Selles kaheosalises seerias demonstreerime, kuidas märgistada ja koolitada mudeleid 3D-objektide tuvastamise ülesannete jaoks. 1. osas käsitleme andmete mõistmiseks ja märgistamiseks kasutatavat andmekogumit ja eeltöötlusetappe. 2. osas kirjeldame, kuidas koolitada mudelit teie andmestikule ja juurutada see tootmisse.
LiDAR (valguse tuvastamine ja kauguse määramine) on kauguste määramise meetod, mille abil sihitakse laseriga objekt või pind ja mõõdetakse aega, mille jooksul peegeldunud valgus vastuvõtjasse naaseb. Autonoomsed sõidukiettevõtted kasutavad tavaliselt LiDAR-andureid, et luua 3D-mõistmist oma sõidukit ümbritsevast keskkonnast.
Kuna LiDAR-i andurid muutuvad ligipääsetavamaks ja kuluefektiivsemaks, kasutavad kliendid üha enam punktipilveandmeid uutes ruumides, nagu robootika, signaalide kaardistamine ja liitreaalsus. Mõned uued mobiilseadmed sisaldavad isegi LiDAR-andureid. LiDAR-andurite kasvav kättesaadavus on suurendanud huvi punktipilveandmete vastu masinõppe (ML) ülesannete jaoks, nagu 3D-objektide tuvastamine ja jälgimine, 3D-segmenteerimine, 3D-objektide süntees ja rekonstrueerimine ning 3D-andmete kasutamine 2D-sügavuse hindamise kinnitamiseks.
Selles seerias näitame teile, kuidas koolitada objektide tuvastamise mudelit, mis töötab punktipilve andmetel, et ennustada sõidukite asukohta 3D-stseenis. Selles postituses keskendume konkreetselt LiDAR-i andmete märgistamisele. Standardne LiDAR-anduri väljund on 3D-punktipilvekaadrite jada, mille tüüpiline salvestuskiirus on 10 kaadrit sekundis. Selle anduri väljundi märgistamiseks vajate märgistamistööriista, mis suudab töödelda 3D-andmeid. Amazon SageMaker Ground Truth hõlbustab objektide märgistamist ühes 3D-kaadris või 3D-punktipilvekaadrite jadas, et luua ML-i treeningandmekogumeid. Ground Truth toetab ka kaamera ja LiDAR-i andmete anduri liitmist kuni kaheksa videokaamera sisendiga.
Andmed on iga ML-projekti jaoks olulised. Eriti 3D-andmete hankimine, visualiseerimine ja sildistamine võib olla keeruline. Me kasutame A2D2 andmestik selles postituses ja juhendab teid selle visualiseerimiseks ja märgistamiseks.
A2D2 sisaldab 40,000 12,499 semantilise segmenteerimise ja punktipilve siltidega kaadrit, sealhulgas 3 12,499 kaadrit 3D-piirdekasti siltidega. Kuna keskendume objektide tuvastamisele, oleme huvitatud 14 XNUMX XNUMXD-piirdekasti siltidega kaadrist. Need märkused sisaldavad XNUMX sõiduga seotud klassi, nagu auto, jalakäija, veoauto, buss jne.
Järgmine tabel näitab täielikku klasside loendit:
indeks | Klassi nimekiri |
1 | loom |
2 | jalgratas |
3 | buss |
4 | auto |
5 | haagissuvila vedaja |
6 | jalgrattur |
7 | alarmsõiduki |
8 | mootorrattur |
9 | mootorratas |
10 | jalakäija |
11 | haagis |
12 | veoauto |
13 | tarbesõiduk |
14 | kaubik/maastur |
Koolitame oma detektorit spetsiaalselt autosid tuvastama, kuna see on meie andmestiku kõige levinum klass (32616 42816-st andmekogumis olevast objektist on tähistatud autodena).
Lahenduse ülevaade
Selles seerias käsitleme, kuidas visualiseerida ja sildistada teie andmeid rakendusega Amazon SageMaker Ground Truth, ning näidata, kuidas neid andmeid kasutada Amazon SageMakeri koolitustöös, et luua objektide tuvastamise mudel, mis on juurutatud Amazon SageMakeri lõpp-punktis. Eelkõige kasutame lahenduse kasutamiseks ja mis tahes märgistamis- või koolitustööde käivitamiseks Amazon SageMakeri sülearvutit.
Järgmine diagramm kujutab andurite üldist andmevoogu alates märgistamisest kuni väljaõppeni kuni kasutuselevõtuni.
Saate teada, kuidas koolitada ja juurutada reaalajas 3D-objektide tuvastamise mudelit Amazon SageMaker Põhitõde järgmiste sammudega:
- Laadige alla ja visualiseerige punktipilve andmestik
- Valmistage ette andmed märgistamiseks Amazon SageMaker Ground Truthi punktipilvetööriist
- Käivitage hajutatud Amazon SageMaker Ground Truthi koolitustöö MMDetection3D
- Hinnake oma koolitustöö tulemusi ja profileerige oma ressursside kasutamist Amazon SageMakeri silur
- Juurutage asünkroonne SageMakeri lõpp-punkt
- Helistage lõpp-punktile ja visualiseerige 3D-objekti ennustused
Selle lahenduse rakendamiseks kasutatud AWS-teenused
Eeldused
Järgmine diagramm näitab, kuidas luua eratööjõudu. Kirjalike samm-sammult juhiste saamiseks vt Looge Amazon Cognito tööjõud, kasutades tööjõu märgistamise lehte.
AWS CloudFormationi virna käivitamine
Nüüd, kui olete lahenduse struktuuri näinud, juurutate selle oma kontole, et saaksite käitada näidistöövoo. Kõiki märgistamiskonveieriga seotud juurutamisetappe haldab AWS CloudFormation. See tähendab, et AWS Cloudformation loob teie sülearvuti eksemplari ja kõik rollid või Amazon S3 ämbrid, et toetada lahenduse käitamist.
Saate virna käivitada AWS-i piirkonnas us-east-1
AWS CloudFormationi konsoolil, kasutades Käivitage Stack
nuppu. Viru käivitamiseks teises piirkonnas järgige juhiseid, mis leiate jaotisest README GitHubi hoidla.
Selleks kulub kõigi ressursside loomiseks umbes 20 minutit. Saate edenemist jälgida AWS CloudFormationi kasutajaliidese (UI) kaudu.
Kui teie CloudFormationi mall on töötamise lõpetanud, minge tagasi AWS-i konsooli.
Märkmiku avamine
Amazon SageMaker sülearvuti eksemplarid on ML-arvutusjuhtumid, mis töötavad Jupyteri sülearvutirakenduses. Amazon SageMaker haldab eksemplaride ja nendega seotud ressursside loomist. Kasutage oma sülearvuti eksemplaris Jupyteri märkmikke andmete ettevalmistamiseks ja töötlemiseks, mudelite koolitamiseks koodi kirjutamiseks, mudelite juurutamiseks Amazon SageMakeri hostimisse ning mudelite testimiseks või kinnitamiseks.
Amazon SageMaker Notebooki keskkonnale juurdepääsuks järgige järgmisi samme:
- Teenuste all otsige Amazon SageMaker.
- alla märkmikvalige Märkmiku eksemplarid.
- Märkmiku eksemplar tuleks ette valmistada. Valige Ava jupyteri labor, mis asub alloleva eelvarustatud sülearvuti eksemplari paremal küljel Meetmete.
- Lehe laadimisel näete sellist ikooni:
- Teid suunatakse uuele brauseri vahekaardile, mis näeb välja nagu järgmine diagramm:
- Kui olete Amazon SageMakeri sülearvuti eksemplari käivitaja kasutajaliideses. Valige vasakpoolselt külgribal Git ikooni, nagu on näidatud järgmisel diagrammil.
- valima Kloonige hoidla valik.
- Sisesta GitHubi URL(https://github.com/aws-samples/end-2-end-3d-ml) hüpikaknas ja valige kloonida.
- valima Failibrauser et näha GitHubi kausta.
- Avage märkmik pealkirjaga
1_visualization.ipynb.
Sülearvuti kasutamine
Ülevaade
Märkmiku paar esimest lahtrit jaotises pealkirjaga Allalaaditud failid kirjeldab, kuidas andmestik alla laadida ja selles sisalduvaid faile kontrollida. Pärast lahtrite käivitamist kulub andmete allalaadimise lõpetamiseks mõni minut.
Pärast allalaadimist saate üle vaadata A2D2 failistruktuuri, mis on stseenide või draivide loend. Stseen on meie sõiduki anduriandmete lühike salvestus. A2D2 pakub meile treenimiseks 18 neist stseenidest, mis on kõik tuvastatud ainulaadsete kuupäevade järgi. Iga stseen sisaldab 2D-kaamera andmeid, 2D-silte, 3D-risttahukakujulisi märkusi ja 3D-punktipilvi.
A2D2 andmestiku failistruktuuri saate vaadata järgmiselt.
A2D2 anduri seadistamine
Järgmises jaotises käsitletakse mõnda punktipilveandmete lugemist, veendumaks, et tõlgendame neid õigesti ja suudame neid märkmikus visualiseerida, enne kui proovite need teisendada andmete märgistamiseks valmis vormingusse.
Igasuguse autonoomse sõidu seadistuse jaoks, kus meil on 2D- ja 3D-andurite andmed, on anduri kalibreerimisandmete jäädvustamine hädavajalik. Lisaks algandmetele laadisime ka alla cams_lidar.json
. See fail sisaldab iga anduri tõlget ja orientatsiooni sõiduki koordinaatraami suhtes, seda võib nimetada ka anduri poosiks või asukohaks ruumis. See on oluline punktide teisendamiseks anduri koordinaatraamist sõiduki koordinaatraamiks. Teisisõnu, see on oluline 2D- ja 3D-andurite visualiseerimiseks sõiduki liikumise ajal. Sõiduki koordinaatraam on määratletud kui staatiline punkt sõiduki keskel, mille x-telg on sõiduki edasiliikumise suunas, y-telg, mis tähistab vasakut ja paremat ning vasak on positiivne, ja z- telg, mis on suunatud läbi sõiduki katuse. Punkt (X,Y,Z) (5,2,1) tähendab, et see punkt on meie sõidukist 5 meetrit eespool, 2 meetrit vasakul ja 1 meeter meie sõidukist kõrgemal. Need kalibreerimised võimaldavad meil ka 3D-punkte oma 2D-pildile projitseerida, mis on eriti kasulik punktipilvede märgistamise ülesannete puhul.
Sõiduki anduri seadistuse nägemiseks vaadake järgmist diagrammi.
Punktpilveandmed, mida me treenime, on konkreetselt joondatud eesmise kaamera või kaamera esiosa keskpunktiga:
See ühtib meie kaameraandurite visualiseerimisega 3D-s:
See sülearvuti osa kontrollib, kas A2D2 andmestik vastab meie ootustele andurite asukohtade kohta ja et suudame punktipilveandurite andmed kaamera kaadrisse joondada. Käivitage kõik lahtrid pealkirjaga lahtri kaudu Projektsioon 3D-st 2D-le et näha oma punktipilveandmete ülekatet järgmisel kaamerapildil.
Teisendamine rakendusele Amazon SageMaker Ground Truth
Pärast andmete visualiseerimist märkmikus saame oma punktipilved enesekindlalt Amazoniks teisendada SageMaker Ground Truthi 3D-vorming meie siltide kontrollimiseks ja kohandamiseks. Selles jaotises kirjeldatakse A2D2 andmevormingust Amazoni teisendamist SageMaker Ground Truth jadafail, mille sisendvormingus kasutab objekti jälgimise modaalsus.
Jada failivorming sisaldab punktipilvevorminguid, iga punktipilvega seotud pilte ning kõiki anduri asukoha- ja orientatsiooniandmeid, mis on vajalikud kujutiste joondamiseks punktipilvedega. Need teisendused tehakse eelmisest jaotisest loetud andurite teabe abil. Järgmine näide on Amazon SageMaker Ground Truthi jada failivorming, mis kirjeldab jada ainult ühe ajasammuga.
Selle ajasammu punktipilv asub kell s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
ja selle formaat on <x coordinate> <y coordinate> <z coordinate>
.
Punktipilvega on seotud üks kaamerapilt, mis asub aadressil s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Pange tähele, et võtame jadafaili, mis määrab kõik kaamera parameetrid, et võimaldada projitseerimist punktipilvest kaamerasse ja tagasi.
Sellele sisendvormingule teisendamiseks peame kirjutama teisenduse A2D2 andmevormingust Amazon SageMaker Ground Truthi toetatud andmevormingutesse. See on sama protsess, mida igaüks peab läbima oma andmete märgistamiseks toomisel. Vaatame samm-sammult läbi, kuidas see konversioon toimib. Kui järgite märkmikku, vaadake nimega funktsiooni a2d2_scene_to_smgt_sequence_and_seq_label
.
Punktipilve teisendamine
Esimene samm on andmete teisendamine tihendatud Numpy-vormingus failist (NPZ), mis loodi numpyga.teadma meetod, an aktsepteeritud töötlemata 3D-vormingus Amazon SageMaker Ground Truthi jaoks. Täpsemalt genereerime faili ühe reaga punkti kohta. Iga 3D-punkt on määratletud kolme ujukoma X-, Y- ja Z-koordinaadiga. Kui määrame jadafailis oma vormingu, kasutame stringi text/xyz
selle vormingu esindamiseks. Amazon SageMaker Ground Truth toetab ka intensiivsuse väärtuste või punase rohelise sinise (RGB) punktide lisamist.
A2D2 NPZ-failid sisaldavad mitut Numpy massiivi, millest igaühel on oma nimi. Konversiooni teostamiseks laadime NPZ-faili Numpy's abil koormus meetodil, pääsete juurde kutsutud massiivile võrra (st Nx3 massiiv, kus N on punktide arv punktipilves) ja salvestage tekstina uude faili, kasutades Numpy's savetxt meetod.
Pildi eeltöötlus
Järgmisena valmistame ette oma pildifailid. A2D2 pakub PNG-pilte ja Amazon SageMaker Ground Truth toetab PNG-pilte; need kujutised on aga moonutatud. Moonutused tekivad sageli seetõttu, et pildistav objektiiv ei ole pildistamistasandiga paralleelselt joondatud, mistõttu mõned pildipiirkonnad näevad oodatust lähemal. See moonutus kirjeldab erinevust füüsilise kaamera ja kaamera vahel idealiseeritud aukukaamera mudel. Kui moonutusi arvesse ei võeta, ei saa Amazon SageMaker Ground Truth meie 3D-punkte kaameravaadete peal renderdada, mis muudab märgistamise keerulisemaks. Kaamera kalibreerimise õpetuse saamiseks vaadake seda dokumentatsiooni OpenCV.
Kuigi Amazon SageMaker Ground Truth toetab oma sisendfailis moonutuskoefitsiente, saate enne märgistamistööd teha ka eeltöötluse. Kuna A2D2 pakub moonutuste eemaldamiseks abikoodi, rakendame selle pildile ja jätame moonutamisega seotud väljad oma jadafailist välja. Pange tähele, et moonutustega seotud väljad hõlmavad järgmist k1, k2, k3, k4, p1, p2 ja viltu.
Kaamera asend, orientatsioon ja projektsiooni teisendamine
Lisaks märgistamiseks vajalikele töötlemata andmefailidele nõuab jadafail ka kaamera asukoha ja orientatsiooni teavet, et teostada 3D-punktide projitseerimine 2D-kaamera vaadetesse. Peame teadma, kuhu kaamera 3D-ruumis vaatab, et välja selgitada, kuidas tuleks meie piltide peale renderdada 3D-risttahukakujulisi silte ja 3D-punkte.
Kuna oleme oma andurite asukohad laadinud A2D2 anduri seadistuste jaotises ühisesse teisendushaldurisse, saame teisendushaldurilt hõlpsalt küsida soovitud teavet. Meie puhul käsitleme sõiduki asukohta igas kaadris kui (0, 0, 0), kuna meil puudub A2D2 objektituvastuse andmestiku anduri asukohateave. Seega kirjeldab kaamera orientatsiooni ja asendit meie sõiduki suhtes järgmine kood:
Nüüd, kui asukoht ja suund on teisendatud, peame esitama ka fx, fy, cx ja cy väärtused, kõik parameetrid iga kaamera jaoks järjestusfailivormingus.
Need parameetrid viitavad kaamera maatriksi väärtustele. Kui asend ja suund kirjeldavad, mis suunas kaamera on suunatud, siis kaamera maatriks kirjeldab kaamera vaatevälja ja täpselt seda, kuidas 3D-punkt kaamera suhtes teisendatakse pildil 2D-piksli asukohaks.
A2D2 pakub kaamera maatriksit. Järgmises koodis on näidatud võrdluskaamera maatriks koos sellega, kuidas meie sülearvuti selle maatriksi indekseerib, et saada sobivad väljad.
Kui kõik väljad on sõelutud A2D2 vormingust, saame jadafaili salvestada ja kasutada seda Amazonis SageMaker Ground Truthi sisendmanifesti fail märgistamistöö alustamiseks. See sildistamistöö võimaldab meil luua 3D-piirdekasti silte, mida kasutada 3D-mudeli koolitusel.
Käivitage kõik lahtrid kuni märkmiku lõpuni ja asendage kindlasti workteam
ARN koos Amazon SageMaker Ground Truthiga workteam
ARN olete loonud eelduse. Pärast umbes 10-minutilist märgistamise töökoha loomise aega peaksite saama sisse logida töötajate portaali ja kasutada märgistamise kasutajaliides oma stseeni visualiseerimiseks.
Koristage
Kustutage AWS CloudFormationi virn, mille juurutasite rakendusega Käivitage Stack nupp nimega ThreeD
AWS CloudFormationi konsoolis, et eemaldada kõik selles postituses kasutatud ressursid, sealhulgas kõik töötavad eksemplarid.
Hinnangulised kulud
Ligikaudne maksumus on 5 dollarit 2 tunni eest.
Järeldus
Selles postituses näitasime, kuidas võtta 3D-andmeid ja teisendada need Amazon SageMaker Ground Truthis märgistamiseks valmis vormiks. Nende sammudega saate objektituvastusmudelite koolitamiseks oma 3D-andmeid sildistada. Selle seeria järgmises postituses näitame teile, kuidas võtta A2D2 ja koolitada objektidetektori mudelit juba andmestikus olevatel siltidel.
Head ehitamist!
Autoritest
Isaac Privitera on vanemandmeteadlane Amazoni masinõppelahenduste labor, kus ta töötab välja eritellimusel masinõppe ja süvaõppe lahendusi klientide äriprobleemide lahendamiseks. Ta töötab peamiselt arvutinägemise ruumis, keskendudes AWS-i klientidele hajutatud koolituse ja aktiivõppe võimaldamisele.
Vidya Sagar Ravipati on juhataja ettevõttes Amazoni masinõppelahenduste labor, kus ta kasutab oma tohutut kogemust suuremahuliste hajutatud süsteemide vallas ja kirge masinõppe vastu, et aidata AWS-i klientidel erinevates tööstusharudes kiirendada nende tehisintellekti ja pilve kasutuselevõttu. Varem oli ta Amazoni ühenduvusteenuste masinõppeinsener, kes aitas luua isikupärastamise ja ennustava hoolduse platvorme.
Jeremy Feltracco on tarkvaraarenduse insener koos th Amazoni masinõppelahenduste labor Amazon Web Servicesis. Ta kasutab oma arvutinägemise, robootika ja masinõppe tausta, et aidata AWS-i klientidel AI kasutuselevõttu kiirendada.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :on
- $ UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Võimalik
- MEIST
- üle
- kiirendama
- juurdepääs
- juurdepääsetav
- konto
- üle
- aktiivne
- lisamine
- aadress
- Vastuvõtmine
- pärast
- eespool
- AI
- joondatud
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- juba
- Amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Amazon Web Services
- ja
- keegi
- app
- kehtima
- asjakohane
- umbes
- arhitektuur
- OLEME
- valdkondades
- ümber
- Array
- AS
- seotud
- At
- suurendatud
- Liitreaalsuse
- autonoomne
- kättesaadavus
- AWS
- AWS CloudFormation
- tagasi
- tagapõhi
- BE
- sest
- muutuma
- enne
- on
- alla
- vahel
- sinine
- Kast
- Toomine
- brauseri
- ehitama
- Ehitus
- buss
- äri
- nupp
- by
- kutsutud
- kaamera
- CAN
- lüüa
- Püüdmine
- auto
- autod
- juhul
- Rakke
- keskus
- raske
- kontrollima
- Vali
- klass
- klassid
- lähemale
- Cloud
- pilve adopteerimine
- kood
- ühine
- Ettevõtted
- täitma
- Arvutama
- arvuti
- Arvuti visioon
- enesekindlalt
- Side
- konsool
- sisaldama
- sisaldab
- Konverteerimine
- konversioonid
- muutma
- ümber
- koordineerima
- Maksma
- kuluefektiivne
- cover
- looma
- loodud
- loob
- loomine
- Kliendid
- CX
- andmed
- andmeteadlane
- andmekogumid
- Kuupäevad
- sügav
- sügav õpe
- määratletud
- Määratleb
- näitama
- Näidatud
- näitab
- juurutada
- lähetatud
- kasutuselevõtu
- sügavus
- kirjeldama
- kirjeldatud
- Detection
- määrates kindlaks
- & Tarkvaraarendus
- arendab
- seadmed
- erinevus
- erinev
- raske
- suund
- arutama
- jagatud
- hajutatud süsteemid
- jagatud koolitus
- dokumentatsioon
- Ära
- lae alla
- sõidu
- e
- iga
- kergesti
- võimaldades
- Lõpp-punkt
- insener
- tagama
- keskkond
- eriti
- oluline
- jms
- Isegi
- täpselt
- näide
- ootused
- oodatav
- kogemus
- ees
- vähe
- väli
- Valdkonnad
- Joonis
- fail
- Faile
- lõpetama
- esimene
- ujuv
- voog
- Keskenduma
- keskendumine
- Järel
- eest
- vorm
- formaat
- edasi
- avastatud
- FRAME
- tasuta
- Alates
- esi-
- funktsioon
- fusioon
- FX
- tekitama
- loodud
- saama
- gif
- Git
- GitHub
- Go
- Goes
- Green
- Maa
- Kasvavad
- käepide
- Olema
- võttes
- Rubriik
- aitama
- aitas
- kasulik
- Hosting
- Lahtiolekuajad
- Kuidas
- Kuidas
- aga
- HTML
- HTTPS
- i
- ICON
- tuvastatud
- pilt
- pildid
- Imaging
- rakendada
- oluline
- in
- Teistes
- sisaldama
- hõlmab
- Kaasa arvatud
- kasvanud
- üha rohkem
- indeksid
- tööstus
- info
- sisend
- Näiteks
- juhised
- huvi
- huvitatud
- Interface
- IT
- ITS
- töö
- Tööturg
- jpg
- Json
- Laps
- Teadma
- silt
- märgistamine
- Labels
- suuremahuline
- laser
- algatama
- Õppida
- õppimine
- Lahkuma
- võimendab
- valgus
- nagu
- nimekiri
- koormus
- saadetised
- asub
- liising
- Vaata
- otsin
- välimus
- masin
- masinõpe
- hooldus
- tegema
- TEEB
- juhitud
- juht
- haldab
- kaardistus
- maatriks
- vahendid
- mõõtmine
- meetod
- protokoll
- ML
- mobiilne
- mobiilseadmete
- mudel
- mudelid
- Jälgida
- rohkem
- kõige
- liikumine
- mitmekordne
- nimi
- Nimega
- Vajadus
- Uus
- järgmine
- märkmik
- number
- tuim
- objekt
- Objekti tuvastamine
- esemeid
- of
- on
- ONE
- avatud
- OpenCV
- töötama
- valik
- Muu
- väljund
- üldine
- enda
- lehekülg
- Parallel
- parameetrid
- osa
- eriline
- kirg
- tee
- täitma
- Isikupärastamine
- füüsiline
- torujuhe
- piksel
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Punkt
- võrra
- Portal
- positsioon
- positsioone
- positiivne
- post
- ennustada
- Valmistama
- eelmine
- varem
- eelkõige
- era-
- probleeme
- protsess
- Produktsioon
- profiilide
- Edu
- projekt
- Projektsioon
- tingimusel
- annab
- alates
- määr
- Töötlemata
- Lugenud
- Lugemine
- valmis
- reaalajas
- Reaalsus
- salvestamine
- Red
- nimetatud
- kajastatud
- piirkond
- seotud
- asjakohane
- ülejäänud
- kõrvaldama
- asendama
- esindama
- nõutav
- Vajab
- ressurss
- Vahendid
- Tulemused
- tagasipöördumine
- läbi
- RGB
- robootika
- rollid
- katus
- ROW
- jooks
- jooksmine
- s
- salveitegija
- sama
- Säästa
- stseen
- stseenide
- teadlane
- Otsing
- Teine
- Osa
- segmentatsioon
- vanem
- andur
- Jada
- Seeria
- Teenused
- seade
- Lühike
- peaks
- näitama
- näidatud
- Näitused
- külg
- Signaali
- alates
- ühekordne
- So
- tarkvara
- tarkvaraarenduse
- lahendus
- Lahendused
- mõned
- allikas
- Ruum
- tühikud
- eriti
- Kestab
- standard
- algus
- Samm
- Sammud
- struktuur
- varustama
- toetama
- Toetatud
- Toetab
- Pind
- süsteemid
- tabel
- Võtma
- võtab
- sihtimine
- ülesanded
- šabloon
- test
- et
- .
- teave
- oma
- Need
- kolm
- Läbi
- aeg
- pealkirjaga
- et
- tööriist
- ülemine
- Summa
- Jälgimine
- Rong
- koolitus
- Muutma
- Tõlge
- käsitlema
- veoauto
- juhendaja
- tüüpiline
- tüüpiliselt
- ui
- all
- mõistma
- mõistmine
- ainulaadne
- us
- kasutama
- Kasutaja
- Kasutajaliides
- KINNITAGE
- Väärtused
- suur
- sõiduk
- Sõidukid
- kontrollima
- vertikaalid
- Video
- vaade
- vaated
- nägemus
- visualiseerimine
- Tee..
- web
- veebiteenused
- Hästi
- mis
- kuigi
- WHO
- Wikipedia
- will
- koos
- jooksul
- sõnad
- töötaja
- Tööjõud
- töötab
- kirjutama
- kirjutada kood
- kirjalik
- X
- yaml
- sa
- Sinu
- sephyrnet