بینایی کامپیوتر با استفاده از مجموعه داده های مصنوعی با برچسب های سفارشی شناسایی آمازون و Dassault Systèmes 3DEXCITE

این پستی است که با Bernard Paques، CTO of Storm Reply، و Karl Herkt، استراتژیست ارشد در Dassault Systèmes 3DExcite نوشته شده است.

در حالی که بینایی کامپیوتر می تواند برای نگهداری صنعتی، تولید، تدارکات و کاربردهای مصرف کننده حیاتی باشد، پذیرش آن با ایجاد دستی مجموعه داده های آموزشی محدود می شود. ایجاد تصاویر برچسب‌دار در زمینه صنعتی عمدتاً به صورت دستی انجام می‌شود، که قابلیت‌های شناسایی محدودی ایجاد می‌کند، مقیاس نمی‌شود و منجر به هزینه‌های نیروی کار و تاخیر در تحقق ارزش تجاری می‌شود. این برخلاف چابکی تجاری است که توسط تکرارهای سریع در طراحی محصول، مهندسی محصول و پیکربندی محصول ارائه می شود. این فرآیند برای محصولات پیچیده مانند خودروها، هواپیماها یا ساختمان‌های مدرن مقیاس نمی‌شود، زیرا در این سناریوها هر پروژه برچسب‌گذاری منحصربه‌فرد است (مربوط به محصولات منحصربه‌فرد). در نتیجه، فناوری بینایی کامپیوتری را نمی‌توان به راحتی در پروژه‌های منحصر به فرد در مقیاس بزرگ بدون تلاش زیاد در آماده‌سازی داده اعمال کرد، که گاهی اوقات تحویل موارد استفاده را محدود می‌کند.

در این پست، رویکرد جدیدی را ارائه می‌کنیم که در آن سیستم‌های بینایی کامپیوتری بسیار تخصصی از طراحی و فایل‌های CAD ایجاد می‌شوند. ما با ایجاد دوقلوهای دیجیتالی صحیح بصری و تولید تصاویر برچسب مصنوعی شروع می کنیم. سپس این تصاویر را فشار می دهیم برچسب های سفارشی شناسایی آمازون برای آموزش یک مدل تشخیص شی سفارشی. با استفاده از مالکیت معنوی موجود با نرم افزار، ما دید کامپیوتر را مقرون به صرفه و مرتبط با زمینه های مختلف صنعتی می کنیم.

سفارشی‌سازی سیستم‌های تشخیص به نتایج کسب‌وکار کمک می‌کند

سیستم‌های بینایی کامپیوتری تخصصی که از دوقلوهای دیجیتالی تولید می‌شوند دارای مزایای خاصی هستند که می‌توان آن را در موارد استفاده زیر نشان داد:

• قابلیت ردیابی برای محصولات منحصر به فرد - ایرباس، بوئینگ و سایر سازندگان هواپیما منحصر به فرد را اختصاص می دهند شماره سریال سازنده (MSN) به هر هواپیمایی که تولید می کنند. این در کل فرآیند تولید مدیریت می شود تا تولید شود اسناد قابلیت پرواز و مجوز پرواز را دریافت کنید. آ دوقلوی دیجیتال (یک مدل سه بعدی مجازی که یک محصول فیزیکی را نشان می دهد) را می توان از پیکربندی هر MSN استخراج کرد و یک سیستم بینایی کامپیوتری توزیع شده تولید می کند که پیشرفت این MSN را در میان تاسیسات صنعتی ردیابی می کند. تشخیص سفارشی شفافیت داده شده به خطوط هوایی را خودکار می کند و اکثر نقاط بازرسی را که به صورت دستی توسط خطوط هوایی انجام می شود جایگزین می کند. تضمین کیفیت خودکار در محصولات منحصر به فرد می تواند برای هواپیماها، اتومبیل ها، ساختمان ها و حتی تولیدات صنایع دستی اعمال شود.
• واقعیت افزوده متنی - سیستم‌های بینایی رایانه‌ای در سطح حرفه‌ای می‌توانند مناظر محدودی را پوشش دهند، اما با قابلیت‌های تشخیص بالاتر. به عنوان مثال، در تعمیر و نگهداری صنعتی، پیدا کردن یک پیچ گوشتی در تصویر بی فایده است. شما باید مدل پیچ گوشتی یا حتی شماره سریال آن را شناسایی کنید. در چنین زمینه‌های محدود، سیستم‌های تشخیص سفارشی از سیستم‌های تشخیص عمومی بهتر عمل می‌کنند، زیرا در یافته‌هایشان مرتبط‌تر هستند. سیستم‌های تشخیص سفارشی حلقه‌های بازخورد دقیق را از طریق فعال می‌کنند واقعیت افزوده اختصاصی در HMI یا در دستگاه های تلفن همراه تحویل داده می شود.
• کنترل کیفیت پایان به انتها - با مهندسی سیستم، می توانید دوقلوهای دیجیتالی از ساختارهای جزئی ایجاد کنید و سیستم های بینایی رایانه ای را ایجاد کنید که با مراحل مختلف فرآیندهای تولید و تولید سازگار است. کنترل‌های بصری را می‌توان با ایستگاه‌های کاری تولیدی در هم آمیخت و امکان بازرسی سرتاسر و تشخیص زودهنگام عیوب را فراهم کرد. تشخیص سفارشی برای بازرسی انتها به انتها به طور موثر از آبشار عیوب به خطوط مونتاژ جلوگیری می کند. کاهش نرخ رد و به حداکثر رساندن بازده تولید هدف نهایی است.
• بازرسی کیفیت انعطاف پذیر - بازرسی کیفیت مدرن باید با تغییرات طراحی و ساخت انعطاف پذیر سازگار شود. تغییرات در طراحی ناشی از حلقه های بازخورد در استفاده از محصول و نگهداری محصول است. تولید انعطاف پذیر یک قابلیت کلیدی برای استراتژی ساخت به سفارش است و با اصل تولید ناب بهینه سازی هزینه همراستا است. با ادغام تغییرات طراحی و گزینه‌های پیکربندی در دوقلوهای دیجیتال، تشخیص سفارشی انطباق پویا سیستم‌های بینایی کامپیوتری را با برنامه‌های تولید و تغییرات طراحی امکان‌پذیر می‌سازد.

تقویت بینایی کامپیوتر با Dassault Systèmes 3DEXCITE با پشتیبانی از آمازون Rekognition

در Dassault Systèmes، یک شرکت با تخصص عمیق در دوقلوهای دیجیتال که دومین ویرایشگر بزرگ نرم افزار اروپایی است، تیم 3DEXCITE در حال بررسی مسیر متفاوتی است. همانطور که توسط کارل هرکت توضیح داده شد، "اگر یک مدل عصبی آموزش دیده از تصاویر مصنوعی بتواند یک محصول فیزیکی را تشخیص دهد چه؟" 3DEXCITE این مشکل را با ترکیب فناوری خود با زیرساخت AWS حل کرده است و امکان سنجی این رویکرد عجیب و غریب را اثبات می کند. همچنین به عنوان شناخته شده است تشخیص شیء متقابل دامنه، جایی که مدل تشخیص از تصاویر برچسب گذاری شده از دامنه منبع (تصاویر مصنوعی) یاد می گیرد و برای دامنه هدف بدون برچسب (مولفه های فیزیکی) پیش بینی می کند.

Dassault Systèmes 3DEXCITE و تیم نمونه سازی AWS برای ساختن یک سیستم نمایشگر که قطعات یک گیربکس صنعتی را تشخیص می دهد، نیروهای خود را ملحق کرده اند. این نمونه اولیه در 3 هفته ساخته شد و مدل آموزش دیده به امتیاز 98% F1 دست یافت. مدل تشخیص کاملاً از یک خط لوله نرم افزاری آموزش داده شده است که هیچ تصویری از یک قطعه واقعی ندارد. 3DEXCITE از طراحی و فایل های CAD یک گیربکس صنعتی، دوقلوهای دیجیتالی درست بصری ایجاد کرده است. آنها همچنین هزاران تصویر با برچسب مصنوعی از دوقلوهای دیجیتالی تولید کردند. سپس از برچسب‌های سفارشی شناسایی برای آموزش یک مدل عصبی بسیار تخصصی از این تصاویر استفاده کردند و یک API شناسایی مرتبط ارائه کردند. آنها یک وب سایت ساختند تا از طریق هر وب کم یک قسمت فیزیکی گیربکس را شناسایی کند.

شناسایی آمازون یک سرویس هوش مصنوعی است که از فناوری یادگیری عمیق استفاده می‌کند تا به شما امکان استخراج فراداده معنی‌دار از تصاویر و ویدیوها - از جمله شناسایی اشیاء، افراد، متن، صحنه‌ها، فعالیت‌ها و محتوای بالقوه نامناسب - را بدون نیاز به تخصص یادگیری ماشینی (ML) بدهد. آمازون Rekognition همچنین قابلیت‌های تجزیه و تحلیل چهره و جستجوی چهره بسیار دقیق را ارائه می‌کند که می‌توانید برای شناسایی، تجزیه و تحلیل و مقایسه چهره‌ها برای طیف گسترده‌ای از تأیید کاربر، شمارش افراد و موارد استفاده ایمنی استفاده کنید. در نهایت، با برچسب‌های سفارشی Rekognition، می‌توانید از داده‌های خود برای ساخت مدل‌های تشخیص شی و طبقه‌بندی تصویر استفاده کنید.

ترکیبی از فناوری Dassault Systèmes برای تولید تصاویر برچسب‌گذاری شده مصنوعی با برچسب‌های سفارشی شناسایی برای بینایی رایانه، گردش کار مقیاس‌پذیری را برای سیستم‌های تشخیص فراهم می‌کند. سهولت استفاده در اینجا یک عامل مثبت مهم است زیرا افزودن برچسب‌های سفارشی Rekognition به خط لوله کلی نرم‌افزار دشوار نیست - به سادگی یکپارچه کردن یک API در یک گردش کار است. بدون نیاز به دانشمند ML باشید. به سادگی فریم های گرفته شده را به AWS ارسال کنید و نتیجه ای را دریافت کنید که می توانید آن را در یک پایگاه داده وارد کنید یا در یک مرورگر وب نمایش دهید.

این بیشتر بر بهبود چشمگیر نسبت به ایجاد دستی مجموعه داده های آموزشی تاکید می کند. بدون نیاز به ساعات کاری پرهزینه و غیرضروری می توانید سریعتر و با دقت بیشتر به نتایج بهتری برسید. با استفاده از موارد بسیار بالقوه، ترکیب Dassault Systèmes و برچسب‌های سفارشی Rekognition این پتانسیل را دارد که کسب‌وکارهای امروزی را با بازگشت سرمایه قابل توجه و فوری فراهم کند.

بررسی اجمالی راه حل

اولین قدم در این راه حل، رندر کردن تصاویری است که مجموعه داده آموزشی را ایجاد می کنند. این کار توسط پلتفرم 3DEXCITE انجام می شود. با استفاده از اسکریپت ها می توانیم داده های برچسب گذاری را به صورت برنامه نویسی تولید کنیم. Amazon SageMaker Ground Truth یک ابزار حاشیه نویسی برای برچسب گذاری آسان تصاویر و فیلم ها برای طبقه بندی و وظایف تشخیص اشیا ارائه می دهد. برای آموزش یک مدل در آمازون Rekognition، فایل برچسب‌گذاری باید با فرمت Ground Truth مطابقت داشته باشد. این برچسب‌ها به زبان JSON هستند، شامل اطلاعاتی مانند اندازه تصویر، مختصات جعبه مرزی و شناسه کلاس‌ها.

سپس تصاویر مصنوعی و مانیفست را در آن آپلود کنید سرویس ذخیره سازی ساده آمازون (Amazon S3)، که در آن برچسب‌های سفارشی Rekognition می‌توانند آنها را به عنوان اجزای مجموعه داده آموزشی وارد کنند.

برای اینکه برچسب‌های سفارشی Rekognition مدل‌ها را در مقابل مجموعه‌ای از تصاویر مؤلفه واقعی آزمایش کنند، مجموعه‌ای از تصاویر قطعات واقعی موتور را که با دوربین گرفته شده‌اند ارائه می‌کنیم و آنها را در Amazon S3 آپلود می‌کنیم تا به عنوان مجموعه داده آزمایشی استفاده شود.

در نهایت، Rekognition Custom Labels بهترین مدل تشخیص شی را با استفاده از مجموعه داده آموزشی مصنوعی و مجموعه داده آزمایشی متشکل از تصاویر اشیاء واقعی، آموزش می‌دهد و نقطه پایانی را با مدلی ایجاد می‌کند که می‌توانیم از آن برای اجرای تشخیص شی در برنامه خود استفاده کنیم.

نمودار زیر گردش کار راه حل ما را نشان می دهد:

ایجاد تصاویر مصنوعی

تصاویر مصنوعی از پلتفرم 3Dexperience که محصولی از Dassault Systèmes است، تولید می‌شوند. این پلتفرم به شما امکان می دهد تصاویر واقعی واقعی را بر اساس فایل CAD (طراحی به کمک کامپیوتر) شی ایجاد و رندر کنید. ما می‌توانیم هزاران نوع را در چند ساعت با تغییر تنظیمات تبدیل تصویر در پلتفرم تولید کنیم.

در این نمونه اولیه، پنج قسمت گیربکس متمایز زیر را برای تشخیص اشیا انتخاب کردیم. آنها شامل محفظه دنده، نسبت دنده، پوشش یاتاقان، فلنج و چرخ دنده حلزونی هستند.

ما از روش‌های تقویت داده‌های زیر برای افزایش تنوع تصویر استفاده کردیم و داده‌های مصنوعی را واقعی‌تر کنیم. این به کاهش خطای تعمیم مدل کمک می کند.

• زوم در / از – این روش به صورت تصادفی شی را در تصاویر بزرگنمایی یا کوچکنمایی می کند.
• چرخش – این روش شیء را در تصاویر می چرخاند و به نظر می رسد دوربین مجازی از زوایای 360 درجه به طور تصادفی از جسم عکس می گیرد.
• ظاهر و احساس مواد را بهبود بخشید - ما تشخیص دادیم که برای برخی از قطعات دنده ظاهر متریال در رندر اولیه کمتر واقعی است. ما یک جلوه فلزی برای بهبود تصاویر مصنوعی اضافه کردیم.
• از تنظیمات مختلف نور استفاده کنید - در این نمونه اولیه، ما دو شرایط نوری را شبیه سازی کردیم:
  • انبار کالا - توزیع نور واقعی سایه ها و بازتاب ها امکان پذیر است.
  • استودیو - یک نور همگن در اطراف جسم قرار می گیرد. این واقع بینانه نیست، اما هیچ سایه یا بازتابی وجود ندارد.
• از یک موقعیت واقعی از نحوه مشاهده شی در زمان واقعی استفاده کنید – در زندگی واقعی، برخی از اجسام مانند فلنج و پوشش بلبرینگ، عموماً روی یک سطح قرار می گیرند و مدل بر اساس وجه بالا و پایین، اجسام را تشخیص می دهد. بنابراین تصاویر آموزشی که لبه نازک قطعات را نشان می دهد را حذف کردیم و به آن موقعیت لبه نیز می گویند و تصاویر اجسام را در حالت صاف افزایش دادیم.
• چندین شی را در یک تصویر اضافه کنید - در سناریوهای واقعی، چندین قطعه دنده می‌تواند همه در یک نمای ظاهر شوند، بنابراین ما تصاویری را آماده کردیم که شامل چندین قطعه دنده است.

در پلتفرم 3Dexperience، می‌توانیم پس‌زمینه‌های مختلفی را روی تصاویر اعمال کنیم، که می‌تواند به افزایش بیشتر تنوع تصویر کمک کند. به دلیل محدودیت زمانی، ما این را در این نمونه اولیه پیاده سازی نکردیم.

مجموعه داده آموزشی مصنوعی را وارد کنید

در ML، داده‌های برچسب‌گذاری شده به این معنی است که داده‌های آموزشی برای نشان دادن هدف حاشیه‌نویسی می‌شوند، که پاسخی است که می‌خواهید مدل ML شما پیش‌بینی کند. داده‌های برچسب‌گذاری‌شده که می‌توانند توسط برچسب‌های سفارشی Rekognition مصرف شوند، باید با الزامات فایل مانیفست Ground Truth مطابقت داشته باشند. یک فایل مانیفست از یک یا چند خط JSON ساخته شده است. هر خط حاوی اطلاعات یک تصویر است. برای داده‌های آموزشی مصنوعی، اطلاعات برچسب‌گذاری را می‌توان به صورت برنامه‌ریزی بر اساس فایل CAD و پیکربندی‌های تبدیل تصویری که قبلاً ذکر کردیم تولید کرد، که باعث صرفه‌جویی در تلاش دستی قابل توجهی در کار برچسب‌گذاری می‌شود. برای کسب اطلاعات بیشتر در مورد الزامات برچسب گذاری فرمت های فایل، مراجعه کنید یک فایل مانیفست ایجاد کنید و محلی سازی شی در فایل های مانیفست. نمونه زیر نمونه ای از برچسب گذاری تصویر است:

{ "source-ref": "s3://<bucket>/<prefix>/multiple_objects.png", "bounding-box": { "image_size": [ { "width": 1024, "height": 1024, "depth": 3 } ], "annotations": [ { "class_id": 1, "top": 703, "left": 606, "width": 179, "height": 157 }, { "class_id": 4, "top": 233, "left": 533, "width": 118, "height": 139 }, { "class_id": 0, "top": 592, "left": 154, "width": 231, "height": 332 }, { "class_id": 3, "top": 143, "left": 129, "width": 268, "height": 250 } ] }, "bounding-box-metadata": { "objects": [ { "confidence": 1 }, { "confidence": 1 }, { "confidence": 1 }, { "confidence": 1 } ], "class-map": { "0": "Gear_Housing", "1": "Gear_Ratio", "3": "Flange", "4": "Worm_Gear" }, "type": "groundtruth/object-detection", "human-annotated": "yes", "creation-date": "2021-06-18T11:56:01", "job-name": "3DEXCITE" }
}

پس از آماده شدن فایل مانیفست، آن را در یک سطل S3 آپلود می کنیم و سپس با انتخاب گزینه یک مجموعه داده آموزشی در Rekognition Custom Labels ایجاد می کنیم. واردات تصاویر با برچسب آمازون SageMaker Ground Truth.

پس از وارد شدن فایل مانیفست، می‌توانیم اطلاعات برچسب‌گذاری را به صورت بصری در کنسول شناسایی آمازون مشاهده کنیم. این به ما کمک می کند تا تأیید کنیم که فایل مانیفست تولید و وارد شده است. به طور خاص، کادرهای محدود کننده باید با اشیاء موجود در تصاویر هماهنگ شوند و شناسه کلاس اشیا باید به درستی اختصاص داده شود.

مجموعه داده آزمایشی را ایجاد کنید

تصاویر آزمایشی در زندگی واقعی با تلفن یا دوربین از زوایای مختلف و شرایط نوری مختلف گرفته می‌شوند، زیرا می‌خواهیم دقت مدل را که با استفاده از داده‌های مصنوعی آموزش داده‌ایم، در مقابل سناریوهای واقعی تأیید کنیم. می توانید این تصاویر آزمایشی را در یک سطل S3 آپلود کنید و سپس آنها را به عنوان مجموعه داده در برچسب های سفارشی Rekognition وارد کنید. یا می توانید آنها را مستقیماً در مجموعه داده ها از دستگاه محلی خود آپلود کنید.

Rekognition Custom Labels قابلیت حاشیه نویسی داخلی تصویر را فراهم می کند که تجربه ای مشابه با Ground Truth دارد. وقتی داده‌های آزمایشی وارد می‌شوند، می‌توانید کار برچسب‌گذاری را شروع کنید. برای یک مورد استفاده از تشخیص اشیاء، کادرهای محدود کننده باید به طور محکم در اطراف اشیاء مورد نظر ایجاد شوند، که به مدل کمک می کند تا مناطق و پیکسل هایی را که به اشیاء هدف تعلق دارند دقیقاً یاد بگیرد. علاوه بر این، شما باید هر نمونه از اشیاء هدف را در همه تصاویر، حتی آنهایی که تا حدی خارج از دید هستند یا توسط اشیاء دیگر مسدود شده اند، برچسب بزنید، در غیر این صورت مدل نگاتیوهای کاذب بیشتری را پیش بینی می کند.

مدل تشخیص شیء متقابل دامنه را ایجاد کنید

Rekognition Custom Labels یک سرویس کاملاً مدیریت شده است. شما فقط باید مجموعه داده های قطار و آزمایش را ارائه دهید. مجموعه ای از مدل ها را آموزش می دهد و بر اساس داده های ارائه شده بهترین مدل را انتخاب می کند. در این نمونه اولیه، مجموعه داده‌های آموزشی مصنوعی را با آزمایش ترکیب‌های مختلف روش‌های تقویت تصویر که قبلاً ذکر کردیم، به صورت مکرر آماده می‌کنیم. یک مدل برای هر مجموعه داده آموزشی در Rekognition Custom Labels ایجاد می‌شود که به ما امکان می‌دهد به طور خاص مجموعه داده آموزشی را برای این مورد استفاده مقایسه و پیدا کنیم. هر مدل دارای حداقل تعداد تصاویر آموزشی است، دارای تنوع تصویر خوبی است و بهترین دقت مدل را ارائه می دهد. پس از 15 تکرار، با استفاده از حدود 1 تصویر آموزشی مصنوعی، که به طور متوسط ​​98 تصویر در هر شی است، به امتیاز F10,000 با دقت 2,000٪ مدل دست یافتیم.

نتایج استنتاج مدل

تصویر زیر مدل شناسایی آمازون را نشان می دهد که در یک برنامه استنتاج بلادرنگ استفاده می شود. همه اجزا به درستی با اطمینان بالا شناسایی می شوند.

نتیجه

در این پست نشان دادیم که چگونه یک مدل بینایی کامپیوتری را بر روی تصاویر کاملا مصنوعی آموزش دهیم و چگونه این مدل همچنان می تواند اشیاء دنیای واقعی را به طور قابل اعتماد تشخیص دهد. این باعث صرفه جویی در تلاش دستی قابل توجهی در جمع آوری و برچسب گذاری داده های آموزشی می شود. با این کاوش، Dassault Systèmes ارزش تجاری مدل های محصول سه بعدی ایجاد شده توسط طراحان و مهندسان را گسترش می دهد، زیرا اکنون می توانید از داده های CAD، CAE و PLM در سیستم های تشخیص تصاویر در دنیای فیزیکی استفاده کنید.

برای اطلاعات بیشتر درباره ویژگی‌های کلیدی برچسب‌های سفارشی شناسایی و موارد استفاده، رجوع کنید برچسب های سفارشی شناسایی آمازون. اگر تصاویر شما به صورت بومی با Ground Truth برچسب گذاری نشده اند، که در مورد این پروژه وجود داشت، ببینید ایجاد فایل مانیفست برای تبدیل داده‌های برچسب‌گذاری خود به قالبی که برچسب‌های سفارشی Rekognition می‌توانند مصرف کنند.

درباره نویسنده

وودی بوراچینو در حال حاضر یک معمار ارشد راه حل متخصص یادگیری ماشین در AWS است. وودی که در میلان ایتالیا مستقر است، قبل از پیوستن به AWS در سال 2015، روی توسعه نرم‌افزار کار می‌کرد، جایی که رشد او اشتیاق به فناوری‌های Computer Vision و Spatial Computing (AR/VR/XR) است. اشتیاق او اکنون بر نوآوری متاورس متمرکز شده است. او را دنبال کنید لینکدین.

یینگ هودکترا، یک معمار نمونه سازی یادگیری ماشین در AWS است. زمینه های اصلی علایق او یادگیری عمیق، بینایی کامپیوتر، NLP و پیش بینی داده های سری زمانی است. او در اوقات فراغت خود از خواندن رمان و پیاده روی در پارک های ملی بریتانیا لذت می برد.

برنارد پاکز در حال حاضر مدیر ارشد فناوری Storm Reply است که بر راه حل های صنعتی مستقر در AWS متمرکز شده است. مستقر در پاریس، فرانسه، برنارد قبلا به عنوان معمار راه حل اصلی و به عنوان مشاور اصلی در AWS کار می کرد. مشارکت‌های او در نوسازی سازمانی، AWS برای صنعتی، AWS CDK را پوشش می‌دهد، و اینها اکنون به فناوری اطلاعات سبز و سیستم‌های مبتنی بر صدا سرچشمه می‌گیرند. او را دنبال کنید توییتر.

کارل هرکت در حال حاضر استراتژیست ارشد Dassault Systèmes 3DExcite است. او که در مونیخ آلمان مستقر است، پیاده سازی های نوآورانه ای از بینایی کامپیوتری ایجاد می کند که نتایج ملموسی را ارائه می دهد. او را دنبال کنید لینک.

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• منبع: https://aws.amazon.com/blogs/machine-learning/computer-vision-using-synthetic-datasets-with-amazon-rekognition-custom-labels-and-dassault-systemes-3dexcite/