرض
بالإضافة إلى ملفات البيانات الأولية المطلوبة لوضع العلامات ، يتطلب ملف التسلسل أيضًا معلومات عن موضع الكاميرا والاتجاه لتنفيذ إسقاط النقاط ثلاثية الأبعاد في عروض الكاميرا ثنائية الأبعاد. نحتاج إلى معرفة المكان الذي تبحث فيه الكاميرا في مساحة ثلاثية الأبعاد لمعرفة كيف يجب أن يتم عرض تسميات مكعبة ثلاثية الأبعاد ونقاط ثلاثية الأبعاد أعلى صورنا.
نظرًا لأننا قمنا بتحميل مواضع المستشعر الخاصة بنا في مدير تحويل مشترك في قسم إعداد مستشعر A2D2 ، يمكننا بسهولة الاستعلام من مدير التحويل عن المعلومات التي نريدها. في حالتنا ، نتعامل مع موضع السيارة على أنه (0 ، 0 ، 0) في كل إطار لأننا لا نملك معلومات عن موقع المستشعر الذي توفره مجموعة بيانات اكتشاف الكائن في A2D2. بالنسبة إلى سيارتنا ، يتم وصف اتجاه الكاميرا وموضعها من خلال الكود التالي:
الآن تم تحويل هذا الموضع والاتجاه ، نحتاج أيضًا إلى توفير قيم fx و fy و cx و cy ، وجميع المعلمات لكل كاميرا في تنسيق ملف التسلسل.
تشير هذه المعلمات إلى القيم الموجودة في مصفوفة الكاميرا. بينما يصف الموضع والاتجاه الطريقة التي تواجهها الكاميرا ، تصف مصفوفة الكاميرا مجال عرض الكاميرا وكيف يتم تحويل نقطة ثلاثية الأبعاد بالنسبة للكاميرا بالضبط إلى موقع بكسل ثنائي الأبعاد في الصورة.
يوفر A2D2 مصفوفة الكاميرا. يتم عرض مصفوفة الكاميرا المرجعية في الكود التالي ، جنبًا إلى جنب مع كيفية فهرسة دفتر الملاحظات الخاص بنا لهذه المصفوفة للحصول على الحقول المناسبة.
مع كل الحقول التي تم تحليلها من تنسيق A2D2 ، يمكننا حفظ ملف التسلسل واستخدامه في Amazon ملف بيان إدخال SageMaker Ground Truth لبدء وظيفة وضع العلامات. تتيح لنا وظيفة وضع العلامات هذه إنشاء ملصقات مربعات إحاطة ثلاثية الأبعاد لاستخدامها في المراحل النهائية للتدريب على النماذج ثلاثية الأبعاد.
قم بتشغيل كل الخلايا حتى نهاية دفتر الملاحظات ، وتأكد من استبدال ملف workteam
ARN مع Amazon SageMaker Ground Truth workteam
ARN قمت بإنشاء شرط أساسي. بعد حوالي 10 دقائق من وضع العلامات على وقت إنشاء الوظائف ، يجب أن تكون قادرًا على تسجيل الدخول إلى بوابة العامل واستخدام وصف واجهة المستخدم لتصور المشهد الخاص بك.
تنظيف
احذف حزمة AWS CloudFormation التي قمت بنشرها باستخدام ملف قم بتشغيل Stack زر اسمه ThreeD
في وحدة تحكم AWS CloudFormation لإزالة جميع الموارد المستخدمة في هذا المنشور ، بما في ذلك أي مثيلات قيد التشغيل.
التكاليف المقدرة
التكلفة التقريبية هي 5 دولارات لمدة ساعتين.
وفي الختام
في هذا المنشور ، أوضحنا كيفية أخذ البيانات ثلاثية الأبعاد وتحويلها إلى نموذج جاهز لوضع العلامات في Amazon SageMaker Ground Truth. باستخدام هذه الخطوات ، يمكنك تسمية بياناتك ثلاثية الأبعاد لتدريب نماذج اكتشاف الكائنات. في المنشور التالي في هذه السلسلة ، سنوضح لك كيفية استخدام A3D3 وتدريب نموذج كاشف الكائن على الملصقات الموجودة بالفعل في مجموعة البيانات.
بناء سعيد!
حول المؤلف
إسحاق بريفتيرا هو عالم بيانات أقدم في مختبر أمازون لحلول التعلم الآلي، حيث يطور التعلم الآلي المفصل وحلول التعلم العميق لمعالجة مشاكل عمل العملاء. يعمل بشكل أساسي في مجال رؤية الكمبيوتر ، مع التركيز على تمكين عملاء AWS من التدريب الموزع والتعلم النشط.
فيديا ساجار رافيباتي هو مدير في مختبر أمازون لحلول التعلم الآلي، حيث يستفيد من خبرته الواسعة في الأنظمة الموزعة واسعة النطاق وشغفه بالتعلم الآلي لمساعدة عملاء AWS عبر قطاعات الصناعة المختلفة على تسريع تبني الذكاء الاصطناعي والسحابة. في السابق ، كان مهندسًا للتعلم الآلي في خدمات الاتصال في أمازون الذي ساعد في بناء منصات للتخصيص والصيانة التنبؤية.
جيريمي فيلتراكو هو مهندس تطوير برمجيات مع th مختبر أمازون لحلول التعلم الآلي في Amazon Web Services. يستخدم خلفيته في رؤية الكمبيوتر والروبوتات والتعلم الآلي لمساعدة عملاء AWS على تسريع تبنيهم للذكاء الاصطناعي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :يكون
- $ UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- ماهرون
- من نحن
- فوق
- تسريع
- الوصول
- يمكن الوصول
- حسابي
- في
- نشط
- إضافة
- العنوان
- تبني
- بعد
- قدما
- AI
- الانحياز
- الكل
- يسمح
- سابقا
- أمازون
- أمازون كوجنيتو
- الأمازون SageMaker
- الحقيقة الأمازون SageMaker الأرض
- أمازون ويب سيرفيسز
- و
- أي شخص
- التطبيق
- التقديم
- مناسب
- ما يقرب من
- هندسة معمارية
- هي
- المناطق
- حول
- مجموعة
- AS
- أسوشيتد
- At
- المعزز
- زيادة واقع
- مستقل
- توفر
- AWS
- تكوين سحابة AWS
- الى الخلف
- خلفية
- BE
- لان
- أصبح
- قبل
- يجري
- أقل من
- ما بين
- الأزرق
- صندوق
- وبذلك
- المتصفح
- نساعدك في بناء
- ابني
- حافلة
- الأعمال
- زر
- by
- تسمى
- وكاميرا
- CAN
- أسر
- اسر
- سيارة
- cars
- حقيبة
- خلايا
- مركز
- تحدي
- التحقق
- اختار
- فئة
- فصول
- أقرب
- سحابة
- اعتماد السحابة
- الكود
- مشترك
- الشركات
- إكمال
- إحصاء
- الكمبيوتر
- رؤية الكمبيوتر
- بثقة
- الإتصال
- كنسولات
- تحتوي على
- يحتوي
- تحويل
- التحويلات
- تحول
- تحويلها
- رابطة
- التكلفة
- فعاله من حيث التكلفه
- بهيكل
- خلق
- خلق
- يخلق
- خلق
- العملاء
- CX
- البيانات
- عالم البيانات
- قواعد البيانات
- تمور
- عميق
- التعلم العميق
- تعريف
- يعرف
- شرح
- تظاهر
- يوضح
- نشر
- نشر
- نشر
- عمق
- وصف
- وصف
- كشف
- تحديد
- التطوير التجاري
- يطور
- الأجهزة
- فرق
- مختلف
- صعبة
- اتجاه
- بحث
- وزعت
- الانظمة الموزعة
- التدريب الموزع
- توثيق
- لا
- بإمكانك تحميله
- قيادة
- e
- كل
- بسهولة
- تمكين
- نقطة النهاية
- مهندس
- ضمان
- البيئة
- خاصة
- أساسي
- إلخ
- حتى
- بالضبط
- مثال
- التوقعات
- متوقع
- الخبره في مجال الغطس
- مواجهة
- قليل
- حقل
- مجال
- الشكل
- قم بتقديم
- ملفات
- نهاية
- الاسم الأول
- يطفو على السطح
- تدفق
- تركز
- التركيز
- متابعيك
- في حالة
- النموذج المرفق
- شكل
- إلى الأمام
- وجدت
- FRAME
- مجانا
- تبدأ من
- جبهة
- وظيفة
- انصهار
- FX
- توليد
- ولدت
- دولار فقط واحصل على خصم XNUMX% على جميع
- GIF
- بوابة
- GitHub جيثب:
- Go
- يذهب
- أخضر
- أرض
- متزايد
- مقبض
- يملك
- وجود
- عنوان
- مساعدة
- ساعد
- مفيد
- استضافة
- ساعات العمل
- كيفية
- كيفية
- لكن
- HTML
- HTTPS
- i
- اي كون
- محدد
- صورة
- صور
- التصوير
- تنفيذ
- أهمية
- in
- في أخرى
- تتضمن
- يشمل
- بما فيه
- زيادة
- على نحو متزايد
- الفهارس
- العالمية
- معلومات
- إدخال
- مثل
- تعليمات
- مصلحة
- يستفد
- السطح البيني
- IT
- انها
- وظيفة
- المشــاريــع
- JPG
- جسون
- نوع
- علم
- تُشير
- وصفها
- ملصقات
- على نطاق واسع
- الليزر
- إطلاق
- تعلم
- تعلم
- يترك
- روافع
- ضوء
- مثل
- قائمة
- تحميل
- الأحمال
- تقع
- موقع
- بحث
- أبحث
- تبدو
- آلة
- آلة التعلم
- صيانة
- جعل
- يصنع
- تمكن
- مدير
- يدير
- رسم الخرائط
- مصفوفة
- يعني
- قياس
- طريقة
- دقيقة
- ML
- الجوال
- أجهزة محمولة
- نموذج
- عارضات ازياء
- مراقبة
- الأكثر من ذلك
- أكثر
- حركة
- متعدد
- الاسم
- عين
- حاجة
- جديد
- التالي
- مفكرة
- عدد
- نمباي
- موضوع
- كشف الكائن
- الأجسام
- of
- on
- ONE
- جاكيت
- مكتبة برمجية مفتوحة للرؤية الحاسوبية
- طريقة التوسع
- خيار
- أخرى
- الناتج
- الكلي
- الخاصة
- صفحة
- موازية
- المعلمات
- جزء
- خاص
- شغف
- مسار
- نفذ
- التخصيص
- مادي
- خط أنابيب
- بكسل
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- نقاط
- بوابة
- ان يرتفع المركز
- مواقف
- إيجابي
- منشور
- تنبأ
- إعداد
- سابق
- سابقا
- في المقام الأول
- خاص
- مشاكل
- عملية المعالجة
- الإنتــاج
- جانبي
- التقدّم
- تنفيذ المشاريع
- إسقاط
- المقدمة
- ويوفر
- تتراوح
- معدل
- الخام
- عرض
- نادي القراءة
- استعداد
- في الوقت الحقيقي
- واقع
- تسجيل
- أحمر
- يشار
- عكست
- منطقة
- ذات صلة
- ذات الصلة
- المتبقية
- إزالة
- يحل محل
- مثل
- مطلوب
- يتطلب
- مورد
- الموارد
- النتائج
- عائد أعلى
- مراجعة
- RGB
- الروبوتات
- الأدوار
- سقف
- صف
- يجري
- تشغيل
- s
- sagemaker
- نفسه
- حفظ
- مشهد
- مشاهد
- عالم
- بحث
- الثاني
- القسم
- تقسيم
- كبير
- أجهزة الاستشعار
- تسلسل
- مسلسلات
- خدماتنا
- الإعداد
- قصير
- ينبغي
- إظهار
- أظهرت
- يظهر
- جانب
- سيجنل
- منذ
- عزباء
- So
- تطبيقات الكمبيوتر
- تطوير البرمجيات
- حل
- الحلول
- بعض
- مصدر
- الفضاء
- المساحات
- على وجه التحديد
- كومة
- معيار
- بداية
- خطوة
- خطوات
- بناء
- تزويد
- الدعم
- مدعومة
- الدعم
- المساحة
- أنظمة
- جدول
- أخذ
- يأخذ
- استهداف
- المهام
- قالب
- تجربه بالعربي
- أن
- •
- المعلومات
- من مشاركة
- تشبه
- ثلاثة
- عبر
- الوقت
- بعنوان
- إلى
- أداة
- تيشرت
- الإجمالي
- تتبع الشحنة
- قطار
- قادة الإيمان
- تحول
- خدمات ترجمة
- علاج
- شاحنة
- البرنامج التعليمي
- نموذجي
- عادة
- ui
- مع
- فهم
- فهم
- فريد من نوعه
- us
- تستخدم
- مستخدم
- واجهة المستخدم
- التحقق من صحة
- القيم
- كبير
- المثالية
- السيارات
- تحقق من
- القطاعات
- فيديو
- المزيد
- الرؤى
- رؤيتنا
- التصور
- طريق..
- الويب
- خدمات ويب
- حسن
- التي
- في حين
- من الذى
- ويكيبيديا
- سوف
- مع
- في غضون
- كلمات
- عامل
- القوى العاملة
- أعمال
- اكتب
- اكتب كود
- مكتوب
- X
- يامل
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت