Tässä kaksiosaisessa sarjassa näytämme, kuinka merkitä ja kouluttaa malleja 3D-objektien tunnistustehtäviin. Osassa 1 käsittelemme käyttämäämme tietojoukkoa sekä kaikkia esikäsittelyvaiheita tietojen ymmärtämiseksi ja merkitsemiseksi. Osassa 2 käymme läpi, kuinka voit kouluttaa mallin tietojoukossasi ja ottaa sen käyttöön tuotannossa.
LiDAR (valon havaitseminen ja etäisyys) on menetelmä etäisyyksien määrittämiseksi kohdistamalla laserilla kohteeseen tai pintaan ja mittaamalla aika, jonka kuluessa heijastunut valo palaa vastaanottimeen. Autonomiset ajoneuvoyritykset käyttävät yleensä LiDAR-antureita luodakseen 3D-ymmärrystä ajoneuvojaan ympäröivästä ympäristöstä.
LiDAR-anturien saavutettavuuden ja kustannustehokkuuden lisääntyessä asiakkaat käyttävät yhä enemmän pistepilvitietoja uusissa tiloissa, kuten robotiikassa, signaalin kartoituksessa ja lisätyssä todellisuudessa. Jotkut uudet mobiililaitteet sisältävät jopa LiDAR-antureita. LiDAR-antureiden kasvava saatavuus on lisännyt kiinnostusta pistepilvitietoihin koneoppimistehtävissä (ML), kuten 3D-kohteiden havaitsemisessa ja seurannassa, 3D-segmentoinnissa, 3D-objektien synteesissä ja rekonstruoinnissa sekä 3D-tietojen käyttämisessä 2D-syvyyden arvioinnissa.
Tässä sarjassa näytämme, kuinka voit kouluttaa kohteen tunnistusmallia, joka toimii pistepilvidatan avulla ennustamaan ajoneuvojen sijaintia 3D-näkymässä. Tässä viestissä keskitymme erityisesti LiDAR-tietojen merkitsemiseen. Vakio LiDAR-anturin lähtö on 3D-pistepilvikehysten sarja, jonka tyypillinen kaappausnopeus on 10 kuvaa sekunnissa. Tämän anturin lähdön merkitsemiseen tarvitset merkintätyökalun, joka pystyy käsittelemään 3D-tietoja. Amazon SageMaker Ground Totuus helpottaa objektien merkitsemistä yhteen 3D-kehykseen tai 3D-pistepilvikehysten sarjaan ML-harjoitustietojoukkojen rakentamista varten. Ground Truth tukee myös kameran ja LiDAR-tietojen anturifuusiota jopa kahdeksalla videokameratulolla.
Tiedot ovat välttämättömiä kaikissa ML-projekteissa. Erityisesti 3D-datan hankkiminen, visualisointi ja merkitseminen voi olla vaikeaa. Käytämme A2D2-tietojoukko tässä viestissä ja opastaa sinut sen visualisoimiseksi ja merkitsemiseksi.
A2D2 sisältää 40,000 12,499 kehystä semanttisella segmentoinnilla ja pistepilvitunnisteilla, mukaan lukien 3 12,499 kehystä, joissa on 3D-rajoitusruututunnisteet. Koska keskitymme objektien havaitsemiseen, olemme kiinnostuneita 14 XNUMX kehyksestä, joissa on XNUMXD-rajoituslaatikoiden tarrat. Nämä merkinnät sisältävät XNUMX ajamiseen liittyvää luokkaa, kuten auto, jalankulkija, kuorma-auto, bussi jne.
Seuraava taulukko näyttää täydellisen luokkaluettelon:
indeksi | Luokkaluettelo |
1 | eläin |
2 | polkupyörä |
3 | bussi |
4 | auto |
5 | asuntovaunun kuljettaja |
6 | pyöräilijä |
7 | hälytysajoneuvo |
8 | moottoripyöräilijä |
9 | moottoripyörä |
10 | jalankulkija |
11 | perävaunu |
12 | kuorma-auto |
13 | hyötyajoneuvo |
14 | pakettiauto/maastoauto |
Koulutamme tunnistimemme havaitsemaan erityisesti autoja, koska se on yleisin luokka tietojoukossamme (32616 42816 XNUMX XNUMX:sta tietojoukon kokonaisobjektista on merkitty autoiksi).
Ratkaisun yleiskatsaus
Tässä sarjassa käsittelemme tietojesi visualisointia ja merkitsemistä Amazon SageMaker Ground Truth -sovelluksella ja näytämme, kuinka näitä tietoja käytetään Amazon SageMaker -harjoitustyössä kohteentunnistusmallin luomiseen, joka otetaan käyttöön Amazon SageMaker -päätepisteessä. Käytämme erityisesti Amazon SageMaker -kannettavaa ratkaisun käyttämiseen ja mahdollisten merkintä- tai koulutustöiden käynnistämiseen.
Seuraava kaavio kuvaa anturidatan kokonaisvirran merkitsemisestä koulutukseen käyttöönottoon:
Opit kuinka kouluttaa ja ottaa käyttöön reaaliaikainen 3D-objektintunnistusmalli Amazon Sage Maker Perusta totuus seuraavilla vaiheilla:
- Lataa ja visualisoi pistepilvitietojoukko
- Valmistele tiedot merkitään Amazon SageMaker Ground Truth -pistepilvityökalu
- Aloita hajautettu Amazon SageMaker Ground Truth -koulutustyö MMDtection3D
- Arvioi koulutustyösi tuloksia ja profiloi resurssien käyttöäsi Amazon SageMaker -korjaamo
- Ota käyttöön asynkroninen SageMaker-päätepiste
- Kutsu päätepiste ja visualisoi 3D-objektien ennusteet
AWS-palveluita käytetään tämän ratkaisun toteuttamiseen
Edellytykset
Seuraava kaavio osoittaa, kuinka luodaan yksityinen työvoima. Kirjalliset, vaiheittaiset ohjeet, katso Luo Amazon Cognito -työvoima käyttämällä Labeling Workforces -sivua.
AWS CloudFormation -pinon käynnistäminen
Nyt kun olet nähnyt ratkaisun rakenteen, otat sen käyttöön tilissäsi, jotta voit suorittaa esimerkkityönkulun. AWS CloudFormation hallitsee kaikkia merkintäprosessiin liittyviä käyttöönottovaiheita. Tämä tarkoittaa, että AWS Cloudformation luo kannettavan tietokoneen ilmentymän sekä mahdolliset roolit tai Amazon S3 Bucket -sovellukset tukemaan ratkaisun käyttöä.
Voit käynnistää pinon AWS-alueella us-east-1
AWS CloudFormation -konsolissa käyttämällä Käynnistä pino
-painiketta. Voit käynnistää pinon toisella alueella käyttämällä README:n ohjeita GitHub-arkisto.
Kaikkien resurssien luominen kestää noin 20 minuuttia. Voit seurata edistymistä AWS CloudFormation -käyttöliittymästä (UI).
Kun CloudFormation-mallisi on suoritettu, palaa AWS-konsoliin.
Muistikirjan avaaminen
Amazon SageMaker Notebook Instances ovat ML-laskentaesiintymiä, jotka suoritetaan Jupyter Notebook App -sovelluksessa. Amazon SageMaker hallinnoi ilmentymien ja niihin liittyvien resurssien luomista. Käytä Jupyter-kannettavia muistikirjainstanssissasi tietojen valmistelemiseen ja käsittelemiseen, koodin kirjoittamiseen mallien kouluttamiseen, mallien käyttöönottoon Amazon SageMaker -isännöintiin ja mallien testaamiseen tai validointiin.
Noudata seuraavia ohjeita päästäksesi Amazon SageMaker Notebook -ympäristöön:
- Hae palveluista Amazon Sage Maker.
- Alle muistikirjavalitse Notebook-esiintymät.
- Muistikirjan ilmentymä on varattava. Valitse Avaa jupyter lab, joka sijaitsee esivalmistetun Notebook-esiintymän oikealla puolella alla Toiminnot.
- Näet seuraavanlaisen kuvakkeen, kun sivu latautuu:
- Sinut ohjataan uudelle selaimen välilehdelle, joka näyttää seuraavalta kaaviolta:
- Kun olet Amazon SageMaker Notebook Instance Launcher -käyttöliittymässä. Valitse vasemmasta sivupalkista mennä -kuvaketta seuraavan kaavion mukaisesti.
- valita Kloonaa arkisto vaihtoehto.
- Anna GitHub URL(https://github.com/aws-samples/end-2-end-3d-ml) ponnahdusikkunassa ja valitse klooni.
- valita File Browser nähdäksesi GitHub-kansion.
- Avaa muistikirja nimeltä
1_visualization.ipynb.
Notebookin käyttö
Yleiskatsaus
Muistikirjan ensimmäiset solut otsikolla Ladatut tiedostot opastaa kuinka ladata tietojoukko ja tarkastaa sen sisältämät tiedostot. Kun solut on suoritettu, tietojen lataaminen kestää muutaman minuutin.
Kun olet ladannut, voit tarkastella A2D2:n tiedostorakennetta, joka on luettelo kohtauksista tai asemista. Kohtaus on lyhyt tallennus ajoneuvomme anturitiedoista. A2D2 tarjoaa 18 näistä kohtauksista harjoitteluun, jotka kaikki on tunnistettu yksilöllisillä päivämäärillä. Jokainen kohtaus sisältää 2D-kameradataa, 2D-tarroja, 3D-kuutiomerkintöjä ja 3D-pistepilviä.
Voit tarkastella A2D2-tietojoukon tiedostorakennetta seuraavasti:
A2D2-anturin asennus
Seuraavassa osiossa käydään läpi joitakin tästä pistepilvidatasta, jotta voimme varmistaa, että tulkitsemme sen oikein ja voimme visualisoida sen muistikirjassa ennen kuin yritämme muuntaa sen muotoon, joka on valmis tietojen merkitsemistä varten.
Kaikissa autonomisissa ajoasennuksissa, joissa meillä on 2D- ja 3D-anturidataa, anturin kalibrointitietojen tallentaminen on välttämätöntä. Raakatietojen lisäksi latasimme myös cams_lidar.json
. Tämä tiedosto sisältää kunkin anturin käännöksen ja suunnan suhteessa ajoneuvon koordinaattikehykseen, tätä voidaan kutsua myös anturin asennosta tai sijainnista avaruudessa. Tämä on tärkeää pisteiden muuntamiseksi anturin koordinaattikehyksestä ajoneuvon koordinaattikehykseksi. Toisin sanoen se on tärkeää 2D- ja 3D-anturien visualisoimiseksi ajoneuvon ajon aikana. Ajoneuvon koordinaattikehys määritellään staattisena pisteenä ajoneuvon keskellä, jonka x-akseli on ajoneuvon eteenpäinliikkeen suunnassa, y-akseli, joka tarkoittaa vasenta ja oikeaa ja vasenta, on positiivinen ja z-akseli on positiivinen. akseli, joka osoittaa ajoneuvon katon läpi. Piste (X,Y,Z) arvosta (5,2,1) tarkoittaa, että tämä piste on 5 metriä ajoneuvomme edellä, 2 metriä vasemmalla ja 1 metri ajoneuvomme yläpuolella. Näiden kalibrointien avulla voimme myös projisoida 3D-pisteitä 2D-kuvaamme, mikä on erityisen hyödyllistä pistepilvimerkintätehtävissä.
Näet ajoneuvon anturin asetukset seuraavasta kaaviosta.
Pistepilvitiedot, joita harjoittelemme, on kohdistettu erityisesti etukameran tai nokan etukeskuksen kanssa:
Tämä vastaa kamera-antureiden visualisointiamme 3D-muodossa:
Tämä muistikirjan osa käy läpi sen vahvistamisen, että A2D2-tietojoukko vastaa odotuksiamme anturien sijainnista ja että pystymme kohdistamaan datan pistepilven antureista kameran kehykseen. Voit vapaasti ajaa kaikki solut otsikon läpi Projisointi 3D:stä 2D:hen nähdäksesi pistepilven datapeittokuvasi seuraavassa kamerakuvassa.
Muunnos Amazon SageMaker Ground Truthiin
Visualisoimalla tietomme muistikirjassamme, voimme luottavaisesti muuntaa pistepilvemme Amazoniksi SageMaker Ground Truthin 3D-muoto tarkistaa ja säätää tarrojamme. Tässä osiossa käydään läpi muuntaminen A2D2:n tietomuodosta Amazoniksi SageMaker Ground Truth -sekvenssitiedosto, objektin seurantamodaalin käyttämän syöttömuodon kanssa.
Sekvenssitiedostomuoto sisältää pistepilvimuodot, kuhunkin pistepilveen liittyvät kuvat ja kaikki anturin sijainti- ja suuntatiedot, joita tarvitaan kuvien kohdistamiseen pistepilvien kanssa. Nämä muunnokset tehdään käyttämällä anturitietoja, jotka on luettu edellisestä osiosta. Seuraava esimerkki on Amazon SageMaker Ground Truthin sekvenssitiedostomuoto, joka kuvaa sekvenssin, jossa on vain yksi aikavaihe.
Tämän aikavaiheen pistepilvi sijaitsee klo s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
ja sen muoto on <x coordinate> <y coordinate> <z coordinate>
.
Pistepilveen liittyy yksi kamerakuva, joka sijaitsee osoitteessa s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Huomaa, että otamme sekvenssitiedoston, joka määrittää kaikki kameran parametrit, jotta projisointi pistepilvestä kameraan ja takaisin.
Muuntaminen tähän syöttömuotoon edellyttää muunnoksen kirjoittamista A2D2:n tietomuodosta Amazon SageMaker Ground Truthin tukemiin tietomuotoihin. Tämä on sama prosessi, joka jokaisen on suoritettava tuodessaan omia tietojaan merkitsemistä varten. Käymme läpi, kuinka tämä muunnos toimii, vaihe vaiheelta. Jos seuraat muistikirjaa, katso nimettyä toimintoa a2d2_scene_to_smgt_sequence_and_seq_label
.
Pistepilven muuntaminen
Ensimmäinen vaihe on muuntaa tiedot pakatusta Numpy-muotoillusta tiedostosta (NPZ), joka luotiin numpy-tiedoston avulla.tietää menetelmä, an hyväksytty raaka 3D-muoto Amazon SageMaker Ground Truthille. Erityisesti luomme tiedoston, jossa on yksi rivi pistettä kohti. Jokainen 3D-piste määritellään kolmella liukulukulla olevalla X-, Y- ja Z-koordinaatilla. Kun määritämme muodomme sekvenssitiedostossa, käytämme merkkijonoa text/xyz
edustamaan tätä muotoa. Amazon SageMaker Ground Truth tukee myös intensiteettiarvojen tai Red Green Blue (RGB) -pisteiden lisäämistä.
A2D2:n NPZ-tiedostot sisältävät useita Numpy-taulukoita, joilla jokaisella on oma nimi. Suorittaaksemme muunnoksen lataamme NPZ-tiedoston Numpyn avulla kuormitus menetelmällä, käytä kutsuttua taulukkoa pistettä (eli Nx3-taulukko, jossa N on pistepilven pisteiden lukumäärä) ja tallenna tekstinä uuteen tiedostoon Numpyn avulla. savetxt menetelmällä.
Kuvan esikäsittely
Seuraavaksi valmistelemme kuvatiedostomme. A2D2 tarjoaa PNG-kuvia ja Amazon SageMaker Ground Truth tukee PNG-kuvia; nämä kuvat ovat kuitenkin vääristyneitä. Vääristymistä esiintyy usein, koska kuvan ottava linssi ei ole kohdistettu samansuuntaisesti kuvaustason kanssa, mikä saa jotkin kuvan alueet näyttämään odotettua lähemmäs. Tämä vääristymä kuvaa eroa fyysisen kameran ja kameran välillä idealisoitu reikäkameramalli. Jos vääristymiä ei oteta huomioon, Amazon SageMaker Ground Truth ei pysty renderöimään 3D-pisteiämme kameranäkymien päällä, mikä tekee merkitsemisen suorittamisesta haastavampaa. Katso kameran kalibroinnin opetusohjelma tästä dokumentaatiosta OpenCV.
Vaikka Amazon SageMaker Ground Truth tukee vääristymäkertoimia syöttötiedostossaan, voit myös suorittaa esikäsittelyn ennen merkintätyötä. Koska A2D2 tarjoaa apukoodin vääristymättömyyden suorittamiseen, käytämme sitä kuvaan ja jätämme vääristymiseen liittyvät kentät pois sekvenssitiedostostamme. Huomaa, että vääristymiin liittyvät kentät sisältävät k1, k2, k3, k4, p1, p2 ja vino.
Kameran sijainti, suunta ja projektiomuunnos
Merkitsemiseen tarvittavien raakadatatiedostojen lisäksi sarjatiedosto vaatii myös kameran sijainti- ja suuntatiedot 3D-pisteiden projisoimiseksi 2D-kameranäkymiin. Meidän on tiedettävä, mihin kamera katsoo 3D-avaruudessa, jotta voimme selvittää, kuinka 3D-kuution muotoiset etiketit ja 3D-pisteet tulisi hahmontaa kuviemme päälle.
Koska olemme ladanneet anturipaikkamme yhteiseen muunnoshallintaan A2D2-anturin asetusosiossa, voimme helposti kysyä muunnoshallinnasta haluamamme tiedot. Meidän tapauksessamme käsittelemme ajoneuvon sijaintia arvona (0, 0, 0) jokaisessa kehyksessä, koska meillä ei ole A2D2:n objektintunnistustietojoukon antamia anturin sijaintitietoja. Joten suhteessa ajoneuvoomme kameran suunta ja sijainti kuvataan seuraavalla koodilla:
Nyt kun sijainti ja suunta on muunnettu, meidän on myös annettava arvot fx-, fy-, cx- ja cy-arvoille, kaikki parametrit kullekin kameralle sarjatiedostomuodossa.
Nämä parametrit viittaavat arvoihin kameramatriisissa. Asento ja suunta kuvaavat, mihin suuntaan kamera on päin, kun taas kameramatriisi kuvaa kameran näkökenttää ja tarkalleen kuinka 3D-piste suhteessa kameraan muunnetaan 2D-pikselin sijaintiin kuvassa.
A2D2 tarjoaa kameramatriisin. Viitekameramatriisi näkyy seuraavassa koodissa sekä se, kuinka kannettavamme indeksoi tämän matriisin saadakseen asianmukaiset kentät.
Kun kaikki kentät on jäsennetty A2D2-muodosta, voimme tallentaa sekvenssitiedoston ja käyttää sitä Amazonissa. SageMaker Ground Truth -syöteluettelotiedosto aloittaa merkintätyön. Tämän merkintätyön avulla voimme luoda 3D-rajoituslaatikkotarroja, joita voidaan käyttää 3D-mallin koulutuksessa.
Suorita kaikki solut muistikirjan loppuun asti ja varmista, että vaihdat workteam
ARN Amazon SageMaker Ground Truthin kanssa workteam
ARN loit edellytyksen. Noin 10 minuutin merkintätyön luomisajan jälkeen sinun pitäisi pystyä kirjautumaan työntekijäportaaliin ja käyttämään merkintäkäyttöliittymä visualisoidaksesi kohtauksesi.
Puhdistaa
Poista AWS CloudFormation -pino, jonka otit käyttöön käyttämällä Käynnistä pino painike nimeltä ThreeD
AWS CloudFormation -konsolissa poistaaksesi kaikki tässä viestissä käytetyt resurssit, mukaan lukien kaikki käynnissä olevat esiintymät.
Arvioidut kustannukset
Arvioitu hinta on 5 dollaria 2 tunnilta.
Yhteenveto
Tässä viestissä osoitimme kuinka ottaa 3D-tietoja ja muuntaa se muotoon, joka on valmis merkitsemistä varten Amazon SageMaker Ground Truthissa. Näiden vaiheiden avulla voit merkitä omat 3D-tietosi kohteen tunnistusmallien harjoittelua varten. Tämän sarjan seuraavassa postauksessa näytämme sinulle, kuinka voit ottaa A2D2:n ja opettaa kohteen ilmaisinmallin tietojoukossa jo oleville tarroille.
Hyvää rakentamista!
Tietoja Tekijät
Isaac Privitera on vanhempi datatutkija Amazon Machine Learning Solutions Lab, jossa hän kehittää räätälöityjä koneoppimis- ja syväoppimisratkaisuja asiakkaiden liiketoimintaongelmiin. Hän työskentelee ensisijaisesti tietokonenäön parissa keskittyen mahdollistamaan AWS-asiakkaiden hajautettu koulutus ja aktiivinen oppiminen.
Vidya Sagar Ravipati on johtaja osoitteessa Amazon Machine Learning Solutions Lab, jossa hän hyödyntää laajaa kokemustaan laajamittaisista hajautetuista järjestelmistä ja intohimoaan koneoppimiseen auttaakseen AWS-asiakkaita eri toimialoilla nopeuttamaan tekoälyn ja pilvipalvelujen käyttöönottoa. Aikaisemmin hän oli koneoppimisinsinööri Connectivity Services -palvelussa Amazonissa, joka auttoi rakentamaan räätälöinnin ja ennakoivan ylläpidon alustoja.
Jeremy Feltracco on ohjelmistokehitysinsinööri th Amazon Machine Learning Solutions Lab Amazon Web Services -palvelussa. Hän käyttää tietokonenäön, robotiikan ja koneoppimisen taustaansa auttaakseen AWS-asiakkaita nopeuttamaan tekoälyn käyttöönottoa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :On
- $ YLÖS
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- pystyy
- Meistä
- edellä
- kiihdyttää
- pääsy
- saatavilla
- Tili
- poikki
- aktiivinen
- Lisäksi
- osoite
- Hyväksyminen
- Jälkeen
- eteenpäin
- AI
- linjassa
- Kaikki
- mahdollistaa
- jo
- Amazon
- Amazon Cognito
- Amazon Sage Maker
- Amazon SageMaker Ground Totuus
- Amazon Web Services
- ja
- joku
- sovelluksen
- käyttää
- sopiva
- suunnilleen
- arkkitehtuuri
- OVAT
- alueet
- noin
- Ryhmä
- AS
- liittyvä
- At
- täydennetty
- Augmented Reality
- autonominen
- saatavuus
- AWS
- AWS-pilven muodostuminen
- takaisin
- tausta
- BE
- koska
- tulevat
- ennen
- ovat
- alle
- välillä
- sininen
- Laatikko
- Tuominen
- selain
- rakentaa
- Rakentaminen
- bussi
- liiketoiminta
- nappia
- by
- nimeltään
- kamera
- CAN
- kaapata
- Kaappaaminen
- auto
- autot
- tapaus
- Solut
- keskus
- haastava
- tarkastaa
- Valita
- luokka
- luokat
- lähempänä
- pilvi
- pilvien hyväksyminen
- koodi
- Yhteinen
- Yritykset
- täydellinen
- Laskea
- tietokone
- Tietokoneen visio
- itsevarmasti
- Liitännät
- Console
- sisältää
- sisältää
- Muuntaminen
- tuloksia
- muuntaa
- muunnetaan
- koordinoida
- Hinta
- kustannustehokas
- kattaa
- luoda
- luotu
- luo
- luominen
- Asiakkaat
- CX
- tiedot
- tietojen tutkija
- aineistot
- Päivämäärät
- syvä
- syvä oppiminen
- määritelty
- määrittelee
- osoittaa
- osoittivat
- osoittaa
- sijoittaa
- käyttöön
- käyttöönotto
- syvyys
- kuvata
- on kuvattu
- Detection
- määritetään
- Kehitys
- kehittää
- Laitteet
- ero
- eri
- vaikea
- suunta
- pohtia
- jaettu
- hajautetut järjestelmät
- hajautettu koulutus
- dokumentointi
- Dont
- download
- ajo
- e
- kukin
- helposti
- mahdollistaa
- päätepiste
- insinööri
- varmistaa
- ympäristö
- erityisesti
- olennainen
- jne.
- Jopa
- täsmälleen
- esimerkki
- odotukset
- odotettu
- experience
- päin
- harvat
- ala
- Fields
- Kuva
- filee
- Asiakirjat
- viimeistely
- Etunimi
- kelluva
- virtaus
- Keskittää
- tarkennus
- jälkeen
- varten
- muoto
- muoto
- Eteenpäin
- löytyi
- FRAME
- Ilmainen
- alkaen
- etuosa
- toiminto
- fuusio
- FX
- tuottaa
- syntyy
- saada
- gif
- mennä
- GitHub
- Go
- Goes
- Vihreä
- Maa
- Kasvava
- kahva
- Olla
- ottaa
- Otsikko
- auttaa
- auttanut
- hyödyllinen
- hotellit
- TUNTIA
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- i
- ICON
- tunnistettu
- kuva
- kuvien
- Imaging
- toteuttaa
- tärkeä
- in
- Muilla
- sisältää
- sisältää
- Mukaan lukien
- kasvoi
- yhä useammin
- indeksit
- teollisuus
- tiedot
- panos
- esimerkki
- ohjeet
- korko
- kiinnostunut
- liitäntä
- IT
- SEN
- Job
- Työpaikat
- jpg
- json
- laji
- Tietää
- Merkki
- merkinnät
- tarrat
- laaja
- laser
- käynnistää
- OPPIA
- oppiminen
- jättää
- vipusuhteita
- valo
- pitää
- Lista
- kuormitus
- kuormat
- sijaitsevat
- sijainti
- katso
- näköinen
- ulkonäkö
- kone
- koneoppiminen
- huolto
- tehdä
- TEE
- onnistui
- johtaja
- hallinnoi
- kartoitus
- Matriisi
- välineet
- mittaus
- menetelmä
- minuuttia
- ML
- Puhelinnumero
- mobiililaitteet
- malli
- mallit
- monitori
- lisää
- eniten
- liike
- moninkertainen
- nimi
- nimetty
- Tarve
- Uusi
- seuraava
- muistikirja
- numero
- numpy
- objekti
- Objektin tunnistus
- esineet
- of
- on
- ONE
- avata
- OpenCV
- käyttää
- Vaihtoehto
- Muut
- ulostulo
- yleinen
- oma
- sivulla
- Parallel
- parametrit
- osa
- erityinen
- intohimo
- polku
- Suorittaa
- Personointi
- fyysinen
- putki
- pixel
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- pistettä
- Portal
- sijainti
- kantoja
- positiivinen
- Kirje
- ennustaa
- Valmistella
- edellinen
- aiemmin
- pääasiallisesti
- yksityinen
- ongelmia
- prosessi
- tuotanto
- profilointi
- Edistyminen
- projekti
- Projektio
- mikäli
- tarjoaa
- alainen
- hinta
- raaka
- Lue
- Lukeminen
- valmis
- reaaliaikainen
- Todellisuus
- äänitys
- punainen
- tarkoitettuja
- heijastunut
- alue
- liittyvä
- merkityksellinen
- jäljellä oleva
- poistaa
- korvata
- edustaa
- tarvitaan
- Vaatii
- resurssi
- Esittelymateriaalit
- tulokset
- palata
- arviot
- RGB
- robotiikka
- roolit
- katto
- RIVI
- ajaa
- juoksu
- s
- sagemaker
- sama
- Säästä
- kohtaus
- kohtaukset
- Tiedemies
- Haku
- Toinen
- Osa
- jakautuminen
- vanhempi
- anturit
- Järjestys
- Sarjat
- Palvelut
- setup
- Lyhyt
- shouldnt
- näyttää
- esitetty
- Näytä
- puoli
- signaali
- koska
- single
- So
- Tuotteemme
- ohjelmistokehitys
- ratkaisu
- Ratkaisumme
- jonkin verran
- lähde
- Tila
- tilat
- erityisesti
- pino
- standardi
- Alkaa
- Vaihe
- Askeleet
- rakenne
- toimittaa
- tuki
- Tuetut
- Tukee
- pinta
- järjestelmät
- taulukko
- ottaa
- vie
- kohdistaminen
- tehtävät
- sapluuna
- testi
- että
- -
- tiedot
- heidän
- Nämä
- kolmella
- Kautta
- aika
- nimeltään
- että
- työkalu
- ylin
- Yhteensä
- Seuranta
- Juna
- koulutus
- Muuttaa
- Kääntäminen
- kohdella
- kuorma-auto
- oppitunti
- tyypillinen
- tyypillisesti
- ui
- varten
- ymmärtää
- ymmärtäminen
- unique
- us
- käyttää
- käyttäjä
- Käyttöliittymä
- VAHVISTA
- arvot
- valtava
- ajoneuvo
- Ajoneuvot
- todentaa
- pystysuunnassa
- Video
- Näytä
- näkymät
- visio
- visualisointi
- Tapa..
- verkko
- verkkopalvelut
- HYVIN
- joka
- vaikka
- KUKA
- wikipedia
- tulee
- with
- sisällä
- sanoja
- työntekijä
- työvoima
- toimii
- kirjoittaa
- kirjoita koodi
- kirjallinen
- X
- yaml
- Voit
- Sinun
- zephyrnet