Ez egy közös bejegyzés, amelyet az AWS és a Voxel51 közösen írt. A Voxel51 a kiváló minőségű adatkészletek és számítógépes látásmodellek készítésére szolgáló nyílt forráskódú eszköztár, a FiftyOne mögött álló vállalat.
Egy kiskereskedelmi vállalat mobilalkalmazást készít, hogy segítsen az ügyfeleknek ruhavásárlásban. Az alkalmazás létrehozásához jó minőségű, ruházati képeket tartalmazó adatkészletre van szükségük, amely különböző kategóriákkal van ellátva. Ebben a bejegyzésben bemutatjuk, hogyan lehet újrahasznosítani egy meglévő adatkészletet adattisztítással, előfeldolgozással és előzetes címkézéssel egy nullapontos osztályozási modellel. XNUMX, és állítsa be ezeket a címkéket a Amazon SageMaker Ground Truth.
A Ground Truth és a FiftyOne segítségével felgyorsíthatja adatcímkézési projektjét. Bemutatjuk, hogyan lehet zökkenőmentesen használni a két alkalmazást együtt, hogy kiváló minőségű címkézett adatkészleteket hozzon létre. Példahasználati esetünkben a Fashion200K adatkészlet, megjelent az ICCV 2017-ben.
Megoldás áttekintése
A Ground Truth egy teljesen önkiszolgáló és felügyelt adatcímkézési szolgáltatás, amely képessé teszi az adattudósokat, a gépi tanulási (ML) mérnököket és a kutatókat kiváló minőségű adatkészletek létrehozására. XNUMX by voxel51 egy nyílt forráskódú eszközkészlet a számítógépes képi adatkészletek kurzusára, megjelenítésére és értékelésére, így a felhasználási esetek felgyorsításával jobb modelleket taníthat és elemezhet.
A következő szakaszokban bemutatjuk, hogyan kell a következőket tenni:
- Vizualizálja az adatkészletet a FiftyOne-ban
- Tisztítsa meg az adatkészletet a FiftyOne szűrésével és képduplikációjának használatával
- Előcímkézze a tisztított adatokat nullapontos besorolással a FiftyOne-ban
- A kisebb kurált adatkészletet Ground Truth felirattal jelölje meg
- Szúrja be a Ground Truth címkézett eredményeit a FiftyOne-ba, és tekintse át a címkézett eredményeket a FiftyOne-ban
Használati eset áttekintése
Tegyük fel, hogy Ön egy kiskereskedelmi vállalat tulajdonosa, és szeretne egy mobilalkalmazást létrehozni, amely személyre szabott ajánlásokat ad a felhasználóknak a viselet eldöntésében. Leendő felhasználói olyan alkalmazást keresnek, amely megmondja nekik, hogy szekrényükben mely ruhadarabok működnek jól együtt. Itt meglátod a lehetőséget: ha tudsz jó ruhákat azonosítani, akkor ennek segítségével új ruhadarabokat ajánlhatsz, amelyek kiegészítik az ügyfél már birtokolt ruházatát.
A lehető legegyszerűbbé szeretné tenni a dolgokat a végfelhasználó számára. Ideális esetben, ha valaki használja az alkalmazást, csak le kell fényképeznie a ruhatárában lévő ruhákat, és az Ön ML modelljei varázslatosak a színfalak mögött. Megtaníthat egy általános célú modellt vagy finomhangolhat egy modellt az egyes felhasználók egyedi stílusára valamilyen visszajelzés segítségével.
Először azonban meg kell határoznia, hogy a felhasználó milyen típusú ruhát rögzít. Ez egy ing? Egy nadrág? Vagy valami más? Végül is valószínűleg nem szeretne olyan ruhát ajánlani, amelyben több ruha vagy több sapka van.
Ennek a kezdeti kihívásnak a megoldása érdekében egy képzési adatkészletet szeretne létrehozni, amely különféle mintájú és stílusú ruházati cikkek képeiből áll. Ha korlátozott költségvetéssel szeretne prototípust készíteni, akkor egy meglévő adatkészletet kell használnia.
A folyamat szemléltetésére és végigvezetésére ebben a bejegyzésben a 200-es ICCV-n kiadott Fashion2017K adatkészletet használjuk. Ez egy megalapozott és jól idézett adatkészlet, de nem alkalmas közvetlenül az Ön használati esetére.
Bár a ruházati cikkek kategóriákkal (és alkategóriákkal) vannak felcímkézve, és számos hasznos címkét tartalmaznak, amelyek az eredeti termékleírásokból származnak, az adatok nem szerepelnek szisztematikusan minta- vagy stílusinformációkkal. Célja, hogy ezt a meglévő adatkészletet robusztus képzési adatkészletté alakítsa a ruházati osztályozási modellekhez. Meg kell tisztítani az adatokat, ki kell egészíteni a címkézési sémát stíluscímkékkel. És ezt gyorsan és a lehető legkevesebb ráfordítással szeretné megtenni.
Töltse le az adatokat helyben
Először töltse le a women.tar zip fájlt és a labels mappát (az összes almappájával együtt) a Fashion200K adatkészlet GitHub adattár. Miután mindkettőt kicsomagolta, hozzon létre egy fashion200k szülőkönyvtárat, és helyezze át ebbe a címkéket és a nők mappáit. Szerencsére ezek a képek már le vannak vágva az objektumészlelés határoló dobozaira, így az osztályozásra koncentrálhatunk, nem pedig az objektumészlelés miatt.
A becenevében szereplő „200K” ellenére az általunk kivont nők könyvtár 338,339 200 képet tartalmaz. A hivatalos Fashion300,000K adatkészlet létrehozásához az adatkészlet szerzői több mint XNUMX XNUMX terméket térképeztek fel az interneten, és csak a négynél több szót tartalmazó leírással rendelkező termékek jutottak be a célba. Céljainkra, ahol a termékleírás nem elengedhetetlen, az összes bejárt képet felhasználhatjuk.
Nézzük meg, hogyan rendeződnek ezek az adatok: a nők mappán belül a képek felső szintű cikktípusok (szoknyák, felsők, nadrágok, kabátok és ruhák) és cikktípus alkategória (blúzok, pólók, hosszú ujjúak) szerint vannak elrendezve. felsők).
Az alkategória-könyvtárakon belül minden terméklistához tartozik egy alkönyvtár. Ezek mindegyike változó számú képet tartalmaz. A cropped_pants alkategória például a következő terméklistákat és kapcsolódó képeket tartalmazza.
A címkék mappa minden legfelső szintű cikktípushoz tartalmaz egy szövegfájlt, mind a képzési, mind a tesztfelosztáshoz. Ezeken a szövegfájlokon belül minden képhez külön sor tartozik, amely megadja a relatív fájl elérési útját, pontszámát és a termékleírásból származó címkéket.
Mivel újrahasznosítjuk az adatkészletet, egyesítjük az összes vonat- és tesztképet. Ezeket használjuk kiváló minőségű alkalmazás-specifikus adatkészlet létrehozására. Miután befejeztük ezt a folyamatot, véletlenszerűen feloszthatjuk az eredményül kapott adatkészletet új vonat- és tesztfelosztásokra.
Adatkészlet beszúrása, megtekintése és kurátora a FiftyOne-ban
Ha még nem tette meg, telepítse a nyílt forráskódú FiftyOne-t a pip használatával:
A legjobb gyakorlat az, ha ezt egy új virtuális (venv vagy conda) környezetben teszi. Ezután importálja a megfelelő modulokat. Importálja az alapkönyvtárat, a fiftyone-t, a FiftyOne Braint, amely beépített ML metódusokkal rendelkezik, a FiftyOne Zoo-t, amelyből betöltünk egy modellt, amely nulla-shot címkéket generál nekünk, és a ViewField-et, amivel hatékonyan szűrhetjük a adatkészletünkben lévő adatok:
Ezenkívül importálni szeretné a glob és os Python modulokat, amelyek segítenek az elérési utak és a mintaegyeztetésben a könyvtártartalom felett:
Most készen állunk az adatkészlet FiftyOne-ba való betöltésére. Először létrehozunk egy fashion200k nevű adatkészletet, és állandóvá tesszük, ami lehetővé teszi, hogy a számításigényes műveletek eredményeit elmentsük, így az említett mennyiségeket csak egyszer kell kiszámítanunk.
Mostantól ismételhetünk az összes alkategória-könyvtáron, hozzáadva az összes képet a termékkönyvtárakba. Minden mintához adunk egy FiftyOne besorolási címkét cikk_típus mezőnévvel, amelyet a kép legfelső szintű cikkkategóriája tölt fel. A kategória és az alkategória információkat is hozzáadjuk címkékként:
Ezen a ponton egy munkamenet elindításával megjeleníthetjük adatkészletünket a FiftyOne alkalmazásban:
Futással ki is nyomtathatjuk az adatkészlet összefoglalóját Pythonban print(dataset)
:
A címkéket is hozzáadhatjuk a labels
az adatkészletünkben található minták könyvtára:
Az adatokat nézve néhány dolog világossá válik:
- A képek egy része meglehetősen szemcsés, alacsony felbontású. Ennek valószínűleg az az oka, hogy ezeket a képeket a kezdeti képek objektumészlelési határolókeretekben történő kivágásával hozták létre.
- Némelyik ruhát egy ember hordja, és van, akit magától fényképeznek. Ezeket a részleteket a
viewpoint
ingatlan. - Ugyanazon terméken lévő képek nagy része nagyon hasonló, így legalábbis kezdetben, ha termékenként egynél több képet tartalmaz, nem biztos, hogy nagy előrejelző erőt ad. A legtöbb esetben az egyes termékek első képe (a következőre végződik:
_0.jpeg
) a legtisztább.
Kezdetben érdemes lehet ruházati stílus-besorolási modellünket e képek egy ellenőrzött részhalmazára gyakorolni. Ebből a célból nagy felbontású képeket használunk termékeinkről, és termékenként egy reprezentatív mintára korlátozzuk a megtekintésünket.
Először kiszűrjük az alacsony felbontású képeket. Használjuk a compute_metadata()
módszer a kép szélességének és magasságának kiszámítására és tárolására pixelben az adatkészletben lévő minden egyes képhez. Ezután a FiftyOne-t alkalmazzuk ViewField
a képek kiszűrésére a megengedett legkisebb szélesség és magasság értékek alapján. Lásd a következő kódot:
Ez a nagy felbontású részhalmaz alig 200,000 XNUMX mintát tartalmaz.
Ebből a nézetből új nézetet hozhatunk létre az adatkészletünkben, amely minden termékhez legfeljebb egy reprezentatív mintát tartalmaz. Használjuk a ViewField
ismét mintaillesztés a következővel végződő fájl útvonalakhoz _0.jpeg
:
Nézzük meg a képek véletlenszerű sorrendjét ebben a részhalmazban:
Távolítsa el a felesleges képeket az adatkészletből
Ez a nézet 66,297 19 képet tartalmaz, ami az eredeti adatkészlet valamivel több mint XNUMX%-a. Ha azonban a nézetet nézzük, azt látjuk, hogy sok nagyon hasonló termék létezik. Ezen másolatok megőrzése valószínűleg csak növeli a címkézési és modellképzési költségeket, anélkül, hogy észrevehetően javulna a teljesítmény. Ehelyett szabaduljunk meg a közeli ismétlődésektől, és hozzunk létre egy kisebb adatkészletet, amely továbbra is ugyanazt az ütést tartalmazza.
Mivel ezek a képek nem pontos másolatok, nem tudjuk ellenőrizni a pixelenkénti egyenlőséget. Szerencsére a FiftyOne Brain segítségével megtisztíthatjuk adatkészletünket. Konkrétan minden képhez kiszámolunk egy beágyazást – egy alacsonyabb dimenziós vektort, amely a képet reprezentálja –, majd megkeressük azokat a képeket, amelyek beágyazási vektorai közel vannak egymáshoz. Minél közelebb vannak a vektorok, annál hasonlóbbak a képek.
CLIP-modellt használunk egy 512-dimenziós beágyazási vektor létrehozására minden egyes képhez, és ezeket a beágyazásokat az adatkészletünkben lévő mintákon lévő mezőbeágyazásokban tároljuk:
Ezután kiszámítjuk a beágyazások közötti közelséget a segítségével koszinusz hasonlóság, és állítsuk, hogy bármely két vektor, amelyek hasonlósága nagyobb, mint valamilyen küszöb, valószínűleg közel duplikált. A koszinusz hasonlósági pontszámok a [0, 1] tartományba esnek, és az adatokat nézve a thresh=0.5 küszöbérték nagyjából megfelelőnek tűnik. Ismétlem, ennek nem kell tökéletesnek lennie. Néhány majdnem ismétlődő kép nem valószínű, hogy tönkreteszi előrejelző képességünket, és néhány nem ismétlődő kép eldobása nem befolyásolja lényegesen a modell teljesítményét.
Megtekinthetjük az állítólagos ismétlődéseket, és ellenőrizhetjük, hogy valóban redundánsak-e:
Ha elégedettek vagyunk az eredménnyel, és úgy gondoljuk, hogy ezek a képek valóban csaknem ismétlődnek, kiválaszthatunk egy-egy mintát a hasonló minták mindegyikéből, hogy megtartsuk, a többit figyelmen kívül hagyjuk:
Most ebben a nézetben 3,729 kép található. Az adatok megtisztításával és a Fashion200K adatkészlet egy jó minőségű részhalmazának azonosításával a FiftyOne lehetővé teszi, hogy fókuszunkat több mint 300,000 4,000 képről 98 alatti képre korlátozzuk, ami 90%-os csökkenést jelent. A szinte ismétlődő képek eltávolítására szolgáló beágyazás önmagában több mint XNUMX%-kal csökkentette a mérlegelés alatt álló képek teljes számát, és ez csak csekély, ha egyáltalán nem volt hatással az adatokon betanított modellekre.
Az alhalmaz előzetes címkézése előtt jobban megérthetjük az adatokat, ha megjelenítjük a már kiszámított beágyazásokat. Használhatjuk a FiftyOne Brain beépítettjét compute_visualization(
) módszer, amely az egységes sokasági közelítés (UMAP) technikát alkalmazza az 512-dimenziós beágyazási vektorok kétdimenziós térbe történő kivetítésére, hogy megjeleníthessük őket:
Újat nyitunk Beágyazási panel a FiftyOne alkalmazásban és a cikktípus szerinti színezésben, és láthatjuk, hogy ezek a beágyazások nagyjából a cikktípus fogalmát kódolják (többek között!).
Most készen állunk az adatok előzetes címkézésére.
Ezeket a rendkívül egyedi, nagy felbontású képeket megvizsgálva megfelelő kezdeti listát állíthatunk elő a stílusokról, amelyeket osztályként használhatunk a címkézés előtti nulla lövés szerinti osztályozásunkban. A képek előzetes címkézésekor nem az a célunk, hogy minden képet feltétlenül helyesen címkézzünk fel. Inkább az a célunk, hogy jó kiindulási alapot biztosítsunk az emberi annotátorok számára, így csökkenthetjük a címkézési időt és költséget.
Ezután létrehozhatunk egy nullapontos osztályozási modellt ehhez az alkalmazáshoz. CLIP-modellt használunk, amely egy általános célú modell, amely mind a képekre, mind a természetes nyelvre oktatott. Példányosítunk egy CLIP-modellt a „Clothing in the style” szöveggel, így adott kép alapján a modell azt az osztályt adja ki, amelyhez a „Ruházat stílusban [osztály]” a legjobban illik. A CLIP nem rendelkezik kiskereskedelmi vagy divatspecifikus adatokkal kapcsolatos képzésben, így ez nem lesz tökéletes, de megtakaríthatja a címkézési és megjegyzések költségeit.
Ezután ezt a modellt alkalmazzuk a redukált részhalmazunkra, és az eredményeket egy an article_style
terület:
A FiftyOne App újbóli elindításával ezekkel az előre jelzett stíluscímkékkel vizualizálhatjuk a képeket. Az előrejelzés megbízhatósága szerint rendezzük, így először a legbiztosabb stílusú előrejelzéseket tekintjük meg:
Láthatjuk, hogy a legnagyobb megbízhatóságú előrejelzések a „mez”, „állatmintás”, „pöttyös” és „betűs” stílusokra vonatkoznak. Ez logikus, mert ezek a stílusok viszonylag különböznek egymástól. Az is látszik, hogy a megjósolt stíluscímkék többnyire pontosak.
Megnézhetjük a legalacsonyabb megbízhatóságú stílusú előrejelzéseket is:
E képek némelyikénél a megfelelő stíluskategória megtalálható a megadott listán, és a ruházati cikk helytelenül van felcímkézve. A rács első képének például egyértelműen „álcázás”-nak kell lennie, nem pedig „chevron”. Más esetekben azonban a termékek nem illeszkednek pontosan a stíluskategóriákba. A második sorban lévő második képen látható ruha például nem éppen „csíkos”, de ugyanazokat a címkézési lehetőségeket figyelembe véve egy emberi annotátor is ütközhetett. Adatkészletünk felépítése során el kell döntenünk, hogy eltávolítjuk-e az ehhez hasonló szélső eseteket, új stíluskategóriákat adunk-e hozzá, vagy bővítjük az adatkészletet.
Exportálja a végső adatkészletet a FiftyOne-ból
Exportálja a végső adatkészletet a következő kóddal:
Egy kisebb adathalmazt, például 16 képet exportálhatunk a mappába 200kFashionDatasetExportResult-16Images
. Ennek segítségével létrehozunk egy Ground Truth beállítási feladatot:
Töltse fel a felülvizsgált adatkészletet, alakítsa át a címkeformátumot Ground Truth-ra, töltse fel az Amazon S3-ra, és hozzon létre egy manifest fájlt a beállítási munkához
Átalakíthatjuk az adatkészlet címkéit, hogy megfeleljenek a kimeneti jegyzékséma egy Ground Truth határolódoboz feladatot, és töltse fel a képeket egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör indításához a Ground Truth beállítási munka:
Töltse fel a jegyzékfájlt az Amazon S3-ra a következő kóddal:
Hozzon létre javított stílusú címkéket a Ground Truth segítségével
Ha a Ground Truth segítségével stíluscímkékkel szeretné ellátni adatait, hajtsa végre a szükséges lépéseket a határolódoboz-címkézési feladat elindításához a A Ground Truth használatának megkezdése útmutató az adatkészlettel ugyanabban az S3 tárolóban.
- A SageMaker konzolon hozzon létre egy Ground Truth címkézési feladatot.
- Állítsa be Beviteli adatkészlet helye hogy az előző lépésekben létrehozott manifeszt legyen.
- Adjon meg egy S3 elérési utat Kimeneti adatkészlet helye.
- A IAM szerepkör, választ Adjon meg egy egyéni IAM-szerepet RNS, majd írja be az ARN szerepet.
- A Feladat kategória, választ Kép és válassza ki a Határoló doboz.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Következő.
- A Dolgozók szakaszban válassza ki a felhasználni kívánt munkaerő típusát.
Ezen keresztül választhat munkaerőt Amazon Mechanical Turk, külső szállítók vagy saját magánszemélyek. A munkaerő-beállításokkal kapcsolatos további részletekért lásd: Munkaerő létrehozása és kezelése. - Bontsa Meglévő címkék megjelenítési lehetőségei és válassza ki a Meg akarom jeleníteni a feladathoz tartozó adatkészlet meglévő címkéit.
- A Címke attribútum név, válassza ki a jegyzékből azt a nevet, amely megfelel azoknak a címkéknek, amelyeket módosítani szeretne.
Csak azoknak a címkéknek a címkeattribútumneveit fogja látni, amelyek megfelelnek az előző lépésekben kiválasztott feladattípusnak. - Manuálisan adja meg a címkéket Határolódoboz-címkéző eszköz.
A címkéknek ugyanazokat a címkéket kell tartalmazniuk, mint a nyilvános adatkészletben. Új címkéket adhat hozzá. A következő képernyőkép azt mutatja be, hogyan választhatja ki a dolgozókat és konfigurálhatja az eszközt a címkézési munkához. - A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Preview a kép és az eredeti megjegyzések előnézetéhez.
Most létrehoztunk egy címkézési munkát a Ground Truth-ban. A munkánk végeztével az újonnan generált címkézett adatokat betölthetjük a FiftyOne-ba. A Ground Truth kimeneti adatokat állít elő egy Ground Truth kimeneti jegyzékben. A kimeneti jegyzékfájllal kapcsolatos további részletekért lásd: Határolódoboz feladat kimenet. A következő kód példát mutat erre a kimeneti jegyzékformátumra:
Tekintse át a Ground Truth címkézett eredményeit a FiftyOne-ban
A feladat befejezése után töltse le a címkézési feladat kimeneti jegyzékét az Amazon S3 webhelyről.
Olvassa el a kimeneti jegyzékfájlt:
Hozzon létre egy FiftyOne adatkészletet, és konvertálja a jegyzéksorokat mintákká az adatkészletben:
Mostantól a Ground Truth jó minőségű címkézett adatait láthatja a FiftyOne-ban.
Következtetés
Ebben a bejegyzésben megmutattuk, hogyan lehet kiváló minőségű adatkészleteket készíteni az egyes funkciók erejének kombinálásával XNUMX by voxel51, egy nyílt forráskódú eszközkészlet, amely lehetővé teszi az adatkészlet kezelését, nyomon követését, megjelenítését és gondozását, valamint a Ground Truth nevű adatcímkézési szolgáltatást, amely lehetővé teszi az ML-rendszerek betanításához szükséges adatkészletek hatékony és pontos címkézését, hozzáférést biztosítva több beépített rendszerhez. -feladatsablonokban, valamint hozzáférés a sokszínű munkaerőhöz a Mechanical Turkon, külső szállítókon vagy saját magánmunkaerőn keresztül.
Javasoljuk, hogy próbálja ki ezt az új funkciót egy FiftyOne példány telepítésével és a Ground Truth konzol használatával az induláshoz. Ha többet szeretne megtudni a Ground Truth-ról, tekintse meg a Címke adatok, Az Amazon SageMaker adatcímkézési GYIK, És a AWS gépi tanulási blog.
Csatlakozzon a Gépi tanulás és AI közösség ha bármilyen kérdése vagy visszajelzése van!
Csatlakozz a FiftyOne közösséghez!
Csatlakozzon a több ezer mérnökhöz és adattudóshoz, akik már használják a FiftyOne-t, hogy megoldják a számítógépes látás egyik legnagyobb kihívást jelentő problémáját!
A szerzőkről
Shalendra Chhabra jelenleg az Amazon SageMaker Human-in-the-Loop (HIL) szolgáltatások termékkezelési részlegének vezetője. Korábban Shalendra inkubálta és vezette a Microsoft Teams Meetings nyelvi és beszélgetési intelligenciáját, EIR volt az Amazon Alexa Techstars Startup Acceleratornál, a termék és marketing alelnöke Discuss.io, a Clipboard termék- és marketingvezetője (a Salesforce felvásárolta), valamint a Swype vezető termékmenedzsere (a Nuance felvásárolta). A Shalendra összesen több mint egymilliárd életet megérintő termékek felépítésében, szállításában és értékesítésében segített.
Jacob Marks a Voxel51 gépi tanulási mérnöke és fejlesztő evangélistája, ahol segít átláthatóságot és egyértelműséget hozni a világ adataihoz. Mielőtt csatlakozott volna a Voxel51-hez, Jacob egy startupot alapított, hogy segítsen a feltörekvő zenészeknek kapcsolatba lépni és kreatív tartalmakat megosztani a rajongókkal. Előtte a Google X-nél, a Samsung Researchnél és a Wolfram Researchnél dolgozott. Egy korábbi életében Jacob elméleti fizikus volt, doktori fokozatát Stanfordon végezte, ahol az anyag kvantumfázisait kutatta. Szabadidejében Jacob szívesen mászik, fut, és tudományos-fantasztikus regényeket olvas.
Jason Corso társalapítója és vezérigazgatója a Voxel51-nek, ahol olyan stratégiát irányít, amely a legkorszerűbb, rugalmas szoftverek segítségével átláthatóbbá és egyértelműbbé teszi a világ adatait. Emellett a Michigani Egyetem robotika, villamosmérnöki és számítástechnikai professzora, ahol a számítógépes látás, a természetes nyelv és a fizikai platformok metszéspontjában fellépő élvonalbeli problémákra összpontosít. Szabadidejében Jason szívesen tölt időt a családjával, olvas, a természetben tartózkodik, társasjátékoz, és mindenféle kreatív tevékenységet folytat.
Brian Moore a Voxel51 társalapítója és műszaki igazgatója, ahol a műszaki stratégiát és a jövőképet vezeti. A Michigani Egyetemen szerzett villamosmérnöki PhD fokozatot, ahol kutatásai a nagyszabású gépi tanulási problémák hatékony algoritmusaira összpontosítottak, különös tekintettel a számítógépes látás alkalmazásaira. Szabadidejében szeret tollaslabdázni, golfozni, túrázni, és iker Yorkshire terriereivel játszik.
Zhuling Bai az Amazon Web Services szoftverfejlesztő mérnöke. Nagyméretű elosztott rendszerek fejlesztésén dolgozik a gépi tanulási problémák megoldására.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/create-high-quality-datasets-with-amazon-sagemaker-ground-truth-and-fiftyone/
- :van
- :is
- :nem
- :ahol
- $ UP
- 000
- 1
- 10
- 11
- 13
- 14
- 20
- 200
- 2017
- 23
- 24
- 250
- 28
- 30
- 500
- 66
- 7
- 8
- 9
- a
- Rólunk
- gyorsul
- gyorsuló
- gázpedál
- hozzáférés
- pontos
- pontosan
- szerzett
- tevékenységek
- hozzá
- hozzáadásával
- cím
- Beállított
- Beállítás
- Után
- újra
- AI
- Alexa
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- kizárólag
- már
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Az Amazon Web Services
- között
- an
- elemez
- és a
- állat
- bármilyen
- app
- Alkalmazás
- alkalmazások
- alkalmaz
- megfelelő
- VANNAK
- elrendezve
- cikkben
- cikkek
- AS
- társult
- At
- szerzők
- el
- AWS
- bázis
- alapján
- BE
- mert
- válik
- óta
- előtt
- mögött
- a színfalak mögött
- hogy
- Hisz
- BEST
- Jobb
- között
- Billió
- bizottság
- Társasjátékok
- CSONT
- Bootstrap
- mindkét
- Doboz
- dobozok
- Agy
- szünet
- hoz
- hozott
- költségvetés
- épít
- Épület
- beépített
- de
- megvesz
- by
- TUD
- Rögzítése
- eset
- esetek
- kategóriák
- Kategória
- vezérigazgató
- kihívás
- kihívást
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- világosság
- osztály
- osztályok
- besorolás
- Takarításra
- világos
- világosan
- vásárló
- Mászó
- közel
- közelebb
- ruházat
- Ruházat
- Társalapító
- kód
- össze
- kombinálása
- vállalat
- Kiegészítés
- teljes
- kitöltésével
- Kiszámít
- számítógép
- Computer Science
- Számítógépes látás
- Computer Vision alkalmazások
- bizalom
- magabiztos
- Csatlakozás
- megfontolás
- Összeáll
- Konzol
- tartalmaz
- tartalmaz
- tartalom
- tartalom
- vezérelt
- társalgó
- megtérít
- Mag
- korrigált
- megfelel
- Költség
- kiadások
- teremt
- készítette
- Kreatív
- Hitelesítő adatok
- CTO
- a válogatott
- kurátorképzésének
- Jelenleg
- szokás
- vevő
- Ügyfelek
- vágás
- élvonalbeli
- dátum
- adatkészletek
- dönt
- bizonyítani
- Farmeranyag
- mélység
- leírás
- részletek
- Érzékelés
- Fejlesztő
- fejlesztése
- Fejlesztés
- különböző
- közvetlenül
- könyvtárak
- kijelző
- különböző
- megosztott
- elosztott rendszerek
- számos
- do
- Nem
- Kutya
- Ennek
- csinált
- ne
- DOT
- le-
- letöltés
- ismétlődések
- e
- minden
- könnyű
- él
- hatás
- hatékony
- eredményesen
- beágyazás
- csiszolókő
- hangsúly
- alkalmaz
- felhatalmazza
- tokozott
- ösztönzése
- végén
- mérnök
- Mérnöki
- Mérnökök
- belép
- Környezet
- egyenlőség
- alapvető
- megalapozott
- értékelő
- Evangélista
- pontosan
- példa
- létező
- export
- meglehetősen
- család
- rajongók
- Visszacsatolás
- kevés
- Fiction
- mező
- Fields
- filé
- Fájlok
- szűrő
- szűrő
- utolsó
- vezetéknév
- megfelelő
- rugalmas
- Összpontosít
- összpontosított
- koncentrál
- következő
- A
- forma
- formátum
- szerencsére
- Alapított
- négy
- Ingyenes
- ból ből
- teljesen
- funkcionalitás
- Games
- Általános rendeltetésű
- generál
- generált
- kap
- GitHub
- Ad
- adott
- cél
- golf
- jó
- Grafikus
- nagyobb
- Rács
- Földi
- Csoport
- útmutató
- boldog
- Legyen
- he
- fej
- magasság
- segít
- segített
- hasznos
- segít
- itt
- jó minőségű
- nagy felbontású
- legnagyobb
- nagyon
- övé
- tart
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- emberi
- i
- ID
- azonosítani
- azonosító
- ids
- if
- kép
- képek
- Hatás
- importál
- javuló
- in
- Más
- Beleértve
- tévesen
- inkubált
- információ
- kezdetben
- alapvetően
- telepíteni
- telepítése
- példa
- helyette
- utasítás
- Intelligencia
- útkereszteződés
- bele
- IT
- ITS
- Jersey
- Munka
- csatlakozott
- közös
- json
- éppen
- Tart
- tartás
- Címke
- címkézés
- Címkék
- nyelv
- nagyarányú
- indít
- indítás
- vezet
- vezetékek
- TANUL
- tanulás
- legkevésbé
- Led
- balra
- Lets
- könyvtár
- élet
- mint
- Valószínű
- LIMIT
- Korlátozott
- vonal
- vonalak
- Lista
- felsorolás
- listák
- kis
- életek
- kiszámításának
- néz
- keres
- Sok
- Elő/Utó
- gép
- gépi tanulás
- készült
- mágia
- csinál
- KÉSZÍT
- kezelése
- sikerült
- vezetés
- menedzser
- sok
- térkép
- piacára
- Marketing
- Mérkőzés
- egyező
- jelentősen
- Anyag
- Lehet..
- mechanikai
- Média
- találkozók
- meta
- Metaadatok
- módszer
- mód
- Michigan
- microsoft
- microsoft csapatok
- esetleg
- minimum
- ML
- Mobil
- Mobil alkalmazás
- modell
- modellek
- Modulok
- több
- a legtöbb
- mozog
- sok
- többszörös
- zenészek
- kell
- név
- Nevezett
- nevek
- Természetes
- Természet
- Közel
- szükségszerűen
- elengedhetetlen
- Szükség
- igények
- Új
- szemmel láthatóan
- fogalom
- Most
- Árnyalat
- szám
- tárgy
- Objektumfelismerés
- objektumok
- of
- hivatalos
- on
- egyszer
- ONE
- online
- csak
- nyitva
- nyílt forráskódú
- Művelet
- Alkalom
- Opciók
- or
- Szervezett
- eredeti
- OS
- Más
- Egyéb
- mi
- ki
- vázolt
- teljesítmény
- felett
- saját
- tulajdonosa
- Csomagok
- párosított
- rész
- különös
- múlt
- ösvény
- Mintás
- minták
- tökéletes
- teljesítmény
- person
- Személyre
- Az anyag fázisai
- fizikai
- vedd
- képek
- PLÉD
- Egyszerű
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- benépesített
- lehetséges
- állás
- hatalom
- gyakorlat
- jósolt
- előrejelzés
- Tippek
- Preview
- előző
- korábban
- Előzetes
- magán
- valószínűleg
- problémák
- folyamat
- Termékek
- termékmenedzsment
- termék menedzser
- Termékek
- Egyetemi tanár
- program
- ingatlan
- leendő
- prototípus
- ad
- feltéve,
- amely
- nyilvános
- célokra
- Piton
- Kvantum
- Kérdések
- gyorsan
- hatótávolság
- Inkább
- Olvasás
- kész
- ajánl
- ajánlások
- csökkenteni
- Csökkent
- csökkentés
- viszonylag
- felszabaduló
- eltávolítása
- reprezentatív
- képviselő
- kötelező
- kutatás
- kutatók
- Felbontás
- korlátoz
- eredményez
- kapott
- Eredmények
- kiskereskedelem
- visszatérés
- Kritika
- megszabadít
- robotika
- erős
- Szerep
- nagyjából
- SOR
- rom
- futás
- sagemaker
- Mondott
- értékesítési erő
- azonos
- Samsung
- Megtakarítás
- jelenetek
- Tudomány
- Tudományos fantasztikum
- tudósok
- pontszám
- zökkenőmentesen
- Második
- Rész
- szakaszok
- lát
- látszik
- Úgy tűnik,
- kiválasztott
- értelemben
- különálló
- szolgáltatás
- Szolgáltatások
- ülés
- készlet
- Megosztás
- ő
- HAJÓ
- kellene
- előadás
- Műsorok
- IGEN
- hasonló
- Egyszerű
- kisebb
- So
- szoftver
- szoftverfejlesztés
- SOLVE
- néhány
- Valaki
- valami
- Hely
- költ
- Költési
- osztott
- szakadások
- Stanford
- kezdet
- kezdődött
- Kezdve
- indítás
- csúcs-
- Lépései
- Még mindig
- tárolás
- tárolni
- Stratégia
- stílus
- ÖSSZEFOGLALÓ
- Támogatott
- Systems
- Vesz
- Feladat
- csapat
- Műszaki
- megmondja
- sablonok
- teszt
- mint
- hogy
- A
- azok
- Őket
- akkor
- elméleti
- Ott.
- Ezek
- ők
- dolgok
- Szerintem
- harmadik fél
- ezt
- ezer
- küszöb
- Keresztül
- Dobás
- idő
- nak nek
- együtt
- szerszám
- eszköztár
- felső
- felső szint
- Felsők
- Végösszeg
- érintett
- vágány
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átláthatóság
- igaz
- igazság
- FORDULAT
- kettő
- típus
- típusok
- alatt
- megért
- egyedi
- egyetemi
- Frissítések
- us
- használ
- használati eset
- használt
- használó
- Felhasználók
- segítségével
- Értékek
- fajta
- különféle
- gyártók
- ellenőrzése
- nagyon
- keresztül
- Megnézem
- Tényleges
- látomás
- akar
- volt
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- vajon
- ami
- szélesség
- Wikipedia
- lesz
- val vel
- belül
- nélkül
- Női
- szavak
- Munka
- dolgozott
- dolgozók
- munkaerő
- művek
- világ
- aggódik
- lenne
- ír
- X
- te
- A te
- zephyrnet
- Postai irányítószám
- ZOO