Η εκτίμηση πόζας είναι μια τεχνική όρασης υπολογιστή που ανιχνεύει ένα σύνολο σημείων σε αντικείμενα (όπως άτομα ή οχήματα) μέσα σε εικόνες ή βίντεο. Η εκτίμηση πόζας έχει πραγματικές εφαρμογές στον αθλητισμό, τη ρομποτική, την ασφάλεια, την επαυξημένη πραγματικότητα, τα μέσα και την ψυχαγωγία, τις ιατρικές εφαρμογές και πολλά άλλα. Τα μοντέλα εκτίμησης πόζας εκπαιδεύονται σε εικόνες ή βίντεο που σχολιάζονται με ένα συνεπές σύνολο σημείων (συντεταγμένων) που ορίζονται από μια εξέδρα. Για να εκπαιδεύσετε ακριβή μοντέλα εκτίμησης πόζας, πρέπει πρώτα να αποκτήσετε ένα μεγάλο σύνολο δεδομένων με σχολιασμένες εικόνες. Πολλά σύνολα δεδομένων έχουν δεκάδες ή εκατοντάδες χιλιάδες σχολιασμένες εικόνες και απαιτούν σημαντικούς πόρους για τη δημιουργία τους. Τα λάθη επισήμανσης είναι σημαντικό να εντοπιστούν και να αποφευχθούν, επειδή η απόδοση του μοντέλου για μοντέλα εκτίμησης πόζας επηρεάζεται σε μεγάλο βαθμό από την ποιότητα των δεδομένων και τον όγκο δεδομένων των ετικετών.
Σε αυτήν την ανάρτηση, δείχνουμε πώς μπορείτε να χρησιμοποιήσετε μια προσαρμοσμένη ροή εργασίας ετικετών Amazon SageMaker Ground Αλήθεια ειδικά σχεδιασμένο για την επισήμανση σημείων κλειδιού. Αυτή η προσαρμοσμένη ροή εργασίας βοηθά στον εξορθολογισμό της διαδικασίας επισήμανσης και στην ελαχιστοποίηση των σφαλμάτων ετικετών, μειώνοντας έτσι το κόστος απόκτησης ετικετών πόζας υψηλής ποιότητας.
Σημασία δεδομένων υψηλής ποιότητας και μείωση των σφαλμάτων επισήμανσης
Τα δεδομένα υψηλής ποιότητας είναι θεμελιώδη για την εκπαίδευση ισχυρών και αξιόπιστων μοντέλων εκτίμησης πόζας. Η ακρίβεια αυτών των μοντέλων συνδέεται άμεσα με την ορθότητα και την ακρίβεια των ετικετών που αντιστοιχίζονται σε κάθε σημείο κλειδί πόζας, το οποίο, με τη σειρά του, εξαρτάται από την αποτελεσματικότητα της διαδικασίας σχολιασμού. Επιπλέον, η κατοχή ενός σημαντικού όγκου διαφορετικών και καλά σχολιασμένων δεδομένων διασφαλίζει ότι το μοντέλο μπορεί να μάθει ένα ευρύ φάσμα στάσεων, παραλλαγών και σεναρίων, οδηγώντας σε βελτιωμένη γενίκευση και απόδοση σε διαφορετικές εφαρμογές του πραγματικού κόσμου. Η απόκτηση αυτών των μεγάλων, σχολιασμένων συνόλων δεδομένων περιλαμβάνει ανθρώπους σχολιαστές που επισημαίνουν προσεκτικά τις εικόνες με πληροφορίες πόζας. Κατά την επισήμανση σημείων ενδιαφέροντος εντός της εικόνας, είναι χρήσιμο να βλέπετε τη σκελετική δομή του αντικειμένου κατά την επισήμανση, προκειμένου να παρέχετε οπτική καθοδήγηση στον σχολιαστή. Αυτό είναι χρήσιμο για τον εντοπισμό σφαλμάτων ετικετών προτού ενσωματωθούν στο σύνολο δεδομένων, όπως εναλλαγές αριστερά-δεξιά ή εσφαλμένες ετικέτες (όπως η επισήμανση ενός ποδιού ως ώμου). Για παράδειγμα, ένα σφάλμα επισήμανσης όπως η εναλλαγή αριστερά-δεξιά που έγινε στο παρακάτω παράδειγμα μπορεί εύκολα να αναγνωριστεί από τη διέλευση των γραμμών του σκελετού και την αναντιστοιχία των χρωμάτων. Αυτές οι οπτικές ενδείξεις βοηθούν τους ετικετογράφους να αναγνωρίζουν τα λάθη και θα έχουν ως αποτέλεσμα ένα πιο καθαρό σύνολο ετικετών.
Λόγω της μη αυτόματης φύσης της επισήμανσης, η απόκτηση μεγάλων και ακριβών συνόλων δεδομένων με ετικέτα μπορεί να είναι απαγορευτική από πλευράς κόστους και ακόμη περισσότερο με ένα αναποτελεσματικό σύστημα επισήμανσης. Επομένως, η αποτελεσματικότητα και η ακρίβεια των ετικετών είναι κρίσιμες κατά το σχεδιασμό της ροής εργασιών επισήμανσης. Σε αυτήν την ανάρτηση, δείχνουμε πώς να χρησιμοποιήσετε μια προσαρμοσμένη ροή εργασιών επισήμανσης του SageMaker Ground Truth για να σχολιάσετε γρήγορα και με ακρίβεια εικόνες, μειώνοντας τον φόρτο της ανάπτυξης μεγάλων συνόλων δεδομένων για ροές εργασίας εκτίμησης πόζας.
Επισκόπηση της λύσης
Αυτή η λύση παρέχει μια διαδικτυακή πύλη όπου το εργατικό δυναμικό ετικετών μπορεί να χρησιμοποιήσει ένα πρόγραμμα περιήγησης ιστού για να συνδεθεί, να αποκτήσει πρόσβαση σε εργασίες επισήμανσης και να σχολιάσει εικόνες χρησιμοποιώντας τη διεπαφή χρήστη crowd-2d-skeleton (UI), μια προσαρμοσμένη διεπαφή χρήστη σχεδιασμένη για επισήμανση σημείων κλειδιού και πόζας χρησιμοποιώντας SageMaker Ground Truth. Οι σχολιασμοί ή οι ετικέτες που δημιουργούνται από το εργατικό δυναμικό ετικετών εξάγονται στη συνέχεια σε ένα Απλή υπηρεσία αποθήκευσης Amazon κάδος (Amazon S3), όπου μπορούν να χρησιμοποιηθούν για μεταγενέστερες διαδικασίες όπως η εκπαίδευση μοντέλων όρασης υπολογιστών σε βάθος. Αυτή η λύση σάς καθοδηγεί στον τρόπο ρύθμισης και ανάπτυξης των απαραίτητων στοιχείων για τη δημιουργία μιας διαδικτυακής πύλης, καθώς και στον τρόπο δημιουργίας εργασιών επισήμανσης για αυτήν τη ροή εργασίας ετικετών.
Το παρακάτω είναι ένα διάγραμμα της συνολικής αρχιτεκτονικής.
Αυτή η αρχιτεκτονική αποτελείται από πολλά βασικά στοιχεία, καθένα από τα οποία εξηγούμε λεπτομερέστερα στις επόμενες ενότητες. Αυτή η αρχιτεκτονική παρέχει στο εργατικό δυναμικό ετικετών μια διαδικτυακή πύλη που φιλοξενείται από το SageMaker Ground Truth. Αυτή η πύλη επιτρέπει σε κάθε εταιρεία ετικετών να συνδεθεί και να δει τις εργασίες επισήμανσης. Αφού συνδεθούν, ο υπεύθυνος ετικετών μπορεί να επιλέξει μια εργασία επισήμανσης και να αρχίσει να σχολιάζει εικόνες χρησιμοποιώντας την προσαρμοσμένη διεπαφή χρήστη που φιλοξενείται από Amazon CloudFront. Χρησιμοποιούμε AWS Lambda λειτουργίες για την επεξεργασία δεδομένων πριν και μετά τον σχολιασμό.
Το παρακάτω στιγμιότυπο οθόνης είναι ένα παράδειγμα της διεπαφής χρήστη.
Το labeler μπορεί να επισημάνει συγκεκριμένα σημεία-κλειδιά στην εικόνα χρησιμοποιώντας τη διεπαφή χρήστη. Οι γραμμές μεταξύ των σημείων κλειδιών θα σχεδιάζονται αυτόματα για τον χρήστη με βάση τον ορισμό του σκελετού που χρησιμοποιεί η διεπαφή χρήστη. Το UI επιτρέπει πολλές προσαρμογές, όπως οι ακόλουθες:
- Προσαρμοσμένα ονόματα σημείων κλειδιών
- Ρυθμιζόμενα χρώματα σημείων κλειδιού
- Ρυθμιζόμενα χρώματα εξέδρας
- Ρυθμιζόμενες δομές σκελετού και εξέδρας
Καθένα από αυτά είναι στοχευμένα χαρακτηριστικά για τη βελτίωση της ευκολίας και της ευελιξίας της επισήμανσης. Μπορείτε να βρείτε συγκεκριμένες λεπτομέρειες προσαρμογής διεπαφής χρήστη στο GitHub repo και συνοψίζονται αργότερα σε αυτήν την ανάρτηση. Λάβετε υπόψη ότι σε αυτήν την ανάρτηση, χρησιμοποιούμε την εκτίμηση ανθρώπινης πόζας ως βασική εργασία, αλλά μπορείτε να την επεκτείνετε στην τοποθέτηση ετικετών αντικειμένων με μια προκαθορισμένη εξέδρα και για άλλα αντικείμενα, όπως ζώα ή οχήματα. Στο παρακάτω παράδειγμα, δείχνουμε πώς μπορεί να εφαρμοστεί αυτό για την επισήμανση των σημείων ενός κιβωτίου φορτηγού.
SageMaker Ground Truth
Σε αυτή τη λύση, χρησιμοποιούμε το SageMaker Ground Truth για να παρέχουμε στο εργατικό δυναμικό ετικετών μια διαδικτυακή πύλη και έναν τρόπο διαχείρισης εργασιών ετικετών. Αυτή η ανάρτηση προϋποθέτει ότι είστε εξοικειωμένοι με το SageMaker Ground Truth. Για περισσότερες πληροφορίες, ανατρέξτε στο Amazon SageMaker Ground Αλήθεια.
Διανομή CloudFront
Για αυτήν τη λύση, η διεπαφή χρήστη ετικετών απαιτεί ένα προσαρμοσμένο στοιχείο JavaScript που ονομάζεται στοιχείο crowd-2d-skeleton. Αυτό το στοιχείο μπορεί να βρεθεί στο GitHub ως μέρος των πρωτοβουλιών ανοιχτού κώδικα της Amazon. Η διανομή CloudFront θα χρησιμοποιηθεί για τη φιλοξενία του crowd-2d-skeleton.js, το οποίο χρειάζεται η διεπαφή χρήστη SageMaker Ground Truth. Στη διανομή CloudFront θα εκχωρηθεί μια ταυτότητα πρόσβασης προέλευσης, η οποία θα επιτρέψει στη διανομή CloudFront να αποκτήσει πρόσβαση στο crowd-2d-skeleton.js που βρίσκεται στον κάδο S3. Ο κάδος S3 θα παραμείνει ιδιωτικός και κανένα άλλο αντικείμενο σε αυτόν τον κάδο δεν θα είναι διαθέσιμο μέσω της διανομής CloudFront λόγω περιορισμών που θέτουμε στην ταυτότητα πρόσβασης προέλευσης μέσω μιας πολιτικής κάδου. Αυτή είναι μια συνιστώμενη πρακτική για την τήρηση της αρχής των ελάχιστων προνομίων.
Κάδος Amazon S3
Χρησιμοποιούμε τον κάδο S3 για να αποθηκεύσουμε τα αρχεία δήλωσης εισόδου και εξόδου του SageMaker Ground Truth, το πρότυπο προσαρμοσμένης διεπαφής χρήστη, εικόνες για τις εργασίες τοποθέτησης ετικετών και τον κώδικα JavaScript που απαιτείται για την προσαρμοσμένη διεπαφή χρήστη. Αυτός ο κάδος θα είναι ιδιωτικός και δεν θα είναι προσβάσιμος στο κοινό. Ο κάδος θα έχει επίσης μια πολιτική κάδου που περιορίζει τη διανομή CloudFront μόνο στη δυνατότητα πρόσβασης στον κώδικα JavaScript που απαιτείται για τη διεπαφή χρήστη. Αυτό εμποδίζει τη διανομή CloudFront να φιλοξενήσει οποιοδήποτε άλλο αντικείμενο στον κάδο S3.
Συνάρτηση λάμδα πριν από τον σχολιασμό
Οι εργασίες επισήμανσης του SageMaker Ground Truth χρησιμοποιούν συνήθως ένα αρχείο δήλωσης εισόδου, το οποίο είναι σε μορφή JSON Lines. Αυτό το αρχείο δήλωσης εισαγωγής περιέχει μεταδεδομένα για μια εργασία επισήμανσης, λειτουργεί ως αναφορά στα δεδομένα που πρέπει να επισημανθούν και βοηθά στη διαμόρφωση του τρόπου με τον οποίο τα δεδομένα θα πρέπει να παρουσιάζονται στους σχολιαστές. Η συνάρτηση Lambda πριν από τον σχολιασμό επεξεργάζεται στοιχεία από το αρχείο δήλωσης εισόδου πριν εισαχθούν τα δεδομένα δήλωσης στο πρότυπο προσαρμοσμένης διεπαφής χρήστη. Εδώ μπορούν να γίνουν οποιαδήποτε μορφοποίηση ή ειδικές τροποποιήσεις στα στοιχεία πριν από την παρουσίαση των δεδομένων στους σχολιαστές στη διεπαφή χρήστη. Για περισσότερες πληροφορίες σχετικά με τις λειτουργίες λάμδα πριν από τον σχολιασμό, βλ Προσχολιασμός Λάμδα.
Συνάρτηση λάμδα μετά τον σχολιασμό
Παρόμοια με τη συνάρτηση Lambda πριν από τον σχολιασμό, η συνάρτηση μετά τον σχολιασμό χειρίζεται πρόσθετη επεξεργασία δεδομένων που μπορεί να θέλετε να κάνετε αφού ολοκληρώσουν την επισήμανση όλων των ετικετών, αλλά πριν γράψετε τα τελικά αποτελέσματα εξόδου σχολιασμού. Αυτή η επεξεργασία γίνεται από μια συνάρτηση Lambda, η οποία είναι υπεύθυνη για τη μορφοποίηση των δεδομένων για τα αποτελέσματα εξόδου της εργασίας επισήμανσης. Σε αυτή τη λύση, το χρησιμοποιούμε απλώς για να επιστρέψουμε τα δεδομένα στην επιθυμητή μορφή εξόδου. Για περισσότερες πληροφορίες σχετικά με τις λειτουργίες Lambda μετά τον σχολιασμό, βλ Μετα-σχολιασμός Λάμδα.
Ρόλος συνάρτησης λάμδα μετά τον σχολιασμό
Χρησιμοποιούμε ένα Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) για να δώσει στη συνάρτηση Lambda μετά τον σχολιασμό πρόσβαση στον κάδο S3. Αυτό απαιτείται για την ανάγνωση των αποτελεσμάτων σχολιασμού και την πραγματοποίηση τυχόν τροποποιήσεων πριν από την εγγραφή των τελικών αποτελεσμάτων στο αρχείο δήλωσης εξόδου.
Ο ρόλος του SageMaker Ground Truth
Χρησιμοποιούμε αυτόν τον ρόλο IAM για να δώσουμε στην εργασία επισήμανσης του SageMaker Ground Truth τη δυνατότητα να επικαλείται τις λειτουργίες Lambda και να διαβάζει τις εικόνες, τα αρχεία δήλωσης και το πρότυπο προσαρμοσμένης διεπαφής χρήστη στον κάδο S3.
Προϋποθέσεις
Για αυτήν την καθοδήγηση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:
Για αυτήν τη λύση, χρησιμοποιούμε το AWS CDK για να αναπτύξουμε την αρχιτεκτονική. Στη συνέχεια, δημιουργούμε ένα δείγμα εργασίας επισήμανσης, χρησιμοποιούμε την πύλη σχολιασμού για να επισημάνουμε ετικέτες στις εικόνες στην εργασία επισήμανσης και εξετάζουμε τα αποτελέσματα επισήμανσης.
Δημιουργήστε τη στοίβα CDK AWS
Αφού ολοκληρώσετε όλες τις προϋποθέσεις, είστε έτοιμοι να αναπτύξετε τη λύση.
Ρυθμίστε τους πόρους σας
Ολοκληρώστε τα παρακάτω βήματα για να ρυθμίσετε τους πόρους σας:
- Κάντε λήψη της στοίβας παραδείγματος από το GitHub repo.
- Χρησιμοποιήστε την εντολή cd για να μεταβείτε στο αποθετήριο.
- Δημιουργήστε το περιβάλλον Python σας και εγκαταστήστε τα απαιτούμενα πακέτα (δείτε το αποθετήριο README.md για περισσότερες λεπτομέρειες).
- Με το περιβάλλον Python ενεργοποιημένο, εκτελέστε την ακόλουθη εντολή:
- Εκτελέστε την ακόλουθη εντολή για να αναπτύξετε το AWS CDK:
- Εκτελέστε την ακόλουθη εντολή για να εκτελέσετε το σενάριο μετά την ανάπτυξη:
Δημιουργήστε μια εργασία επισήμανσης
Αφού ρυθμίσετε τους πόρους σας, είστε έτοιμοι να δημιουργήσετε μια εργασία επισήμανσης. Για τους σκοπούς αυτής της ανάρτησης, δημιουργούμε μια εργασία επισήμανσης χρησιμοποιώντας τα παραδείγματα σεναρίων και εικόνων που παρέχονται στο αποθετήριο.
- CD στο
scripts
κατάλογο στο αποθετήριο. - Πραγματοποιήστε λήψη των παραδειγμάτων εικόνων από το διαδίκτυο εκτελώντας τον ακόλουθο κώδικα:
Αυτό το σενάριο κατεβάζει ένα σύνολο 10 εικόνων, τις οποίες χρησιμοποιούμε στο παράδειγμα εργασίας μας για την τοποθέτηση ετικετών. Εξετάζουμε πώς να χρησιμοποιήσετε τα δικά σας προσαρμοσμένα δεδομένα εισαγωγής αργότερα σε αυτήν την ανάρτηση.
- Δημιουργήστε μια εργασία επισήμανσης εκτελώντας τον ακόλουθο κώδικα:
Αυτό το σενάριο λαμβάνει ως επιχείρημα ένα ARN ιδιωτικού εργατικού δυναμικού SageMaker Ground Truth, το οποίο θα πρέπει να είναι το ARN για ένα εργατικό δυναμικό που έχετε στον ίδιο λογαριασμό στον οποίο αναπτύξατε αυτήν την αρχιτεκτονική. Το σενάριο θα δημιουργήσει το αρχείο δήλωσης εισόδου για την εργασία μας ετικετοποίησης, θα το ανεβάσει στο Amazon S3 και θα δημιουργήσει μια προσαρμοσμένη εργασία ετικετοποίησης SageMaker Ground Truth. Κάνουμε μια βαθύτερη κατάδυση στις λεπτομέρειες αυτού του σεναρίου αργότερα σε αυτήν την ανάρτηση.
Επισημάνετε το σύνολο δεδομένων
Αφού ξεκινήσετε το παράδειγμα εργασίας ετικετών, θα εμφανιστεί στην κονσόλα SageMaker καθώς και στην πύλη του εργατικού δυναμικού.
Στην πύλη εργατικού δυναμικού, επιλέξτε την εργασία επισήμανσης και επιλέξτε Αρχισε να δουλεύεις, άρχισε τη δουλειά.
Θα εμφανιστεί μια εικόνα από το παράδειγμα δεδομένων. Σε αυτό το σημείο, μπορείτε να χρησιμοποιήσετε την προσαρμοσμένη διεπαφή χρήστη crowd-2d-skeleton για να σχολιάσετε τις εικόνες. Μπορείτε να εξοικειωθείτε με τη διεπαφή χρήστη crowd-2d-skeleton ανατρέχοντας στο Επισκόπηση διεπαφής χρήστη. Χρησιμοποιούμε τον ορισμό εξέδρας από το Πρόκληση συνόλου δεδομένων ανίχνευσης σημείων κλειδιού COCO όπως η ανθρώπινη πόζα εξέδρα. Για να το επαναλάβουμε, μπορείτε να το προσαρμόσετε χωρίς το προσαρμοσμένο στοιχείο διεπαφής χρήστη για να καταργήσετε ή να προσθέσετε πόντους με βάση τις απαιτήσεις σας.
Όταν ολοκληρώσετε τον σχολιασμό μιας εικόνας, επιλέξτε Υποβολη. Αυτό θα σας μεταφέρει στην επόμενη εικόνα στο σύνολο δεδομένων μέχρι να επισημανθούν όλες οι εικόνες.
Πρόσβαση στα αποτελέσματα της επισήμανσης
Όταν ολοκληρώσετε την επισήμανση όλων των εικόνων στην εργασία επισήμανσης, το SageMaker Ground Truth θα ενεργοποιήσει τη συνάρτηση Lambda μετά τον σχολιασμό και θα παράγει ένα αρχείο output.manifest που περιέχει όλους τους σχολιασμούς. Αυτό output.manifest
θα αποθηκευτεί στον κάδο S3. Στην περίπτωσή μας, η θέση του μανιφέστου εξόδου θα πρέπει να ακολουθεί τη διαδρομή URI S3 s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. Το αρχείο output.manifest είναι ένα αρχείο JSON Lines, όπου κάθε γραμμή αντιστοιχεί σε μια μεμονωμένη εικόνα και τους σχολιασμούς της από το εργατικό δυναμικό ετικετών. Κάθε στοιχείο JSON Lines είναι ένα αντικείμενο JSON με πολλά πεδία. Το πεδίο που μας ενδιαφέρει ονομάζεται label-results
. Η τιμή αυτού του πεδίου είναι ένα αντικείμενο που περιέχει τα ακόλουθα πεδία:
- data_object_id – Το αναγνωριστικό ή το ευρετήριο του στοιχείου μανιφέστου εισόδου
- data_object_s3_uri – Η εικόνα είναι το Amazon S3 URI
- όνομα_αρχείου_εικόνας – Όνομα αρχείου της εικόνας
- image_s3_location – Το URL της εικόνας του Amazon S3
- πρωτότυποι_σχολιασμοί – Οι αρχικοί σχολιασμοί (ορίζονται και χρησιμοποιούνται μόνο εάν χρησιμοποιείτε ροή εργασίας πριν από τον σχολιασμό)
- updated_notations – Οι σχολιασμοί για την εικόνα
- worker_id – Ο εργαζόμενος στο εργατικό δυναμικό που έκανε τους σχολιασμούς
- δεν_χρειάζονται_αλλαγές – Επιλέχθηκε εάν το πλαίσιο ελέγχου δεν χρειάζονται αλλαγές
- was_modified – Εάν τα δεδομένα σχολιασμού διαφέρουν από τα αρχικά δεδομένα εισόδου
- συνολικός_χρόνος_σε_δευτερόλεπτα – Ο χρόνος που χρειάστηκε ο εργαζόμενος στο εργατικό δυναμικό για να σχολιάσει την εικόνα
Με αυτά τα πεδία, μπορείτε να αποκτήσετε πρόσβαση στα αποτελέσματα των σχολιασμών σας για κάθε εικόνα και να κάνετε υπολογισμούς όπως ο μέσος χρόνος για την επισήμανση μιας εικόνας.
Δημιουργήστε τις δικές σας θέσεις εργασίας ετικετών
Τώρα που δημιουργήσαμε ένα παράδειγμα εργασίας επισήμανσης και κατανοείτε τη συνολική διαδικασία, σας καθοδηγούμε στον κώδικα που είναι υπεύθυνος για τη δημιουργία του αρχείου δήλωσης και την εκκίνηση της εργασίας επισήμανσης. Εστιάζουμε στα βασικά μέρη του σεναρίου που μπορεί να θέλετε να τροποποιήσετε για να ξεκινήσετε τις δικές σας εργασίες τοποθέτησης ετικετών.
Καλύπτουμε αποσπάσματα κώδικα από το create_example_labeling_job.py
σενάριο που βρίσκεται στο Αποθετήριο GitHub. Το σενάριο ξεκινά με τη ρύθμιση μεταβλητών που χρησιμοποιούνται αργότερα στο σενάριο. Ορισμένες από τις μεταβλητές είναι κωδικοποιημένες για απλότητα, ενώ άλλες, οι οποίες εξαρτώνται από τη στοίβα, θα εισαχθούν δυναμικά κατά το χρόνο εκτέλεσης, λαμβάνοντας τις τιμές που δημιουργούνται από τη στοίβα AWS CDK.
Η πρώτη ενότητα κλειδιού σε αυτό το σενάριο είναι η δημιουργία του αρχείου δήλωσης. Θυμηθείτε ότι το αρχείο δήλωσης είναι ένα αρχείο γραμμών JSON που περιέχει τις λεπτομέρειες για μια εργασία επισήμανσης SageMaker Ground Truth. Κάθε αντικείμενο JSON Lines αντιπροσωπεύει ένα στοιχείο (για παράδειγμα, μια εικόνα) που πρέπει να επισημανθεί. Για αυτήν τη ροή εργασίας, το αντικείμενο πρέπει να περιέχει τα ακόλουθα πεδία:
- πηγή-αναφ – Το Amazon S3 URI στην εικόνα που θέλετε να επισημάνετε.
- σχολιασμούς – Μια λίστα αντικειμένων σχολιασμού, η οποία χρησιμοποιείται για τον προσχολιασμό ροών εργασίας. Δείτε το τεκμηρίωση crowd-2d-skeleton για περισσότερες λεπτομέρειες σχετικά με τις αναμενόμενες τιμές.
Το σενάριο δημιουργεί μια γραμμή δήλωσης για κάθε εικόνα στον κατάλογο εικόνων χρησιμοποιώντας την ακόλουθη ενότητα κώδικα:
Εάν θέλετε να χρησιμοποιήσετε διαφορετικές εικόνες ή να οδηγήσετε σε διαφορετικό κατάλογο εικόνων, μπορείτε να τροποποιήσετε αυτήν την ενότητα του κώδικα. Επιπλέον, εάν χρησιμοποιείτε μια ροή εργασίας πριν από τον σχολιασμό, μπορείτε να ενημερώσετε τον πίνακα σχολιασμών με μια συμβολοσειρά JSON που αποτελείται από τον πίνακα και όλα τα αντικείμενα σχολιασμού του. Οι λεπτομέρειες της μορφής αυτού του πίνακα τεκμηριώνονται στο τεκμηρίωση crowd-2d-skeleton.
Με τα στοιχεία γραμμής δήλωσης που έχουν δημιουργηθεί τώρα, μπορείτε να δημιουργήσετε και να ανεβάσετε το αρχείο δήλωσης στον κάδο S3 που δημιουργήσατε νωρίτερα:
Τώρα που έχετε δημιουργήσει ένα αρχείο δήλωσης που περιέχει τις εικόνες που θέλετε να προσθέσετε ετικέτα, μπορείτε να δημιουργήσετε μια εργασία επισήμανσης. Μπορείτε να δημιουργήσετε την εργασία επισήμανσης μέσω προγραμματισμού χρησιμοποιώντας το AWS SDK για Python (Boto3). Ο κώδικας για τη δημιουργία μιας εργασίας επισήμανσης είναι ο εξής:
Οι πτυχές αυτού του κώδικα που μπορεί να θέλετε να τροποποιήσετε είναι LabelingJobName
, TaskTitle
, να TaskDescription
. ο LabelingJobName
είναι το μοναδικό όνομα της εργασίας τοποθέτησης ετικετών που θα χρησιμοποιήσει το SageMaker για την αναφορά της εργασίας σας. Αυτό είναι επίσης το όνομα που θα εμφανίζεται στην κονσόλα SageMaker. TaskTitle
εξυπηρετεί παρόμοιο σκοπό, αλλά δεν χρειάζεται να είναι μοναδικό και θα είναι το όνομα της εργασίας που εμφανίζεται στην πύλη εργατικού δυναμικού. Ίσως θελήσετε να τα κάνετε πιο συγκεκριμένα για το τι επισημάνετε ή για το σκοπό της εργασίας επισήμανσης. Τέλος, έχουμε το TaskDescription
πεδίο. Αυτό το πεδίο εμφανίζεται στην πύλη εργατικού δυναμικού για να παρέχει πρόσθετο πλαίσιο στους υπεύθυνους ετικετών σχετικά με το ποια είναι η εργασία, όπως οδηγίες και καθοδήγηση για την εργασία. Για περισσότερες πληροφορίες για αυτά τα πεδία καθώς και για τα άλλα, ανατρέξτε στο τεκμηρίωση δημιουργίας_ετικέττας_εργασίας.
Κάντε προσαρμογές στη διεπαφή χρήστη
Σε αυτήν την ενότητα, εξετάζουμε μερικούς από τους τρόπους με τους οποίους μπορείτε να προσαρμόσετε τη διεπαφή χρήστη. Ακολουθεί μια λίστα με τις πιο συνηθισμένες πιθανές προσαρμογές στη διεπαφή χρήστη, προκειμένου να την προσαρμόσετε στην εργασία μοντελοποίησης:
- Μπορείτε να ορίσετε ποια σημεία-κλειδιά μπορούν να επισημανθούν. Αυτό περιλαμβάνει το όνομα του σημείου κλειδιού και το χρώμα του.
- Μπορείτε να αλλάξετε τη δομή του σκελετού (τα οποία τα βασικά σημεία συνδέονται).
- Μπορείτε να αλλάξετε τα χρώματα των γραμμών για συγκεκριμένες γραμμές μεταξύ συγκεκριμένων σημείων κλειδιών.
Όλες αυτές οι προσαρμογές διεπαφής χρήστη μπορούν να διαμορφωθούν μέσω ορισμάτων που μεταβιβάζονται στο στοιχείο crowd-2d-skeleton, το οποίο είναι το στοιχείο JavaScript που χρησιμοποιείται σε αυτό προσαρμοσμένο πρότυπο ροής εργασίας. Σε αυτό το πρότυπο, θα βρείτε τη χρήση του στοιχείου crowd-2d-skeleton. Μια απλοποιημένη έκδοση εμφανίζεται στον ακόλουθο κώδικα:
Στο προηγούμενο παράδειγμα κώδικα, μπορείτε να δείτε τα ακόλουθα χαρακτηριστικά στο στοιχείο: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
, να intialValues
. Περιγράφουμε τον σκοπό κάθε χαρακτηριστικού στις ακόλουθες ενότητες, αλλά η προσαρμογή της διεπαφής χρήστη είναι τόσο απλή όσο η αλλαγή των τιμών για αυτά τα χαρακτηριστικά, η αποθήκευση του προτύπου και η επανάληψη της post_deployment_script.py
χρησιμοποιούσαμε προηγουμένως.
χαρακτηριστικό imgSrc
Η imgSrc
Το χαρακτηριστικό ελέγχει ποια εικόνα θα εμφανίζεται στη διεπαφή χρήστη κατά την τοποθέτηση ετικετών. Συνήθως, χρησιμοποιείται διαφορετική εικόνα για κάθε στοιχείο γραμμής δήλωσης, επομένως αυτό το χαρακτηριστικό συμπληρώνεται συχνά δυναμικά χρησιμοποιώντας το ενσωματωμένο Υγρό γλώσσα προτύπου. Μπορείτε να δείτε στο προηγούμενο παράδειγμα κώδικα ότι η τιμή του χαρακτηριστικού έχει οριστεί σε {{ task.input.image_s3_uri | grant_read_access }}
, η οποία είναι μεταβλητή προτύπου υγρού που θα αντικατασταθεί με την πραγματική image_s3_uri
τιμή κατά την απόδοση του προτύπου. Η διαδικασία απόδοσης ξεκινά όταν ο χρήστης ανοίγει μια εικόνα για σχολιασμό. Αυτή η διαδικασία αρπάζει ένα στοιχείο γραμμής από το αρχείο δήλωσης εισόδου και το στέλνει στη συνάρτηση Lambda πριν από τον σχολιασμό ως event.dataObject
. Η συνάρτηση προ-σχολιασμού παίρνει τις πληροφορίες που χρειάζεται από το στοιχείο γραμμής και επιστρέφει a taskInput
λεξικό, το οποίο στη συνέχεια μεταβιβάζεται στη μηχανή Liquid rendering, η οποία θα αντικαταστήσει τυχόν Liquid μεταβλητές στο πρότυπό σας. Για παράδειγμα, ας υποθέσουμε ότι έχετε ένα αρχείο δήλωσης με την ακόλουθη γραμμή:
Αυτά τα δεδομένα θα περάσουν στη συνάρτηση προ-σχολιασμού. Ο παρακάτω κώδικας δείχνει πώς η συνάρτηση εξάγει τις τιμές από το αντικείμενο συμβάντος:
Το αντικείμενο που επιστρέφεται από τη συνάρτηση σε αυτήν την περίπτωση θα μοιάζει με τον ακόλουθο κώδικα:
Τα επιστρεφόμενα δεδομένα από τη συνάρτηση είναι στη συνέχεια διαθέσιμα στη μηχανή υγρού προτύπου, η οποία αντικαθιστά τις τιμές προτύπου στο πρότυπο με τις τιμές δεδομένων που επιστρέφονται από τη συνάρτηση. Το αποτέλεσμα θα ήταν κάτι σαν τον παρακάτω κώδικα:
χαρακτηριστικό keypointClasses
Η keypointClasses
Το χαρακτηριστικό καθορίζει ποια σημεία-κλειδιά θα εμφανίζονται στη διεπαφή χρήστη και θα χρησιμοποιηθούν από τους σχολιαστές. Αυτό το χαρακτηριστικό παίρνει μια συμβολοσειρά JSON που περιέχει μια λίστα αντικειμένων. Κάθε αντικείμενο αντιπροσωπεύει ένα σημείο κλειδιού. Κάθε αντικείμενο σημείου κλειδιού πρέπει να περιέχει τα ακόλουθα πεδία:
- id – Μια μοναδική τιμή για τον προσδιορισμό αυτού του σημείου κλειδιού.
- χρώμα – Το χρώμα του σημείου-κλειδιού που αναπαρίσταται ως εξαγωνικό χρώμα HTML.
- επιγραφή – Το όνομα ή η κλάση σημείων κλειδιού.
- x – Αυτό το προαιρετικό χαρακτηριστικό απαιτείται μόνο εάν θέλετε να χρησιμοποιήσετε τη λειτουργικότητα του σκελετού σχεδίασης στη διεπαφή χρήστη. Η τιμή για αυτό το χαρακτηριστικό είναι η θέση x του σημείου κλειδιού σε σχέση με το πλαίσιο οριοθέτησης του σκελετού. Αυτή η τιμή λαμβάνεται συνήθως από το Εργαλείο Skeleton Rig Creator. Εάν κάνετε σχολιασμούς σημείων κλειδιού και δεν χρειάζεται να σχεδιάσετε έναν ολόκληρο σκελετό ταυτόχρονα, μπορείτε να ορίσετε αυτήν την τιμή σε 0.
- y – Αυτό το προαιρετικό χαρακτηριστικό είναι παρόμοιο με το x, αλλά για την κατακόρυφη διάσταση.
Για περισσότερες πληροφορίες σχετικά με το keypointClasses
χαρακτηριστικό, βλ Τεκμηρίωση keypointClasses.
χαρακτηριστικό skeletonRig
Η skeletonRig
Το χαρακτηριστικό ελέγχει ποια σημεία-κλειδιά πρέπει να έχουν γραμμές μεταξύ τους. Αυτό το χαρακτηριστικό παίρνει μια συμβολοσειρά JSON που περιέχει μια λίστα ζευγών ετικετών σημείων κλειδιού. Κάθε ζεύγος ενημερώνει τη διεπαφή χρήστη σε ποια σημεία-κλειδιά πρέπει να χαράξει γραμμές. Για παράδειγμα, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
ενημερώνει τη διεπαφή χρήστη να χαράξει γραμμές μεταξύ τους "left_ankle"
και "left_knee"
και τραβήξτε γραμμές μεταξύ τους "left_knee"
και "left_hip"
. Αυτό μπορεί να δημιουργηθεί από το Εργαλείο Skeleton Rig Creator.
χαρακτηριστικό skeletonBoundingBox
Η skeletonBoundingBox
Το χαρακτηριστικό είναι προαιρετικό και χρειάζεται μόνο εάν θέλετε να χρησιμοποιήσετε τη λειτουργικότητα του σκελετού σχεδίασης στη διεπαφή χρήστη. Η λειτουργικότητα του σκελετού σχεδίασης είναι η δυνατότητα σχολιασμού ολόκληρων σκελετών με μία μόνο ενέργεια σχολιασμού. Δεν καλύπτουμε αυτό το χαρακτηριστικό σε αυτήν την ανάρτηση. Η τιμή για αυτό το χαρακτηριστικό είναι οι διαστάσεις του πλαισίου οριοθέτησης του σκελετού. Αυτή η τιμή λαμβάνεται συνήθως από το Εργαλείο Skeleton Rig Creator. Εάν κάνετε σχολιασμούς σημείων κλειδιού και δεν χρειάζεται να σχεδιάσετε έναν ολόκληρο σκελετό ταυτόχρονα, μπορείτε να ορίσετε αυτήν την τιμή σε null. Συνιστάται να χρησιμοποιήσετε το εργαλείο Skeleton Rig Creator για να λάβετε αυτήν την τιμή.
χαρακτηριστικό intialValues
Η initialValues
Το χαρακτηριστικό χρησιμοποιείται για την εκ των προτέρων συμπλήρωση της διεπαφής χρήστη με σχολιασμούς που λαμβάνονται από άλλη διεργασία (όπως άλλη εργασία τοποθέτησης ετικετών ή μοντέλο μηχανικής εκμάθησης). Αυτό είναι χρήσιμο όταν κάνετε εργασίες προσαρμογής ή αναθεώρησης. Τα δεδομένα για αυτό το πεδίο συνήθως συμπληρώνονται δυναμικά στην ίδια περιγραφή για το imgSrc
Χαρακτηριστικό. Περισσότερες λεπτομέρειες μπορείτε να βρείτε στο τεκμηρίωση crowd-2d-skeleton.
εκκαθάριση
Για να αποφύγετε μελλοντικές χρεώσεις, θα πρέπει να διαγράψετε τα αντικείμενα στον κάδο S3 και να διαγράψετε τη στοίβα AWS CDK. Μπορείτε να διαγράψετε τα αντικείμενα S3 μέσω της κονσόλας Amazon SageMaker ή του Διεπαφή γραμμής εντολών AWS (AWS CLI). Αφού διαγράψετε όλα τα αντικείμενα S3 στον κάδο, μπορείτε να καταστρέψετε το AWS CDK εκτελώντας τον ακόλουθο κώδικα:
Αυτό θα αφαιρέσει τους πόρους που δημιουργήσατε νωρίτερα.
Κρίσεις
Ίσως χρειαστούν πρόσθετα βήματα για την παραγωγή της ροής εργασίας σας. Ακολουθούν ορισμένες σκέψεις ανάλογα με το προφίλ κινδύνου του οργανισμού σας:
- Προσθήκη πρόσβασης και καταγραφής εφαρμογών
- Προσθήκη τείχους προστασίας διαδικτυακής εφαρμογής (WAF)
- Προσαρμογή των αδειών IAM ώστε να ακολουθεί το ελάχιστο προνόμιο
Συμπέρασμα
Σε αυτήν την ανάρτηση, μοιραστήκαμε τη σημασία της αποτελεσματικότητας και της ακρίβειας των ετικετών στη δημιουργία συνόλων δεδομένων εκτίμησης πόζας. Για να βοηθήσουμε και με τα δύο στοιχεία, δείξαμε πώς μπορείτε να χρησιμοποιήσετε το SageMaker Ground Truth για να δημιουργήσετε προσαρμοσμένες ροές εργασίας ετικετών για να υποστηρίξετε εργασίες επισήμανσης πόζας που βασίζονται σε σκελετό, με στόχο τη βελτίωση της αποτελεσματικότητας και της ακρίβειας κατά τη διαδικασία επισήμανσης. Δείξαμε πώς μπορείτε να επεκτείνετε περαιτέρω τον κώδικα και τα παραδείγματα σε διάφορες απαιτήσεις επισήμανσης προσαρμοσμένης εκτίμησης πόζας.
Σας ενθαρρύνουμε να χρησιμοποιήσετε αυτήν τη λύση για τις εργασίες επισήμανσης και να εμπλακείτε με το AWS για βοήθεια ή ερωτήσεις σχετικά με προσαρμοσμένες ροές εργασίας ετικετών.
Σχετικά με τους Συγγραφείς
Άρθουρ Πάτναμ είναι Full-Stack Data Scientist στις AWS Professional Services. Η τεχνογνωσία του Arthur επικεντρώνεται στην ανάπτυξη και την ενσωμάτωση τεχνολογιών front-end και back-end σε συστήματα AI. Εκτός δουλειάς, ο Άρθουρ απολαμβάνει να εξερευνά τις τελευταίες εξελίξεις στην τεχνολογία, να περνά χρόνο με την οικογένειά του και να απολαμβάνει την ύπαιθρο.
Μπεν Φένκερ είναι Ανώτερος Επιστήμονας Δεδομένων στις Επαγγελματικές Υπηρεσίες AWS και έχει βοηθήσει τους πελάτες να δημιουργήσουν και να αναπτύξουν λύσεις ML σε κλάδους που κυμαίνονται από τον αθλητισμό έως την υγειονομική περίθαλψη έως την κατασκευή. Έχει Ph.D. στη φυσική από το Texas A&M University και 6 χρόνια εμπειρία στον κλάδο. Ο Μπεν απολαμβάνει το μπέιζμπολ, το διάβασμα και την ανατροφή των παιδιών του.
Τζάρβις Λι είναι Senior Data Scientist με AWS Professional Services. Εργάζεται με την AWS για πάνω από έξι χρόνια, δουλεύοντας με πελάτες σε προβλήματα μηχανικής μάθησης και όρασης υπολογιστή. Εκτός δουλειάς, του αρέσει να κάνει ποδήλατα.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- ικανότητα
- Ικανός
- πρόσβαση
- προσιτός
- Λογαριασμός
- ακρίβεια
- ακριβής
- με ακρίβεια
- αποκτούν
- απόκτηση
- απέναντι
- Ενέργειες
- πράξεις
- πραγματικός
- προσθέτω
- Πρόσθετος
- Επιπλέον
- Προσαρμογή
- προσαρμογές
- εξελίξεις
- Μετά το
- AI
- Συστήματα AI
- Στοχεύω
- Όλα
- επιτρέπουν
- επιτρέπει
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon SageMaker Ground Αλήθεια
- Amazon υπηρεσίες Web
- an
- και
- αγελάδων
- Άλλος
- κάθε
- εμφανίζομαι
- εμφανίζεται
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- αρχιτεκτονική
- ΕΙΝΑΙ
- επιχείρημα
- επιχειρήματα
- γύρω
- Παράταξη
- Αρθούρος
- AS
- πτυχές
- ανατεθεί
- Βοήθεια
- υποθέτει
- At
- γνωρίσματα
- επαυξημένης
- Augmented Reality
- αυτομάτως
- διαθέσιμος
- μέσος
- αποφύγετε
- AWS
- Επαγγελματικές υπηρεσίες AWS
- Πίσω μέρος
- μπέιζμπολ
- βασίζονται
- Baseline
- BE
- επειδή
- ήταν
- πριν
- αρχίζουν
- είναι
- ben
- μεταξύ
- και οι δύο
- Κουτί
- ευρύς
- πρόγραμμα περιήγησης
- χτίζω
- Κτίριο
- ενσωματωμένο
- βάρος
- αλλά
- by
- υπολογισμοί
- που ονομάζεται
- CAN
- προσεκτικά
- περίπτωση
- CD
- στο κέντρο
- αλλαγή
- Αλλαγές
- αλλαγή
- φορτία
- έλεγχος
- Επιλέξτε
- τάξη
- καθαριστής
- cli
- πελάτης
- κωδικός
- χρώμα
- έρχεται
- Κοινός
- πλήρης
- συστατικό
- εξαρτήματα
- Αποτελείται
- υπολογιστή
- Computer Vision
- συνδεδεμένος
- θεωρήσεις
- συνεπής
- Αποτελείται από
- πρόξενος
- περιέχουν
- Περιέχει
- συμφραζόμενα
- ελέγχους
- αντιστοιχεί
- Κόστος
- κάλυμμα
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- δημιουργία
- δημιουργός
- κρίσιμης
- διάβαση
- πλήθος
- έθιμο
- Προσαρμοσμένη
- Πελάτες
- παραμετροποίηση
- προσαρμόσετε
- ημερομηνία
- επεξεργασία δεδομένων
- επιστήμονας δεδομένων
- σύνολα δεδομένων
- ημερομηνία
- βαθύς
- βαθιά μάθηση
- βαθύτερη
- ορίζεται
- ορίζεται
- Ορίζει
- ορισμός
- αποδεικνύουν
- εξαρτώμενος
- Σε συνάρτηση
- εξαρτάται
- παρατάσσω
- αναπτυχθεί
- περιγράφουν
- περιγραφή
- σχεδιασμένα
- σχέδιο
- επιθυμητή
- καταστρέψει
- λεπτομέρεια
- καθέκαστα
- Ανίχνευση
- ανάπτυξη
- διάγραμμα
- διαφορετικές
- Διάσταση
- Διαστάσεις
- κατευθείαν
- κατάλογο
- διανομή
- κατάδυση
- διάφορα
- do
- Όχι
- πράξη
- γίνεται
- Μην
- λήψεις
- σχεδιάζω
- που
- δυο
- κατά την διάρκεια
- δυναμικά
- κάθε
- Νωρίτερα
- ευκολία
- εύκολα
- αποτελεσματικότητα
- αποδοτικότητα
- ενθαρρύνει
- ασκούν
- Κινητήρας
- ενίσχυση
- απολαμβάνοντας
- εξασφαλίζει
- Ψυχαγωγία
- Ολόκληρος
- Περιβάλλον
- σφάλμα
- λάθη
- Even
- Συμβάν
- εξετάζω
- παράδειγμα
- παραδείγματα
- Ανάπτυξη
- αναμένεται
- εμπειρία
- εξειδίκευση
- Εξηγήστε
- Εξερευνώντας
- επεκτείνουν
- επιπλέον
- Εκχυλίσματα
- οικείος
- ενημερώνω
- οικογένεια
- Χαρακτηριστικό
- Χαρακτηριστικά
- πεδίο
- Πεδία
- Αρχεία
- Αρχεία
- τελικός
- Εύρεση
- firewall
- Όνομα
- Ευελιξία
- Συγκέντρωση
- ακολουθήστε
- Εξής
- εξής
- Πόδι
- Για
- μορφή
- Βρέθηκαν
- από
- λειτουργία
- λειτουργικότητα
- λειτουργίες
- θεμελιώδης
- περαιτέρω
- μελλοντικός
- παράγεται
- παίρνω
- gif
- GitHub
- Δώστε
- Go
- Έδαφος
- καθοδήγηση
- Handles
- Έχω
- που έχει
- he
- υγειονομική περίθαλψη
- βαριά
- βοήθεια
- βοήθησε
- χρήσιμο
- βοηθά
- εδώ
- HEX
- υψηλής ποιότητας
- του
- οικοδεσπότης
- φιλοξενείται
- φιλοξενία
- Πως
- Πώς να
- HTML
- http
- HTTPS
- ανθρώπινος
- Εκατοντάδες
- ID
- προσδιορίζονται
- προσδιορίσει
- προσδιορισμό
- Ταυτότητα
- if
- εικόνα
- εικόνες
- σπουδαιότητα
- σημαντικό
- βελτίωση
- βελτιωθεί
- in
- περιλαμβάνει
- Συσσωματωμένος
- ευρετήριο
- βιομηχανίες
- βιομηχανία
- ανεπαρκής
- επηρεάζονται
- πληροφορίες
- ενημερώνει
- πρωτοβουλίες
- εισαγωγή
- Ερωτήσεις
- εγκαθιστώ
- οδηγίες
- Ενσωμάτωση
- τόκος
- ενδιαφερόμενος
- περιβάλλον λειτουργίας
- Internet
- σε
- περιλαμβάνει
- IT
- αντικειμένων
- ΤΟΥ
- το JavaScript
- Δουλειά
- Θέσεις εργασίας
- jpg
- json
- Κλειδί
- Ανίχνευση σημείων κλειδιού
- παιδιά
- επιγραφή
- τιτλοφόρηση
- Ετικέτες
- Γλώσσα
- large
- εν τέλει
- αργότερα
- αργότερο
- ξεκινήσει
- ξεκίνησε
- δρομολόγηση
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- ελάχιστα
- Αφήνει
- Μου αρέσει
- γραμμή
- γραμμές
- Υγρό
- Λιστα
- που βρίσκεται
- τοποθεσία
- κούτσουρο
- καταγραφεί
- ματιά
- μοιάζει
- μηχανή
- μάθηση μηχανής
- που
- κάνω
- διαχείριση
- Ταχύτητες
- κατασκευής
- πολοί
- σημάδι
- βαθμολόγηση
- Ενδέχεται..
- μπορεί
- Εικόνες / Βίντεο
- ιατρικών
- Ιατρικές εφαρμογές
- Μεταδεδομένα
- ελαχιστοποίηση
- λάθη
- ML
- μοντέλο
- μοντελοποίηση
- μοντέλα
- τροποποιήσεις
- τροποποιήσει
- περισσότερο
- πλέον
- όνομα
- Φύση
- απαραίτητος
- Ανάγκη
- που απαιτούνται
- ανάγκες
- επόμενη
- Όχι.
- σημείωση
- τώρα
- αντικείμενο
- αντικειμένων
- λαμβάνεται
- την απόκτηση
- of
- συχνά
- on
- μια φορά
- ONE
- διαδικτυακά (online)
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- ανοίγει
- or
- τάξη
- οργανώσεις
- καταγωγή
- πρωτότυπο
- OS
- ΑΛΛΑ
- Άλλα
- δικός μας
- έξω
- ύπαιθρο
- παραγωγή
- εκτός
- επί
- φόρμες
- δική
- Packages
- ζεύγος
- ζεύγη
- μέρος
- εξαρτήματα
- πέρασε
- μονοπάτι
- People
- επίδοση
- δικαιώματα
- Φυσική
- Μέρος
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Σημείο
- σημεία
- πολιτική
- κατοικημένη περιοχή
- Πύλη
- ενέχουν
- Εκτίμηση πόζας
- θέτει
- θέση
- Θέση
- δυναμικού
- πρακτική
- προηγείται
- Ακρίβεια
- προαπαιτούμενα
- παρουσιάζονται
- παρουσιάζοντας
- πρόληψη
- αποτρέπει
- προηγούμενος
- προηγουμένως
- αρχή
- ιδιωτικός
- προβλήματα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παράγει
- επαγγελματίας
- Προφίλ ⬇️
- παρέχουν
- παρέχεται
- παρέχει
- δημόσιο
- σκοπός
- σκοποί
- Python
- ποιότητα
- γρήγορα
- αύξηση
- σειρά
- κυμαίνεται
- Διάβασε
- Ανάγνωση
- έτοιμος
- πραγματικό κόσμο
- Πραγματικότητα
- αναγνωρίζω
- συνιστάται
- μείωση
- παραπέμπω
- αναφορά
- σχετίζεται με
- σχετικής
- αξιόπιστος
- παραμένουν
- αφαιρέστε
- αποδίδεται
- απόδοση
- αντικαθιστώ
- αντικατασταθούν
- Αποθήκη
- εκπροσωπούνται
- αντιπροσωπεύει
- απαιτείται
- απαιτήσεις
- Απαιτεί
- Υποστηρικτικό υλικό
- απάντησης
- υπεύθυνος
- περιορισμούς
- αποτέλεσμα
- Αποτελέσματα
- απόδοση
- Επιστροφές
- ανασκόπηση
- ιππασία
- εξέδρας
- Κίνδυνος
- ρομποτική
- εύρωστος
- Ρόλος
- τρέξιμο
- τρέξιμο
- runtime
- σοφός
- ίδιο
- δείγμα
- οικονομία
- λένε
- σενάρια
- Επιστήμονας
- γραφή
- Εφαρμογές
- SDK
- Τμήμα
- τμήματα
- ασφάλεια
- δείτε
- επιλέξτε
- αποστέλλει
- αρχαιότερος
- εξυπηρετεί
- Υπηρεσίες
- σειρά
- τον καθορισμό
- διάφοροι
- Shared
- θα πρέπει να
- δείχνουν
- έδειξε
- παρουσιάζεται
- Δείχνει
- σημαντικός
- παρόμοιες
- Απλούς
- απλότητα
- απλοποιημένη
- απλά
- ενιαίας
- ΕΞΙ
- So
- λύση
- Λύσεις
- μερικοί
- κάτι
- Πηγή
- ειδική
- συγκεκριμένες
- ειδικά
- Δαπάνες
- Αθλητισμός
- σωρός
- ξεκινά
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- ειλικρινής
- εξορθολογισμό
- Σπάγγος
- δομή
- ουσιώδης
- τέτοιος
- υποστήριξη
- ανταλλαγής
- Ανταλλαγές
- σύστημα
- συστήματα
- Πάρτε
- παίρνει
- στοχευμένες
- Έργο
- εργασίες
- τεχνική
- Τεχνολογίες
- Τεχνολογία
- πρότυπο
- δεκάδες
- Τέξας
- ότι
- Η
- οι πληροφορίες
- Η γραμμή
- τους
- Τους
- τότε
- εκ τούτου
- επομένως
- Αυτοί
- αυτοί
- αυτό
- χιλιάδες
- Μέσω
- Δεμένος
- ώρα
- προς την
- πήρε
- εργαλείο
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- ενεργοποιήθηκε
- φορτηγό
- αληθής
- Αλήθεια
- ΣΤΡΟΦΗ
- συνήθως
- ui
- καταλαβαίνω
- μοναδικός
- πανεπιστήμιο
- μέχρι
- Ενημέρωση
- Χρήση
- χρήση
- μεταχειρισμένος
- χρήσιμος
- Χρήστες
- Διεπαφής χρήστη
- χρησιμοποιεί
- χρησιμοποιώντας
- συνήθως
- αξία
- Αξίες
- μεταβλητή
- παραλλαγές
- διάφορα
- Οχήματα
- εκδοχή
- κατακόρυφος
- μέσω
- Βίντεο
- όραμα
- οπτικές
- τόμος
- W
- walk
- βόλτες
- περιδιάβαση
- θέλω
- ήταν
- Τρόπος..
- τρόπους
- we
- ιστός
- Εφαρμογή Web
- πρόγραμμα περιήγησης στο Web
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- Τι
- πότε
- ενώ
- αν
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- θα
- επιθυμώ
- με
- εντός
- χωρίς
- Εργασία
- εργάτης
- ροής εργασίας
- ροές εργασίας
- Εργατικό δυναμικό
- εργαζόμενος
- θα
- γραφή
- X
- χρόνια
- Εσείς
- Σας
- τον εαυτό σας
- zephyrnet