در این مجموعه دو قسمتی، نحوه برچسبگذاری و آموزش مدلها برای وظایف تشخیص اشیاء سه بعدی را نشان میدهیم. در بخش 3، ما مجموعه داده ای را که استفاده می کنیم، و همچنین هر مرحله پیش پردازشی را برای درک و برچسب گذاری داده ها مورد بحث قرار می دهیم. در قسمت 1، نحوه آموزش یک مدل بر روی مجموعه داده شما و استقرار آن در تولید را بررسی می کنیم.
LiDAR (تشخیص و برد نور) روشی برای تعیین محدوده با هدف قرار دادن یک جسم یا سطح با لیزر و اندازه گیری زمان بازگشت نور بازتاب شده به گیرنده است. شرکت های خودروهای خودمختار معمولاً از حسگرهای LiDAR برای ایجاد درک سه بعدی از محیط اطراف وسایل نقلیه خود استفاده می کنند.
همانطور که حسگرهای LiDAR در دسترس تر و مقرون به صرفه تر می شوند، مشتریان به طور فزاینده ای از داده های ابر نقطه ای در فضاهای جدید مانند روباتیک، نقشه برداری سیگنال و واقعیت افزوده استفاده می کنند. برخی از دستگاه های تلفن همراه جدید حتی دارای حسگرهای LiDAR هستند. در دسترس بودن رو به رشد حسگرهای LiDAR باعث افزایش علاقه به داده های ابری نقطه ای برای وظایف یادگیری ماشین (ML) شده است، مانند تشخیص و ردیابی اشیاء سه بعدی، تقسیم بندی سه بعدی، سنتز و بازسازی اشیاء سه بعدی، و استفاده از داده های سه بعدی برای اعتبار سنجی تخمین عمق دو بعدی.
در این مجموعه، ما به شما نشان می دهیم که چگونه یک مدل تشخیص شی را آموزش دهید که روی داده های ابری نقطه ای اجرا می شود تا مکان وسایل نقلیه را در یک صحنه سه بعدی پیش بینی کند. در این پست، ما به طور خاص بر روی برچسب گذاری داده های LiDAR تمرکز می کنیم. خروجی سنسور استاندارد LiDAR دنبالهای از فریمهای ابری نقطهای سهبعدی است که نرخ تصویربرداری معمولی آن 3 فریم در ثانیه است. برای برچسب زدن این خروجی حسگر به یک ابزار برچسب گذاری نیاز دارید که بتواند داده های سه بعدی را مدیریت کند. Amazon SageMaker Ground Truth برچسب گذاری اشیاء را در یک قاب سه بعدی یا در یک توالی از فریم های ابر نقطه سه بعدی برای ساخت مجموعه داده های آموزشی ML آسان می کند. Ground Truth همچنین از ترکیب سنسور دوربین و داده های LiDAR با حداکثر هشت ورودی دوربین فیلمبرداری پشتیبانی می کند.
داده ها برای هر پروژه ML ضروری هستند. منبع یابی، تجسم و برچسب گذاری داده های سه بعدی به طور خاص ممکن است دشوار باشد. ما استفاده می کنیم مجموعه داده A2D2 در این پست و شما را از طریق مراحل تجسم و برچسب گذاری آن راهنمایی می کند.
A2D2 شامل 40,000 فریم با تقسیمبندی معنایی و برچسبهای ابر نقطهای است، از جمله 12,499 فریم با برچسبهای جعبه محدودکننده سه بعدی. از آنجایی که ما بر روی تشخیص اشیا تمرکز می کنیم، به 3 فریم با برچسب های جعبه محدود کننده سه بعدی علاقه مندیم. این حاشیه نویسی شامل 12,499 کلاس مربوط به رانندگی مانند ماشین، عابر پیاده، کامیون، اتوبوس و غیره است.
جدول زیر لیست کامل کلاس ها را نشان می دهد:
شاخص | لیست کلاس ها |
1 | حیوان |
2 | دوچرخه |
3 | اتوبوس |
4 | ماشین |
5 | حمل و نقل کاروان |
6 | دوچرخه سوار |
7 | وسیله نقلیه اضطراری |
8 | موتور سوار |
9 | موتورسیکلت |
10 | عابر پیاده |
11 | تریلر |
12 | کامیون |
13 | وسیله نقلیه کاربردی |
14 | ون/SUV |
ما آشکارساز خود را آموزش خواهیم داد تا به طور خاص اتومبیلها را شناسایی کند، زیرا این کلاس رایجترین کلاس در مجموعه داده ما است (32616 از مجموع 42816 شیء موجود در مجموعه داده به عنوان اتومبیل برچسبگذاری شدهاند).
بررسی اجمالی راه حل
در این مجموعه، نحوه تجسم و برچسب گذاری داده های خود را با Amazon SageMaker Ground Truth پوشش می دهیم و نحوه استفاده از این داده ها را در یک کار آموزشی Amazon SageMaker برای ایجاد یک مدل تشخیص اشیا، مستقر در Endpoint آمازون SageMaker نشان می دهیم. به ویژه، ما از یک نوت بوک Amazon SageMaker برای راهاندازی راهحل و راهاندازی هرگونه کار برچسبگذاری یا آموزشی استفاده میکنیم.
نمودار زیر جریان کلی داده های حسگر را از برچسب زدن به آموزش تا استقرار نشان می دهد:
شما یاد خواهید گرفت که چگونه یک مدل تشخیص اشیاء سه بعدی در زمان واقعی را آموزش دهید و به کار ببرید آمازون SageMaker Ground Truth با مراحل زیر:
- یک مجموعه داده ابر نقطه ای را دانلود و تجسم کنید
- آماده سازی داده ها برای برچسب گذاری با ابزار ابر نقطه حقیقت آمازون SageMaker Ground
- راه اندازی یک کار آموزشی توزیع شده Amazon SageMaker Ground Truth با MMDetection3D
- نتایج شغل آموزشی خود را ارزیابی کنید و میزان استفاده از منابع خود را با استفاده از آن مشخص کنید دیباگر Amazon SageMaker
- یک ناهمزمان را مستقر کنید نقطه پایانی SageMaker
- فراخوانی نقطه پایانی و تجسم پیش بینی اشیاء سه بعدی
خدمات AWS برای پیاده سازی این راه حل استفاده می شود
پیش نیازها
نمودار زیر نحوه ایجاد نیروی کار خصوصی را نشان می دهد. برای دستورالعمل های مکتوب و گام به گام، نگاه کنید با استفاده از صفحه نیروی کار برچسب زدن، نیروی کار شناختی آمازون ایجاد کنید.
راه اندازی پشته AWS CloudFormation
اکنون که ساختار راه حل را مشاهده کرده اید، آن را در حساب خود مستقر می کنید تا بتوانید یک گردش کار نمونه را اجرا کنید. تمام مراحل استقرار مربوط به خط لوله برچسب گذاری توسط AWS CloudFormation مدیریت می شود. این بدان معنی است که AWS Cloudformation نمونه نوت بوک شما و همچنین هر نقش یا سطل آمازون S3 را برای پشتیبانی از اجرای راه حل ایجاد می کند.
می توانید پشته را در منطقه AWS راه اندازی کنید us-east-1
در کنسول AWS CloudFormation با استفاده از Stack را راه اندازی کنید
دکمه. برای راه اندازی پشته در یک منطقه دیگر، از دستورالعمل های موجود در README استفاده کنید مخزن GitHub.
این تقریباً 20 دقیقه طول می کشد تا همه منابع ایجاد شوند. می توانید پیشرفت را از رابط کاربری AWS CloudFormation (UI) نظارت کنید.
پس از اجرای قالب CloudFormation شما به کنسول AWS برگردید.
باز کردن نوت بوک
نمونههای نوتبوک Amazon SageMaker نمونههای محاسباتی ML هستند که در برنامه نوتبوک Jupyter اجرا میشوند. Amazon SageMaker ایجاد نمونه ها و منابع مرتبط را مدیریت می کند. از نوتبوکهای Jupyter در نمونه نوتبوک خود برای تهیه و پردازش دادهها، نوشتن کد برای آموزش مدلها، استقرار مدلها در میزبانی Amazon SageMaker و آزمایش یا اعتبارسنجی مدلهای خود استفاده کنید.
برای دسترسی به محیط آمازون SageMaker Notebook مراحل بعدی را دنبال کنید:
- زیر خدمات جستجو برای آمازون SageMaker.
- تحت دفتر یادداشت، انتخاب کنید نمونه های نوت بوک.
- یک نمونه نوت بوک باید تهیه شود. Open را انتخاب کنید آزمایشگاه ژوپیتر، که در سمت راست نمونه Notebook از پیش تهیه شده در زیر قرار دارد اعمال.
- با بارگیری صفحه، نمادی مانند این را خواهید دید:
- شما به یک برگه مرورگر جدید هدایت می شوید که شبیه نمودار زیر است:
- هنگامی که در رابط کاربری آمازون SageMaker Notebook Instance Launcher قرار گرفتید. از نوار کناری سمت چپ، را انتخاب کنید رفتن همانطور که در نمودار زیر نشان داده شده است.
- انتخاب کنید یک مخزن را شبیه سازی کنید گزینه.
- URL GitHub را وارد کنید(https://github.com/aws-samples/end-2-end-3d-ml) را در پنجره بازشو انتخاب کنید کلون کردن.
- انتخاب کنید مرورگر پرونده برای دیدن پوشه GitHub.
- دفترچه یادداشت را با عنوان باز کنید
1_visualization.ipynb.
راه اندازی نوت بوک
بررسی اجمالی
چند خانه اول نوت بوک در بخش با عنوان فایل های دانلود شده نحوه دانلود مجموعه داده و بررسی فایل های درون آن را شرح می دهد. پس از اجرای سلول ها، چند دقیقه طول می کشد تا داده ها دانلود شوند.
پس از دانلود، میتوانید ساختار فایل A2D2 را که فهرستی از صحنهها یا درایوها است، مرور کنید. یک صحنه ضبط کوتاهی از داده های حسگر از وسیله نقلیه ما است. A2D2 18 مورد از این صحنه ها را در اختیار ما قرار می دهد تا در آنها آموزش ببینیم که همگی با تاریخ های منحصر به فرد مشخص می شوند. هر صحنه حاوی داده های دوربین دو بعدی، برچسب های دو بعدی، حاشیه نویسی های مکعبی سه بعدی و ابرهای نقطه سه بعدی است.
می توانید ساختار فایل مجموعه داده A2D2 را با موارد زیر مشاهده کنید:
راه اندازی سنسور A2D2
بخش بعدی به خواندن برخی از دادههای ابری این نقطه میپردازد تا مطمئن شویم که آنها را به درستی تفسیر میکنیم و میتوانیم قبل از تلاش برای تبدیل آن به قالب آماده برای برچسبگذاری دادهها، آنها را در نوتبوک تجسم کنیم.
برای هر نوع راهاندازی رانندگی خودکار که در آن دادههای حسگر دو بعدی و سه بعدی داریم، گرفتن دادههای کالیبراسیون حسگر ضروری است. علاوه بر داده های خام، ما نیز دانلود کردیم cams_lidar.json
. این فایل حاوی ترجمه و جهت گیری هر سنسور نسبت به قاب مختصات وسیله نقلیه است، همچنین می توان از آن به عنوان موقعیت سنسور یا مکان در فضا نام برد. این برای تبدیل نقاط از قاب مختصات سنسور به قاب مختصات خودرو مهم است. به عبارت دیگر، برای تجسم حسگرهای دو بعدی و سه بعدی در حین حرکت وسیله نقلیه مهم است. چارچوب مختصات وسیله نقلیه به عنوان یک نقطه ثابت در مرکز وسیله نقلیه تعریف می شود، با محور x در جهت حرکت رو به جلو خودرو، محور y نشان دهنده چپ و راست با چپ مثبت و z- است. محوری که از سقف وسیله نقلیه است. یک نقطه (X,Y,Z) از (2) به این معنی است که این نقطه 3 متر جلوتر از وسیله نقلیه ما، 5,2,1 متر به سمت چپ و 5 متر بالاتر از وسیله نقلیه ما قرار دارد. داشتن این کالیبراسیون ها همچنین به ما امکان می دهد نقاط سه بعدی را بر روی تصویر دو بعدی خود نمایان کنیم، که به ویژه برای وظایف برچسب گذاری ابر نقطه مفید است.
برای مشاهده تنظیمات سنسور روی خودرو، نمودار زیر را بررسی کنید.
دادههای ابر نقطهای که در حال آموزش روی آنها هستیم، بهطور خاص با دوربین جلو یا دوربین جلویی در یک راستا هستند:
این با تجسم حسگرهای دوربین به صورت سه بعدی مطابقت دارد:
این بخش از نوتبوک تأیید میکند که مجموعه دادههای A2D2 با انتظارات ما در مورد موقعیتهای حسگر مطابقت دارد، و اینکه میتوانیم دادهها را از حسگرهای ابر نقطهای در قاب دوربین تراز کنیم. به راحتی می توانید تمام سلول ها را از طریق یکی با عنوان اجرا کنید طرح ریزی از سه بعدی به دو بعدی برای مشاهده همپوشانی داده ابر نقطه خود در تصویر دوربین زیر.
تبدیل به Amazon SageMaker Ground Truth
پس از تجسم داده های خود در نوت بوک، می توانیم با اطمینان ابرهای نقطه خود را به آمازون تبدیل کنیم فرمت سه بعدی SageMaker Ground Truth برای تأیید و تنظیم برچسب های ما. این بخش از طریق تبدیل فرمت داده های A2D2 به آمازون می پردازد فایل سکانسی SageMaker Ground Truth، با فرمت ورودی استفاده شده توسط روش ردیابی شی.
فرمت فایل دنباله ای شامل فرمت های ابر نقطه، تصاویر مرتبط با هر ابر نقطه، و همه موقعیت سنسور و داده های جهت گیری مورد نیاز برای تراز کردن تصاویر با ابرهای نقطه است. این تبدیل ها با استفاده از اطلاعات حسگر خوانده شده از بخش قبل انجام می شود. مثال زیر یک فرمت فایل دنباله ای از Amazon SageMaker Ground Truth است که یک توالی را تنها با یک مرحله زمانی توصیف می کند.
ابر نقطه برای این مرحله زمانی در واقع شده است s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
و دارای فرمتی از <x coordinate> <y coordinate> <z coordinate>
.
مرتبط با ابر نقطه، یک تصویر دوربین منفرد واقع در s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. توجه داشته باشید که فایل دنباله ای را می گیریم که تمام پارامترهای دوربین را تعریف می کند تا امکان نمایش از ابر نقطه به دوربین و عقب را فراهم کند.
تبدیل به این فرمت ورودی ما را ملزم می کند که تبدیلی از فرمت داده A2D2 به فرمت های داده پشتیبانی شده توسط Amazon SageMaker Ground Truth بنویسیم. این همان فرآیندی است که هر کسی باید هنگام آوردن داده های خود برای برچسب گذاری انجام دهد. نحوه عملکرد این تبدیل را به صورت گام به گام شرح خواهیم داد. اگر در نوت بوک دنبال میکنید، به تابع نامگذاری شده نگاه کنید a2d2_scene_to_smgt_sequence_and_seq_label
.
تبدیل ابر نقطه ای
اولین مرحله تبدیل داده ها از یک فایل فشرده شده با فرمت Numpy (NPZ) است که با numpy تولید شده است.دانستن روش، به یک فرمت سه بعدی خام پذیرفته شده است برای Amazon SageMaker Ground Truth. به طور خاص، ما یک فایل با یک ردیف در هر نقطه تولید می کنیم. هر نقطه سه بعدی با سه مختصات X، Y و Z نقطه شناور تعریف می شود. وقتی فرمت خود را در فایل sequence مشخص می کنیم، از رشته استفاده می کنیم text/xyz
برای نشان دادن این قالب Amazon SageMaker Ground Truth همچنین از افزودن مقادیر شدت یا نقاط آبی سبز قرمز (RGB) پشتیبانی می کند.
فایل های NPZ A2D2 حاوی چندین آرایه Numpy هستند که هر کدام نام خاص خود را دارند. برای انجام یک تبدیل، فایل NPZ را با استفاده از Numpy بارگذاری می کنیم بار روش، به آرایه فراخوانی شده دسترسی پیدا کنید نقطه (به عنوان مثال، یک آرایه Nx3، که در آن N تعداد نقاط در ابر نقطه است)، و به عنوان متن در یک فایل جدید با استفاده از Numpy ذخیره کنید. savetxt روش.
پیش پردازش تصویر
در مرحله بعد فایل های تصویری خود را آماده می کنیم. A2D2 تصاویر PNG را ارائه می دهد و Amazon SageMaker Ground Truth از تصاویر PNG پشتیبانی می کند. با این حال، این تصاویر تحریف شده است. اعوجاج اغلب به این دلیل اتفاق میافتد که لنز تصویربرداری موازی با صفحه تصویربرداری قرار ندارد، که باعث میشود برخی از قسمتهای تصویر نزدیکتر از حد انتظار به نظر برسند. این اعوجاج تفاوت بین یک دوربین فیزیکی و یک دوربین فیزیکی را توصیف می کند مدل دوربین پین هول ایده آل. اگر اعوجاج در نظر گرفته نشود، Amazon SageMaker Ground Truth نمیتواند نقاط سهبعدی ما را در بالای نماهای دوربین نمایش دهد، که باعث میشود انجام برچسبگذاری چالش برانگیزتر شود. برای آموزش کالیبراسیون دوربین، به این مستندات نگاه کنید OpenCV.
در حالی که Amazon SageMaker Ground Truth از ضرایب اعوجاج در فایل ورودی خود پشتیبانی می کند، شما همچنین می توانید قبل از کار برچسب زدن، پیش پردازش را انجام دهید. از آنجایی که A2D2 کد کمکی را برای انجام عدم اعوجاج ارائه می دهد، آن را روی تصویر اعمال می کنیم و فیلدهای مربوط به اعوجاج را از فایل دنباله خود خارج می کنیم. توجه داشته باشید که فیلدهای مربوط به اعوجاج شامل k1، k2، k3، k4، p1، p2 و کج.
تبدیل موقعیت، جهت گیری و طرح ریزی دوربین
فراتر از فایلهای داده خام مورد نیاز برای برچسبگذاری، فایل توالی به اطلاعات موقعیت و جهت دوربین نیز نیاز دارد تا نقاط سهبعدی را در نماهای دوربین دوبعدی نمایش دهد. ما باید بدانیم دوربین در فضای سه بعدی به کجا نگاه می کند تا بفهمیم برچسب های مکعبی سه بعدی و نقاط سه بعدی چگونه باید در بالای تصاویر ما ارائه شوند.
از آنجایی که ما موقعیتهای حسگر خود را در یک مدیر تبدیل مشترک در بخش تنظیم حسگر A2D2 بارگذاری کردهایم، میتوانیم به راحتی اطلاعات مورد نظر خود را از مدیر تبدیل جستجو کنیم. در مورد ما، ما موقعیت وسیله نقلیه را به عنوان (0، 0، 0) در هر فریم در نظر می گیریم زیرا اطلاعات موقعیت سنسور ارائه شده توسط مجموعه داده تشخیص شی A2D2 را نداریم. بنابراین نسبت به وسیله نقلیه ما، جهت و موقعیت دوربین با کد زیر توضیح داده شده است:
اکنون که موقعیت و جهت تبدیل شده است، ما همچنین باید مقادیر fx، fy، cx و cy را ارائه کنیم، همه پارامترها برای هر دوربین در فرمت فایل توالی.
این پارامترها به مقادیر موجود در ماتریس دوربین اشاره دارند. در حالی که موقعیت و جهتگیری، توصیف میکند که دوربین به چه سمتی روبرو است، ماتریس دوربین میدان دید دوربین و دقیقاً نحوه تبدیل یک نقطه سه بعدی نسبت به دوربین به یک مکان پیکسلی دو بعدی در یک تصویر را توصیف میکند.
A2D2 ماتریس دوربین را ارائه می دهد. یک ماتریس دوربین مرجع در کد زیر نشان داده شده است، همراه با نحوه نمایه سازی نوت بوک ما این ماتریس برای بدست آوردن فیلدهای مناسب.
با تمام فیلدهای تجزیه شده از فرمت A2D2، میتوانیم فایل دنباله را ذخیره کرده و از آن در آمازون استفاده کنیم. فایل مانیفست ورودی SageMaker Ground Truth برای شروع کار برچسب زدن این کار برچسبگذاری به ما امکان میدهد برچسبهای جعبه محدودکننده سه بعدی ایجاد کنیم تا از پایین دست برای آموزش مدلهای سه بعدی استفاده کنیم.
تمام سلول ها را تا انتهای نوت بوک اجرا کنید و مطمئن شوید که آن را تعویض کرده اید workteam
ARN با Amazon SageMaker Ground Truth workteam
ARN شما یک پیش نیاز ایجاد کردید. پس از حدود 10 دقیقه از زمان ایجاد شغل برچسب زدن، باید بتوانید به پورتال کارگر وارد شوید و از رابط کاربری برچسب زدن برای تجسم صحنه خود
پاک کردن
پشته AWS CloudFormation را که با استفاده از آن مستقر کرده اید حذف کنید Stack را راه اندازی کنید دکمه به نام ThreeD
در کنسول AWS CloudFormation برای حذف تمام منابع استفاده شده در این پست، از جمله هر نمونه در حال اجرا.
برآورد هزینه ها
هزینه تقریبی 5 دلار برای 2 ساعت است.
نتیجه
در این پست، نحوه گرفتن داده های سه بعدی و تبدیل آنها به فرم آماده برای برچسب گذاری در Amazon SageMaker Ground Truth را نشان دادیم. با این مراحل، می توانید داده های سه بعدی خود را برای آموزش مدل های تشخیص اشیا برچسب گذاری کنید. در پست بعدی این مجموعه، ما به شما نشان خواهیم داد که چگونه A3D3 را بگیرید و یک مدل آشکارساز شی را بر روی برچسبهایی که قبلا در مجموعه داده است آموزش دهید.
ساختمان مبارک!
درباره نویسنده
ایزاک پریویترا دانشمند ارشد داده در آزمایشگاه راه حل های یادگیری ماشین آمازون، جایی که او راه حل های یادگیری ماشینی سفارشی و یادگیری عمیق را برای رسیدگی به مشکلات تجاری مشتریان توسعه می دهد. او عمدتاً در فضای بینایی کامپیوتری کار می کند و تمرکز خود را بر توانمندسازی مشتریان AWS با آموزش های توزیع شده و یادگیری فعال دارد.
ویدیا ساگار راویپاتی مدیر در آزمایشگاه راه حل های یادگیری ماشین آمازون، جایی که او از تجربه گسترده خود در سیستم های توزیع شده در مقیاس بزرگ و اشتیاق خود به یادگیری ماشینی استفاده می کند تا به مشتریان AWS در بخش های مختلف صنعت کمک کند تا پذیرش هوش مصنوعی و ابر خود را تسریع بخشند. پیش از این، او یک مهندس یادگیری ماشین در خدمات اتصال در آمازون بود که به ساخت پلتفرمهای شخصیسازی و نگهداری پیشبینیکننده کمک کرد.
جرمی فلتراکو مهندس توسعه نرم افزار با th آزمایشگاه راه حل های یادگیری ماشین آمازون در خدمات وب آمازون. او از پیشینه خود در بینایی کامپیوتر، رباتیک و یادگیری ماشینی استفاده می کند تا به مشتریان AWS کمک کند تا پذیرش هوش مصنوعی خود را تسریع کنند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :است
- $UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- قادر
- درباره ما
- بالاتر
- شتاب دادن
- دسترسی
- در دسترس
- حساب
- در میان
- فعال
- اضافه
- نشانی
- اتخاذ
- پس از
- پیش
- AI
- هم راستا
- معرفی
- اجازه می دهد تا
- قبلا
- آمازون
- Cognito آمازون
- آمازون SageMaker
- Amazon SageMaker Ground Truth
- آمازون خدمات وب
- و
- هر کس
- نرم افزار
- درخواست
- مناسب
- تقریبا
- معماری
- هستند
- مناطق
- دور و بر
- صف
- AS
- مرتبط است
- At
- افزوده شده
- واقعیت افزوده
- خود مختار
- دسترس پذیری
- AWS
- AWS CloudFormation
- به عقب
- زمینه
- BE
- زیرا
- شدن
- قبل از
- بودن
- در زیر
- میان
- آبی
- جعبه
- آوردن
- مرورگر
- ساختن
- بنا
- اتوبوس
- کسب و کار
- دکمه
- by
- نام
- دوربین
- CAN
- گرفتن
- ضبط
- ماشین
- اتومبیل
- مورد
- سلول ها
- مرکز
- به چالش کشیدن
- بررسی
- را انتخاب کنید
- کلاس
- کلاس ها
- نزدیک
- ابر
- پذیرش ابر
- رمز
- مشترک
- شرکت
- کامل
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- با اطمینان
- اتصال
- کنسول
- شامل
- شامل
- تبدیل
- تبدیل
- تبدیل
- مبدل
- مختصات
- هزینه
- مقرون به صرفه
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- مشتریان
- CX
- داده ها
- دانشمند داده
- مجموعه داده ها
- تاریخ
- عمیق
- یادگیری عمیق
- مشخص
- تعریف می کند
- نشان دادن
- نشان
- نشان می دهد
- گسترش
- مستقر
- گسترش
- عمق
- توصیف
- شرح داده شده
- کشف
- تعیین
- پروژه
- توسعه
- دستگاه ها
- تفاوت
- مختلف
- مشکل
- جهت
- بحث و تبادل نظر
- توزیع شده
- سیستم های توزیع شده
- آموزش توزیع شده
- مستندات
- آیا
- دانلود
- رانندگی
- e
- هر
- به آسانی
- را قادر می سازد
- نقطه پایانی
- مهندس
- اطمینان حاصل شود
- محیط
- به خصوص
- ضروری است
- و غیره
- حتی
- کاملا
- مثال
- انتظارات
- انتظار می رود
- تجربه
- نما
- کمی از
- رشته
- زمینه
- شکل
- پرونده
- فایل ها
- پایان
- نام خانوادگی
- شناور
- جریان
- تمرکز
- تمرکز
- پیروی
- برای
- فرم
- قالب
- به جلو
- یافت
- FRAME
- رایگان
- از جانب
- جلو
- تابع
- ادغام
- FX
- تولید می کنند
- تولید
- دریافت کنید
- GIF
- رفتن
- GitHub
- Go
- می رود
- سبز
- زمین
- در حال رشد
- دسته
- آیا
- داشتن
- عنوان
- کمک
- کمک کرد
- مفید
- میزبانی وب
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- i
- ICON
- شناسایی
- تصویر
- تصاویر
- تصویربرداری
- انجام
- مهم
- in
- در دیگر
- شامل
- شامل
- از جمله
- افزایش
- به طور فزاینده
- فهرستها
- صنعت
- اطلاعات
- ورودی
- نمونه
- دستورالعمل
- علاقه
- علاقه مند
- رابط
- IT
- ITS
- کار
- شغل ها
- JPG
- json
- نوع
- دانستن
- برچسب
- برچسب
- برچسب ها
- در مقیاس بزرگ
- لیزر
- راه اندازی
- یاد گرفتن
- یادگیری
- ترک کردن
- اهرم ها
- سبک
- پسندیدن
- فهرست
- بار
- بارهای
- واقع شده
- محل
- نگاه کنيد
- به دنبال
- مطالب
- دستگاه
- فراگیری ماشین
- نگهداری
- ساخت
- باعث می شود
- اداره می شود
- مدیر
- مدیریت می کند
- نقشه برداری
- ماتریس
- به معنی
- اندازه گیری
- روش
- دقیقه
- ML
- موبایل
- دستگاه های تلفن همراه
- مدل
- مدل
- مانیتور
- بیش
- اکثر
- جنبش
- چندگانه
- نام
- تحت عنوان
- نیاز
- جدید
- بعد
- دفتر یادداشت
- عدد
- بی حس
- هدف
- تشخیص شی
- اشیاء
- of
- on
- ONE
- باز کن
- OpenCV
- کار
- گزینه
- دیگر
- تولید
- به طور کلی
- خود
- با ما
- موازی
- پارامترهای
- بخش
- ویژه
- شور
- مسیر
- انجام
- شخصی
- فیزیکی
- خط لوله
- پیکسل
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- نقطه
- پورتال
- موقعیت
- موقعیت
- مثبت
- پست
- پیش بینی
- آماده
- قبلی
- قبلا
- در درجه اول
- خصوصی
- مشکلات
- روند
- تولید
- پروفایل
- پیشرفت
- پروژه
- طرح
- ارائه
- فراهم می کند
- اعم
- نرخ
- خام
- خواندن
- مطالعه
- اماده
- زمان واقعی
- واقعیت
- ضبط
- قرمز
- اشاره
- منعکس شده
- منطقه
- مربوط
- مربوط
- باقی مانده
- برداشتن
- جایگزین کردن
- نشان دادن
- ضروری
- نیاز
- منابع
- منابع
- نتایج
- برگشت
- این فایل نقد می نویسید:
- RGB
- رباتیک
- نقش
- سقف
- ROW
- دویدن
- در حال اجرا
- s
- حکیم ساز
- همان
- ذخیره
- صحنه
- صحنه های
- دانشمند
- جستجو
- دوم
- بخش
- تقسیم بندی
- ارشد
- سنسور
- دنباله
- سلسله
- خدمات
- برپایی
- کوتاه
- باید
- نشان
- نشان داده شده
- نشان می دهد
- طرف
- سیگنال
- پس از
- تنها
- So
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- برخی از
- منبع
- فضا
- فضاها
- به طور خاص
- پشته
- استاندارد
- شروع
- گام
- مراحل
- ساختار
- عرضه
- پشتیبانی
- پشتیبانی
- پشتیبانی از
- سطح
- سیستم های
- جدول
- گرفتن
- طول می کشد
- هدف گذاری
- وظایف
- قالب
- آزمون
- که
- La
- اطلاعات
- شان
- اینها
- سه
- از طریق
- زمان
- با عنوان
- به
- ابزار
- بالا
- جمع
- پیگردی
- قطار
- آموزش
- دگرگون کردن
- ترجمه
- درمان
- کامیون
- آموزش
- نوعی
- به طور معمول
- ui
- زیر
- فهمیدن
- درک
- منحصر به فرد
- us
- استفاده کنید
- کاربر
- رابط کاربری
- تصدیق
- ارزشها
- وسیع
- وسیله نقلیه
- وسایل نقلیه
- بررسی
- عمودی
- تصویری
- چشم انداز
- نمایش ها
- دید
- تجسم
- مسیر..
- وب
- خدمات وب
- خوب
- که
- در حین
- WHO
- ویکیپدیا
- اراده
- با
- در داخل
- کلمات
- کارگر
- نیروی کار
- با این نسخهها کار
- نوشتن
- کد بنویس
- کتبی
- X
- یامل
- شما
- شما
- زفیرنت