Ebben a kétrészes sorozatban bemutatjuk, hogyan lehet modelleket címkézni és betanítani a 3D objektumészlelési feladatokhoz. Az 1. részben tárgyaljuk az általunk használt adatkészletet, valamint az adatok megértéséhez és címkézéséhez szükséges előfeldolgozási lépéseket. A 2. részben bemutatjuk, hogyan lehet betanítani egy modellt az adathalmazra és üzembe helyezni az éles környezetben.
LIDAR (fényérzékelés és hatótávolság) a hatótávolságok meghatározására szolgáló módszer egy tárgy vagy felület lézerrel történő megcélzásával és a visszavert fény vevőbe való visszatérésének idejének mérésével. Az autonóm járműgyártó cégek általában LiDAR érzékelőket használnak a járműveiket körülvevő környezet 3D-s megértéséhez.
Ahogy a LiDAR érzékelők elérhetőbbé és költséghatékonyabbá válnak, az ügyfelek egyre gyakrabban használják a pontfelhő-adatokat olyan új területeken, mint a robotika, a jeltérképezés és a kiterjesztett valóság. Néhány új mobileszköz még LiDAR érzékelőket is tartalmaz. A LiDAR érzékelők növekvő elérhetősége megnövelte az érdeklődést a gépi tanulási (ML) feladatokhoz, például a 3D-s objektumészlelés és -követés, a 3D-s szegmentálás, a 3D-s objektumszintézis és a rekonstrukció, valamint a 3D-s adatok felhasználása a 2D-s mélységbecslés validálására szolgáló pontfelhő-adatok iránt.
Ebben a sorozatban bemutatjuk, hogyan lehet betanítani egy objektumészlelési modellt, amely pontfelhő adatokon fut, hogy előre jelezze a járművek helyzetét egy 3D-s jelenetben. Ebben a bejegyzésben kifejezetten a LiDAR adatok címkézésére összpontosítunk. A szabványos LiDAR érzékelő kimenet 3D pontfelhő képkockák sorozata, tipikus rögzítési sebessége 10 képkocka/másodperc. Ennek az érzékelő kimenetnek a címkézéséhez szüksége van egy címkéző eszközre, amely képes kezelni a 3D adatokat. Amazon SageMaker Ground Truth megkönnyíti az objektumok címkézését egyetlen 3D keretben vagy 3D pontfelhő keretek sorozatában az ML képzési adatkészletek létrehozásához. A Ground Truth támogatja a kamera és a LiDAR adatok szenzoros fúzióját is akár nyolc videokamera bemenettel.
Az adatok minden ML projekthez nélkülözhetetlenek. A 3D adatok forrása, megjelenítése és címkézése különösen nehézkes lehet. Használjuk a A2D2 adatkészlet ebben a bejegyzésben, és végigvezeti a vizualizálás és a címkézés lépésein.
Az A2D2 40,000 12,499 képkockát tartalmaz szemantikai szegmentációval és pontfelhő-címkékkel, köztük 3 12,499 képkockát 3D határolódoboz-címkékkel. Mivel az objektumészlelésre összpontosítunk, a 14 XNUMX képkocka érdekel minket, amelyek XNUMXD határolódoboz-címkékkel vannak ellátva. Ezek a megjegyzések XNUMX, a vezetés szempontjából releváns osztályt tartalmaznak, mint például autó, gyalogos, teherautó, busz stb.
Az alábbi táblázat a teljes osztálylistát mutatja:
index | Osztálylista |
1 | állat |
2 | kerékpár |
3 | busz |
4 | autó |
5 | lakókocsi szállító |
6 | kerékpáros |
7 | sürgősségi jármű |
8 | motoros |
9 | motorkerékpár |
10 | gyalogos |
11 | utánfutó |
12 | teherautó |
13 | haszonjármű |
14 | furgon/terepjáró |
Az érzékelőnket arra fogjuk képezni, hogy specifikusan észlelje az autókat, mivel ez a leggyakoribb osztály az adatkészletünkben (az adatkészlet 32616 objektumából 42816 van autóként jelölve).
Megoldás áttekintése
Ebben a sorozatban bemutatjuk, hogyan lehet vizualizálni és címkézni az adatokat az Amazon SageMaker Ground Truth segítségével, és bemutatjuk, hogyan lehet ezeket az adatokat egy Amazon SageMaker képzési munkában felhasználni egy Amazon SageMaker végponton telepített objektumészlelési modell létrehozására. Konkrétan egy Amazon SageMaker notebookot fogunk használni a megoldás működtetéséhez, valamint a címkézési vagy oktatási munkák elindításához.
A következő diagram az érzékelőadatok általános áramlását mutatja a címkézéstől a betanításon át a telepítésig:
Megtanulja, hogyan taníthat és telepíthet valós idejű 3D objektumészlelési modellt Amazon SageMaker Az igazság alapja a következő lépésekkel:
- Töltsön le és jelenítsen meg egy pontfelhő adatkészletet
- Az adatok előkészítése a Amazon SageMaker Ground Truth pontfelhő eszköz
- Indítson el egy elosztott Amazon SageMaker Ground Truth képzési munkát MMDetection3D
- Értékelje a képzési munkája eredményeit, és készítse el erőforrás-felhasználását Amazon SageMaker Debugger
- Telepítsen egy aszinkront SageMaker végpont
- Hívja fel a végpontot és vizualizálja a 3D objektum-előrejelzéseket
A megoldás megvalósításához használt AWS-szolgáltatások
Előfeltételek
A következő diagram bemutatja, hogyan hozhat létre magánmunkaerőt. Az írásos, lépésenkénti utasításokat lásd Hozzon létre egy Amazon Cognito munkaerőt a Labeling Workforces oldal segítségével.
Az AWS CloudFormation verem elindítása
Most, hogy látta a megoldás felépítését, telepítse azt a fiókjába, így futtathat egy példa munkafolyamatot. A címkézési folyamathoz kapcsolódó összes telepítési lépést az AWS CloudFormation kezeli. Ez azt jelenti, hogy az AWS Cloudformation létrehozza a notebook-példányt, valamint minden szerepkört vagy Amazon S3 Bucket-et, hogy támogassa a megoldás futtatását.
A verem elindítható az AWS régióban us-east-1
az AWS CloudFormation konzolon a Indítsa el a Stack alkalmazást
gomb. A verem másik régióban való elindításához kövesse a README-ben található utasításokat GitHub tárház.
Ez körülbelül 20 percet vesz igénybe az összes erőforrás létrehozásához. Az AWS CloudFormation felhasználói felületéről (UI) nyomon követheti a folyamatot.
Miután a CloudFormation-sablon fut, térjen vissza az AWS-konzolhoz.
A Jegyzetfüzet megnyitása
Az Amazon SageMaker notebook példányok ML számítási példányok, amelyek a Jupyter Notebook App alkalmazásban futnak. Az Amazon SageMaker kezeli a példányok és a kapcsolódó erőforrások létrehozását. Használja a Jupyter notebookokat a notebook példányában adatok előkészítésére és feldolgozására, kód írására a modellek betanításához, modellek telepítéséhez az Amazon SageMaker tárhelyre, valamint a modellek tesztelésére vagy érvényesítésére.
Kövesse a következő lépéseket az Amazon SageMaker Notebook környezet eléréséhez:
- A szolgáltatások alatt keressen Amazon SageMaker.
- Alatt jegyzetfüzetválassza Notebook példányok.
- A Notebook példányt ki kell építeni. Válassza a Megnyitás lehetőséget jupyter laboralatt található, előre telepített Notebook példány jobb oldalán Hozzászólások.
- Az oldal betöltésekor egy ehhez hasonló ikont fog látni:
- A rendszer átirányítja egy új böngészőlapra, amely az alábbi ábrához hasonlóan néz ki:
- Miután az Amazon SageMaker Notebook Instance Launcher felhasználói felületén van. A bal oldali sávon válassza ki a megy ikont az alábbi ábra szerint.
- választ Adattár klónozása opciót.
- Írja be a GitHub URL-t (https://github.com/aws-samples/end-2-end-3d-ml) a felugró ablakban, és válassza ki klón.
- választ File Browser a GitHub mappa megtekintéséhez.
- Nyissa meg a jegyzetfüzetet
1_visualization.ipynb.
A notebook kezelése
Áttekintés
A jegyzetfüzet első néhány cellája a című részben Letöltött fájlok végigvezeti az adatkészlet letöltését és a benne lévő fájlok ellenőrzését. A cellák végrehajtása után néhány percig tart, amíg az adatok letöltése befejeződik.
A letöltés után áttekintheti az A2D2 fájlszerkezetét, amely a jelenetek vagy meghajtók listája. A jelenet a járművünkből származó szenzoradatok rövid rögzítése. Az A2D2 ebből a jelenetből 18-at biztosít számunkra, amelyeken edzhetünk, amelyek mindegyike egyedi dátumokkal azonosítható. Minden jelenet 2D kameraadatokat, 2D címkéket, 3D téglatestű megjegyzéseket és 3D pontfelhőket tartalmaz.
Az A2D2 adatkészlet fájlstruktúráját a következőkkel tekintheti meg:
A2D2 érzékelő beállítása
A következő rész végigvezeti a pontfelhő-adatok egy részének elolvasását, hogy megbizonyosodjunk arról, hogy helyesen értelmezzük, és megjeleníthetjük a notebookban, mielőtt megpróbálnánk adatcímkézésre kész formátumba konvertálni.
Bármilyen autonóm vezetési beállításhoz, ahol 2D és 3D szenzoradatok állnak rendelkezésünkre, elengedhetetlen az érzékelő kalibrálási adatainak rögzítése. A nyers adatok mellett letöltöttük is cams_lidar.json
. Ez a fájl tartalmazza az egyes érzékelők fordítását és tájolását a jármű koordináta-keretéhez képest, ezt nevezhetjük az érzékelő pózának vagy térbeli elhelyezkedésének is. Ez fontos a pontok érzékelő koordinátakeretéből a jármű koordinátakeretébe történő konvertálásához. Más szóval, fontos a 2D és 3D érzékelők megjelenítéséhez, miközben a jármű halad. A jármű koordinátakeretét a jármű közepén lévő statikus pontként határozzuk meg, ahol az x tengely a jármű előrehaladásának irányában van, az y tengely a bal és a jobb oldalt jelöli, a bal pedig pozitív, és a z- tengely, amely a jármű tetején keresztül mutat. Az (X,Y,Z) (5,2,1) pont azt jelenti, hogy ez a pont 5 méterrel a járművünk előtt, 2 méterrel balra, és 1 méterrel a járművünk felett van. Ezekkel a kalibrációkkal 3D pontokat is kivetíthetünk a 2D képünkre, ami különösen hasznos pontfelhő-címkézési feladatoknál.
A jármű érzékelőinek beállításának megtekintéséhez tekintse meg az alábbi ábrát.
A pontfelhő-adatok, amelyekre oktatunk, kifejezetten az elülső kamerához vagy a kamera elülső közepéhez igazodnak:
Ez megegyezik a kamera érzékelőinek 3D-s vizualizációjával:
A notebook ezen része végigkíséri annak ellenőrzését, hogy az A2D2 adatkészlet megfelel-e az érzékelő pozíciókkal kapcsolatos elvárásainknak, és hogy képesek vagyunk-e a pontfelhő-érzékelők adatait a kamera keretébe igazítani. Nyugodtan futtassa át az összes cellát a címen Vetítés 3D-ből 2D-be pontfelhő adatfedvényének megtekintéséhez a következő kameraképen.
Konverzió az Amazon SageMaker Ground Truth-ra
Miután megjelenítettük adatainkat a notebookunkban, magabiztosan konvertálhatjuk pontfelhőinket Amazonba A SageMaker Ground Truth 3D formátuma címkéink ellenőrzésére és módosítására. Ez a rész végigvezeti az A2D2 adatformátumának Amazon formátumba való konvertálását SageMaker Ground Truth sorozatfájl, az objektumkövetési modalitás által használt bemeneti formátummal.
A sorozatfájl formátum tartalmazza a pontfelhő-formátumokat, az egyes pontfelhőkhöz társított képeket, valamint az érzékelők helyzetére és tájolására vonatkozó összes adatot, amely a képek pontfelhőkhöz való igazításához szükséges. Ezeket az átalakításokat az előző részből olvasott szenzorinformációk felhasználásával hajtják végre. A következő példa az Amazon SageMaker Ground Truth sorozatfájl-formátuma, amely egyetlen időlépéssel ír le egy sorozatot.
Ennek az időlépésnek a pontfelhője a következő helyen található: s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
és formátuma van <x coordinate> <y coordinate> <z coordinate>
.
A pontfelhőhöz társított egyetlen kamerakép a címen található s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Figyeljük meg, hogy az összes kameraparamétert definiáló sorozatfájlt vesszük, amely lehetővé teszi a kivetítést a pontfelhőből a kamerába és vissza.
Az erre a bemeneti formátumra való konvertáláshoz az A2D2 adatformátumából az Amazon SageMaker Ground Truth által támogatott adatformátumokká konvertálást kell írnunk. Ez ugyanaz a folyamat, amelyen mindenkinek át kell mennie, amikor saját adatait viszi be címkézésre. Lépésről lépésre végigjárjuk, hogyan működik ez az átalakítás. Ha követi a jegyzetfüzetet, nézze meg a megnevezett függvényt a2d2_scene_to_smgt_sequence_and_seq_label
.
Pontfelhő átalakítás
Az első lépés az adatok konvertálása egy tömörített Numpy-formátumú fájlból (NPZ), amelyet a numpy fájllal hoztak létre.ismer módszerrel, egy elfogadott nyers 3D formátum az Amazon SageMaker Ground Truth számára. Pontosabban, pontonként egy sort tartalmazó fájlt generálunk. Minden 3D pontot három lebegőpontos X, Y és Z koordináta határoz meg. Amikor megadjuk a formátumunkat a sorozatfájlban, akkor a karakterláncot használjuk text/xyz
hogy ezt a formátumot képviselje. Az Amazon SageMaker Ground Truth támogatja az intenzitásértékek vagy a Red Green Blue (RGB) pontok hozzáadását is.
Az A2D2 NPZ-fájljai több Numpy-tömböt tartalmaznak, mindegyiknek saját neve van. Az átalakítás végrehajtásához betöltjük az NPZ fájlt a Numpy's segítségével kiszámításának metódussal érheti el a hívott tömböt pont (azaz egy Nx3 tömb, ahol N a pontok száma a pontfelhőben), és mentse el szövegként egy új fájlba a Numpy's segítségével savetxt módszer.
Kép előfeldolgozása
Ezután elkészítjük a képfájljainkat. Az A2D2 PNG képeket biztosít, az Amazon SageMaker Ground Truth pedig támogatja a PNG képeket; ezek a képek azonban torzak. A torzítás gyakran azért következik be, mert a képfelvevő lencse nincs párhuzamosan a képalkotó síkkal, ami miatt a kép egyes részei közelebbről néznek ki a vártnál. Ez a torzítás leírja a különbséget a fizikai kamera és az an idealizált tűlyuk kamera modell. Ha a torzítást nem vesszük figyelembe, akkor az Amazon SageMaker Ground Truth nem fogja tudni renderelni a 3D-s pontjainkat a kameranézetek tetején, ami megnehezíti a címkézést. A kamera kalibrálásával kapcsolatos oktatóanyagért tekintse meg ezt a dokumentációt OpenCV.
Míg az Amazon SageMaker Ground Truth támogatja a torzítási együtthatókat a bemeneti fájljában, a címkézési feladat előtt előfeldolgozást is végezhet. Mivel az A2D2 segítőkódot biztosít a torzításmentesség végrehajtásához, ezt alkalmazzuk a képre, és a torzítással kapcsolatos mezőket kihagyjuk a sorozatfájlunkból. Vegye figyelembe, hogy a torzítással kapcsolatos mezők tartalmazzák k1, k2, k3, k4, p1, p2 és ferde.
A kamera helyzete, tájolása és vetítési konverziója
A címkézéshez szükséges nyers adatfájlokon túl a sorozatfájlnak szüksége van a kamera helyzetére és tájolására vonatkozó információkra is, hogy végrehajtsa a 3D pontok vetítését a 2D kameranézetekbe. Tudnunk kell, hogy a kamera merre néz a 3D térben, hogy kitaláljuk, hogyan kell a 3D téglatestű címkéket és 3D pontokat a képeink tetején megjeleníteni.
Mivel a szenzorpozícióinkat az A2D2 szenzorbeállítások szakaszában egy közös transzformációs kezelőbe töltöttük be, könnyen lekérdezhetjük a transzformációkezelőtől a kívánt információkat. Esetünkben a jármű helyzetét (0, 0, 0)-ként kezeljük minden egyes keretben, mivel nem rendelkezünk az A2D2 objektumérzékelési adatkészlete által biztosított érzékelő helyzetinformációival. Tehát járművünkhöz képest a kamera irányát és helyzetét a következő kód írja le:
Most, hogy a pozíció és a tájolás megtörtént, meg kell adnunk az fx, fy, cx és cy értékeket is, minden egyes kamera paraméterét sorozatfájl formátumban.
Ezek a paraméterek a kameramátrixban szereplő értékekre vonatkoznak. Míg a pozíció és a tájolás leírja, hogy a kamera milyen irányba néz, a kameramátrix leírja a kamera látómezőjét, és azt, hogy a kamerához viszonyított 3D-pont pontosan hogyan alakul 2D-s pixelponttá a képen.
Az A2D2 kameramátrixot biztosít. A következő kódban egy referenciakamera mátrix látható, valamint, hogy notebookunk hogyan indexeli ezt a mátrixot, hogy megkapja a megfelelő mezőket.
Az A2D2 formátumából elemzett összes mezővel elmenthetjük a szekvenciafájlt és használhatjuk egy Amazonban. SageMaker Ground Truth bemeneti jegyzékfájl címkézési munka megkezdéséhez. Ez a címkézési feladat lehetővé teszi számunkra, hogy 3D-s határolódoboz-címkéket hozzunk létre, amelyeket a 3D-s modellképzéshez használunk.
Futtassa az összes cellát a jegyzetfüzet végéig, és győződjön meg arról, hogy cserélje ki a workteam
ARN az Amazon SageMaker Ground Truth segítségével workteam
ARN létrehozta az előfeltételt. Körülbelül 10 percnyi címkézési munka létrehozása után képesnek kell lennie bejelentkezni a munkavállalói portálra, és használni a címkéző felhasználói felület hogy vizualizáld a jelenetedet.
Tisztítsuk meg
Törölje az AWS CloudFormation veremét, amelyet a következővel telepített Indítsa el a Stack alkalmazást nevű gomb ThreeD
az AWS CloudFormation konzolban, hogy távolítsa el az ebben a bejegyzésben használt összes erőforrást, beleértve a futó példányokat is.
Becsült költségek
A hozzávetőleges költség 5 dollár 2 órára.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan lehet 3D-s adatokat venni, és címkézésre kész formává alakítani az Amazon SageMaker Ground Truth alkalmazásban. Ezekkel a lépésekkel felcímkézheti saját 3D adatait az objektumészlelési modellek betanításához. A sorozat következő bejegyzésében megmutatjuk, hogyan veheti fel az A2D2-t, és hogyan taníthat meg egy tárgydetektor-modellt az adatkészletben már található címkéken.
Boldog építkezést!
A szerzőkről
Isaac Privitera vezető adattudós a Amazon Machine Learning Solutions Lab, ahol személyre szabott gépi tanulási és mély tanulási megoldásokat fejleszt az ügyfelek üzleti problémáinak megoldására. Elsősorban a számítógépes látás területén dolgozik, és az AWS-ügyfelek számára elosztott képzést és aktív tanulást tesz lehetővé.
Vidya Sagar Ravipati igazgatója a Amazon Machine Learning Solutions Lab, ahol a nagyszabású elosztott rendszerek terén szerzett hatalmas tapasztalatát és a gépi tanulás iránti szenvedélyét kamatoztatja, hogy segítse az AWS ügyfeleit a különböző iparágakban az AI és a felhő alkalmazásának felgyorsításában. Korábban gépi tanulási mérnökként dolgozott az Amazon Connectivity Services területén, és segített személyre szabott és prediktív karbantartási platformok felépítésében.
Jeremy Feltracco szoftverfejlesztő mérnök, th Amazon Machine Learning Solutions Lab az Amazon Web Servicesnél. A számítógépes látás, a robotika és a gépi tanulás területén szerzett hátterét felhasználva segíti az AWS-ügyfeleket a mesterséges intelligencia alkalmazásának felgyorsításában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :is
- $ UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Képes
- Rólunk
- felett
- gyorsul
- hozzáférés
- hozzáférhető
- Fiók
- át
- aktív
- mellett
- cím
- Örökbefogadás
- Után
- előre
- AI
- igazított
- Minden termék
- lehetővé teszi, hogy
- már
- amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Az Amazon Web Services
- és a
- bárki
- app
- alkalmaz
- megfelelő
- körülbelül
- építészet
- VANNAK
- területek
- körül
- Sor
- AS
- társult
- At
- bővített
- Kiterjesztett valóság
- autonóm
- elérhetőség
- AWS
- AWS felhőképződés
- vissza
- háttér
- BE
- mert
- válik
- előtt
- hogy
- lent
- között
- Kék
- Doboz
- Bringing
- böngésző
- épít
- Épület
- busz
- üzleti
- gomb
- by
- hívott
- szoba
- TUD
- elfog
- Rögzítése
- autó
- autók
- eset
- Cellák
- Központ
- 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
- osztály
- osztályok
- közelebb
- felhő
- felhő elfogadása
- kód
- Közös
- Companies
- teljes
- Kiszámít
- számítógép
- Számítógépes látás
- magabiztosan
- Connectivity
- Konzol
- tartalmaz
- tartalmaz
- Átalakítás
- konverziók
- megtérít
- átalakított
- koordináta
- Költség
- költséghatékony
- terjed
- teremt
- készítette
- teremt
- teremtés
- Ügyfelek
- CX
- dátum
- adattudós
- adatkészletek
- Időpontok
- mély
- mély tanulás
- meghatározott
- Annak meghatározása,
- bizonyítani
- igazolták
- mutatja
- telepíteni
- telepített
- bevetés
- mélység
- leírni
- leírt
- Érzékelés
- meghatározó
- Fejlesztés
- fejleszt
- Eszközök
- különbség
- különböző
- nehéz
- irány
- megvitatni
- megosztott
- elosztott rendszerek
- elosztott képzés
- dokumentáció
- ne
- letöltés
- vezetés
- e
- minden
- könnyen
- lehetővé téve
- Endpoint
- mérnök
- biztosítására
- Környezet
- különösen
- alapvető
- stb.
- Még
- pontosan
- példa
- várakozások
- várható
- tapasztalat
- néző
- kevés
- mező
- Fields
- Ábra
- filé
- Fájlok
- befejezni
- vezetéknév
- úszó
- áramlási
- Összpontosít
- összpontosítás
- következő
- A
- forma
- formátum
- Előre
- talált
- KERET
- Ingyenes
- ból ből
- front
- funkció
- magfúzió
- FX
- generál
- generált
- kap
- gif
- megy
- GitHub
- Go
- Goes
- Zöld
- Földi
- Növekvő
- fogantyú
- Legyen
- tekintettel
- Cím
- segít
- segített
- hasznos
- tárhely
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- i
- ICON
- azonosított
- kép
- képek
- Leképezés
- végre
- fontos
- in
- Más
- tartalmaz
- magában foglalja a
- Beleértve
- <p></p>
- egyre inkább
- indexek
- ipar
- információ
- bemenet
- példa
- utasítás
- kamat
- érdekelt
- Felület
- IT
- ITS
- Munka
- Állások
- jpg
- json
- Kedves
- Ismer
- Címke
- címkézés
- Címkék
- nagyarányú
- lézer
- indít
- TANUL
- tanulás
- Szabadság
- kihasználja
- fény
- mint
- Lista
- kiszámításának
- terhelések
- található
- elhelyezkedés
- néz
- keres
- MEGJELENÉS
- gép
- gépi tanulás
- karbantartás
- csinál
- KÉSZÍT
- sikerült
- menedzser
- kezeli
- térképészet
- Mátrix
- eszközök
- mérő
- módszer
- Perc
- ML
- Mobil
- mobil eszközök
- modell
- modellek
- monitor
- több
- a legtöbb
- mozgalom
- többszörös
- név
- Nevezett
- Szükség
- Új
- következő
- jegyzetfüzet
- szám
- számtalan
- tárgy
- Objektumfelismerés
- objektumok
- of
- on
- ONE
- nyitva
- OpenCV
- működik
- opció
- Más
- teljesítmény
- átfogó
- saját
- oldal
- Párhuzamos
- paraméterek
- rész
- különös
- szenvedély
- ösvény
- Teljesít
- Testreszabás
- fizikai
- csővezeték
- pixel
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- pont
- Portál
- pozíció
- pozíciók
- pozitív
- állás
- előre
- Készít
- előző
- korábban
- elsősorban
- magán
- problémák
- folyamat
- Termelés
- profilalkotás
- Haladás
- program
- Vetítés
- feltéve,
- biztosít
- kezdve
- Arány
- Nyers
- Olvass
- Olvasás
- kész
- real-time
- Valóság
- felvétel
- Piros
- említett
- tükrözi
- vidék
- összefüggő
- megmaradó
- eltávolítása
- cserélni
- képvisel
- kötelező
- megköveteli,
- forrás
- Tudástár
- Eredmények
- visszatérés
- Kritika
- RGB
- robotika
- szerepek
- tető
- SOR
- futás
- futás
- s
- sagemaker
- azonos
- Megtakarítás
- színhely
- jelenetek
- Tudós
- Keresés
- Második
- Rész
- szegmentáció
- idősebb
- érzékelők
- Sorozat
- Series of
- Szolgáltatások
- felépítés
- rövid
- kellene
- előadás
- mutatott
- Műsorok
- oldal
- Jel
- óta
- egyetlen
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- néhány
- forrás
- Hely
- terek
- kifejezetten
- verem
- standard
- kezdet
- Lépés
- Lépései
- struktúra
- kínálat
- támogatás
- Támogatott
- Támogatja
- felületi
- Systems
- táblázat
- Vesz
- tart
- célzás
- feladatok
- sablon
- teszt
- hogy
- A
- az információ
- azok
- Ezek
- három
- Keresztül
- idő
- címmel
- nak nek
- szerszám
- felső
- Végösszeg
- Csomagkövetés
- Vonat
- Képzések
- Átalakítás
- Fordítás
- kezelésére
- teherautó
- oktatói
- tipikus
- jellemzően
- ui
- alatt
- megért
- megértés
- egyedi
- us
- használ
- használó
- felhasználói felület
- ÉRVÉNYESÍT
- Értékek
- Hatalmas
- jármű
- Járművek
- ellenőrzése
- függőlegesek
- videó
- Megnézem
- nézetek
- látomás
- megjelenítés
- Út..
- háló
- webes szolgáltatások
- JÓL
- ami
- míg
- WHO
- Wikipedia
- lesz
- val vel
- belül
- szavak
- munkás
- munkaerő
- művek
- ír
- kódot írni
- írott
- X
- yaml
- te
- A te
- zephyrnet