Dalam seri dua bagian ini, kami mendemonstrasikan cara memberi label dan melatih model untuk tugas deteksi objek 3D. Di bagian 1, kita membahas kumpulan data yang kita gunakan, serta langkah-langkah prapemrosesan, untuk memahami dan melabeli data. Di bagian 2, kita membahas cara melatih model di set data Anda dan menerapkannya ke produksi.
LiDAR (Deteksi cahaya dan rentang) adalah metode untuk menentukan jarak dengan menargetkan objek atau permukaan dengan laser dan mengukur waktu untuk cahaya yang dipantulkan kembali ke penerima. Perusahaan kendaraan otonom biasanya menggunakan sensor LiDAR untuk menghasilkan pemahaman 3D tentang lingkungan di sekitar kendaraan mereka.
Karena sensor LiDAR menjadi lebih mudah diakses dan hemat biaya, pelanggan semakin banyak menggunakan data point cloud di ruang baru seperti robotika, pemetaan sinyal, dan augmented reality. Beberapa perangkat seluler baru bahkan menyertakan sensor LiDAR. Ketersediaan sensor LiDAR yang semakin meningkat telah meningkatkan minat pada data cloud titik untuk tugas pembelajaran mesin (ML), seperti deteksi dan pelacakan objek 3D, segmentasi 3D, sintesis dan rekonstruksi objek 3D, dan menggunakan data 3D untuk memvalidasi estimasi kedalaman 2D.
Dalam seri ini, kami menunjukkan kepada Anda cara melatih model deteksi objek yang berjalan pada data cloud titik untuk memprediksi lokasi kendaraan dalam pemandangan 3D. Posting ini, kami fokuskan secara khusus pada pelabelan data LiDAR. Keluaran sensor LiDAR standar adalah urutan frame cloud titik 3D, dengan tingkat tangkapan tipikal 10 frame per detik. Untuk memberi label keluaran sensor ini Anda memerlukan alat pelabelan yang dapat menangani data 3D. Kebenaran Dasar Amazon SageMaker memudahkan pelabelan objek dalam bingkai 3D tunggal atau di seluruh urutan bingkai awan titik 3D untuk membangun kumpulan data pelatihan ML. Ground Truth juga mendukung fusi sensor kamera dan data LiDAR hingga delapan input kamera video.
Data sangat penting untuk proyek ML apa pun. Data 3D khususnya mungkin sulit untuk dicari, divisualisasikan, dan diberi label. Kami menggunakan kumpulan data A2D2 di pos ini dan memandu Anda melalui langkah-langkah untuk memvisualisasikan dan melabelinya.
A2D2 berisi 40,000 bingkai dengan segmentasi semantik dan label cloud titik, termasuk 12,499 bingkai dengan label kotak pembatas 3D. Karena kami berfokus pada deteksi objek, kami tertarik pada 12,499 bingkai dengan label kotak pembatas 3D. Anotasi ini mencakup 14 kelas yang relevan untuk mengemudi seperti mobil, pejalan kaki, truk, bus, dll.
Tabel berikut menunjukkan daftar kelas lengkap:
Indeks | Daftar kelas |
1 | hewan |
2 | sepeda |
3 | bis |
4 | mobil |
5 | pengangkut kafilah |
6 | pengendara sepeda |
7 | kendaraan darurat |
8 | pengendara motor |
9 | sepeda motor |
10 | pejalan kaki |
11 | Trailer |
12 | truk |
13 | kendaraan utilitas |
14 | mobil van/SUV |
Kami akan melatih detektor kami untuk mendeteksi mobil secara khusus karena itu adalah kelas yang paling umum dalam kumpulan data kami (32616 dari total 42816 objek dalam kumpulan data diberi label sebagai mobil).
Ikhtisar solusi
Dalam seri ini, kami membahas cara memvisualisasikan dan melabeli data Anda dengan Amazon SageMaker Ground Truth dan mendemonstrasikan cara menggunakan data ini dalam tugas pelatihan Amazon SageMaker untuk membuat model deteksi objek, yang diterapkan ke Titik Akhir Amazon SageMaker. Secara khusus, kami akan menggunakan notebook Amazon SageMaker untuk mengoperasikan solusi dan meluncurkan pekerjaan pelabelan atau pelatihan apa pun.
Diagram berikut menggambarkan keseluruhan aliran data sensor dari pelabelan hingga pelatihan hingga penerapan:
Anda akan mempelajari cara melatih dan menerapkan model deteksi objek 3D waktu nyata Amazon SageMaker Ground Truth dengan langkah-langkah sebagai berikut:
- Unduh dan visualisasikan kumpulan data point cloud
- Siapkan data yang akan diberi label dengan Alat cloud titik Amazon SageMaker Ground Truth
- Luncurkan tugas pelatihan Amazon SageMaker Ground Truth terdistribusi dengan MMDeteksi3D
- Evaluasi hasil pekerjaan pelatihan Anda dan buat profil penggunaan sumber daya Anda Debugger Amazon SageMaker
- Menyebarkan asinkron Titik akhir SageMaker
- Panggil titik akhir dan memvisualisasikan prediksi objek 3D
Layanan AWS digunakan untuk Menerapkan solusi ini
Prasyarat
Diagram berikut menunjukkan cara menciptakan tenaga kerja swasta. Untuk instruksi tertulis langkah demi langkah, lihat Buat Tenaga Kerja Amazon Cognito Menggunakan Halaman Pelabelan Tenaga Kerja.
Meluncurkan tumpukan AWS CloudFormation
Sekarang setelah Anda melihat struktur solusinya, Anda menerapkannya ke akun Anda sehingga Anda dapat menjalankan contoh alur kerja. Semua langkah penerapan yang terkait dengan pipa pelabelan dikelola oleh AWS CloudFormation. Ini berarti AWS Cloudformation membuat instans notebook Anda serta peran apa pun atau Bucket Amazon S3 untuk mendukung menjalankan solusi.
Anda dapat meluncurkan tumpukan di Wilayah AWS us-east-1
di konsol AWS CloudFormation menggunakan Luncurkan Stack
tombol. Untuk meluncurkan tumpukan di Wilayah yang berbeda, gunakan instruksi yang ditemukan di README dari Repositori GitHub.
Ini membutuhkan waktu sekitar 20 menit untuk membuat semua sumber daya. Anda dapat memantau kemajuan dari antarmuka pengguna (UI) AWS CloudFormation.
Setelah template CloudFormation Anda selesai dijalankan, kembali ke Konsol AWS.
Membuka Buku Catatan
Instans Notebook Amazon SageMaker adalah instans komputasi ML yang berjalan di Aplikasi Notebook Jupyter. Amazon SageMaker mengelola pembuatan instans dan sumber daya terkait. Gunakan notebook Jupyter di instans notebook Anda untuk menyiapkan dan memproses data, menulis kode untuk melatih model, menerapkan model ke hosting Amazon SageMaker, dan menguji atau memvalidasi model Anda.
Ikuti langkah selanjutnya untuk mengakses lingkungan Notebook Amazon SageMaker:
- Di bawah pencarian layanan Amazon SageMaker.
- Bawah buku catatan, pilih Contoh notebook.
- Instance Notebook harus disediakan. Pilih Buka laboratorium jupyter, yang terletak di sisi kanan instans Notebook yang telah disediakan sebelumnya di bawah tindakan.
- Anda akan melihat ikon seperti ini saat halaman dimuat:
- Anda akan dialihkan ke tab browser baru yang terlihat seperti diagram berikut:
- Setelah Anda berada di UI Peluncur Instans Notebook Amazon SageMaker. Dari sidebar kiri, pilih pergi ikon seperti yang ditunjukkan pada diagram berikut.
- Pilih Mengkloning Repositori .
- Masukkan URL GitHub(https://github.com/aws-samples/end-2-end-3d-ml) di jendela popโup dan pilih clone.
- Pilih Browser File untuk melihat folder GitHub.
- Buka buku catatan berjudul
1_visualization.ipynb.
Mengoperasikan Notebook
Ringkasan
Beberapa sel pertama buku catatan di bagian berjudul File yang Diunduh menelusuri cara mengunduh kumpulan data dan memeriksa file di dalamnya. Setelah sel dieksekusi, perlu beberapa menit agar data selesai diunduh.
Setelah diunduh, Anda dapat meninjau struktur file A2D2, yaitu daftar adegan atau drive. Adegan adalah rekaman singkat data sensor dari kendaraan kita. A2D2 menyediakan 18 adegan ini untuk kita latih, yang semuanya diidentifikasi dengan tanggal unik. Setiap adegan berisi data kamera 2D, label 2D, anotasi berbentuk kubus 3D, dan awan titik 3D.
Anda dapat melihat struktur file untuk kumpulan data A2D2 dengan yang berikut ini:
Pengaturan sensor A2D2
Bagian berikutnya berjalan melalui membaca beberapa data cloud titik ini untuk memastikan kami menafsirkannya dengan benar dan dapat memvisualisasikannya di notebook sebelum mencoba mengubahnya menjadi format yang siap untuk pelabelan data.
Untuk segala jenis pengaturan mengemudi otonom di mana kami memiliki data sensor 2D dan 3D, menangkap data kalibrasi sensor sangat penting. Selain data mentah, kami juga mengunduh cams_lidar.json
. File ini berisi terjemahan dan orientasi masing-masing sensor relatif terhadap kerangka koordinat kendaraan, ini juga bisa disebut sebagai pose sensor, atau lokasi di ruang angkasa. Ini penting untuk mengonversi titik dari kerangka koordinat sensor ke kerangka koordinat kendaraan. Dengan kata lain, penting untuk memvisualisasikan sensor 2D dan 3D saat kendaraan melaju. Kerangka koordinat kendaraan didefinisikan sebagai titik statis di tengah kendaraan, dengan sumbu x searah dengan gerak maju kendaraan, sumbu y menunjukkan kiri dan kanan dengan kiri positif, dan z- sumbu menunjuk melalui atap kendaraan. Titik (X,Y,Z) dari (5,2,1) berarti titik tersebut berada 5 meter di depan kendaraan kita, 2 meter di sebelah kiri, dan 1 meter di atas kendaraan kita. Memiliki kalibrasi ini juga memungkinkan kami untuk memproyeksikan titik 3D ke gambar 2D kami, yang sangat membantu untuk tugas pelabelan awan titik.
Untuk melihat pengaturan sensor pada kendaraan, lihat diagram berikut.
Data point cloud yang kami latih secara khusus diselaraskan dengan kamera hadap depan atau cam front-center:
Ini cocok dengan visualisasi sensor kamera kami dalam 3D:
Bagian notebook ini menjalani validasi bahwa kumpulan data A2D2 sesuai dengan harapan kami tentang posisi sensor, dan bahwa kami dapat menyelaraskan data dari sensor point cloud ke dalam bingkai kamera. Jangan ragu untuk menjalankan semua sel melalui yang berjudul Proyeksi dari 3D ke 2D untuk melihat hamparan data point cloud Anda pada gambar kamera berikut.
Konversi ke Amazon SageMaker Ground Truth
Setelah memvisualisasikan data kami di notebook kami, kami dapat dengan percaya diri mengubah point cloud kami menjadi Amazon Format 3D SageMaker Ground Truth untuk memverifikasi dan menyesuaikan label kami. Bagian ini berjalan melalui konversi dari format data A2D2 menjadi Amazon File urutan SageMaker Ground Truth, dengan format input yang digunakan oleh modalitas pelacakan objek.
Format file urutan mencakup format point cloud, gambar yang terkait dengan setiap point cloud, dan semua data posisi dan orientasi sensor yang diperlukan untuk menyelaraskan gambar dengan point cloud. Konversi ini dilakukan dengan menggunakan informasi sensor yang dibaca dari bagian sebelumnya. Contoh berikut adalah format file urutan dari Amazon SageMaker Ground Truth, yang menjelaskan urutan hanya dengan satu langkah waktu.
Point cloud untuk timestep ini terletak di s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
dan memiliki format <x coordinate> <y coordinate> <z coordinate>
.
Terkait dengan awan titik, adalah gambar kamera tunggal yang terletak di s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Perhatikan bahwa kami mengambil file urutan yang menentukan semua parameter kamera untuk memungkinkan proyeksi dari awan titik ke kamera dan sebaliknya.
Konversi ke format input ini mengharuskan kami menulis konversi dari format data A2D2 ke format data yang didukung oleh Amazon SageMaker Ground Truth. Ini adalah proses yang sama yang harus dijalani setiap orang saat membawa data mereka sendiri untuk pelabelan. Kami akan membahas cara kerja konversi ini, langkah demi langkah. Jika mengikuti di buku catatan, lihat fungsi bernama a2d2_scene_to_smgt_sequence_and_seq_label
.
Konversi cloud titik
Langkah pertama adalah mengonversi data dari file berformat Numpy (NPZ) terkompresi, yang dibuat dengan numpy.tahu metode, ke menerima format 3D mentah untuk Amazon SageMaker Ground Truth. Secara khusus, kami membuat file dengan satu baris per titik. Setiap titik 3D ditentukan oleh tiga koordinat floating point X, Y, dan Z. Saat kami menentukan format kami di file urutan, kami menggunakan string text/xyz
untuk mewakili format ini. Amazon SageMaker Ground Truth juga mendukung penambahan nilai intensitas atau titik Merah Hijau Biru (RGB).
File NPZ A2D2 berisi beberapa array Numpy, masing-masing dengan namanya sendiri. Untuk melakukan konversi, kami memuat file NPZ menggunakan Numpy memuat metode, akses array yang dipanggil poin (yaitu, larik Nx3, di mana N adalah jumlah titik di cloud titik), dan simpan sebagai teks ke file baru menggunakan Numpy's simpantxt Metode.
Pra-pemrosesan gambar
Selanjutnya, kami menyiapkan file gambar kami. A2D2 menyediakan gambar PNG, dan Amazon SageMaker Ground Truth mendukung gambar PNG; namun, gambar-gambar ini terdistorsi. Distorsi sering terjadi karena lensa pengambil gambar tidak sejajar dengan bidang pencitraan, yang membuat beberapa area pada gambar terlihat lebih dekat dari yang diharapkan. Distorsi ini menjelaskan perbedaan antara kamera fisik dan model kamera lubang jarum yang diidealkan. Jika distorsi tidak diperhitungkan, maka Amazon SageMaker Ground Truth tidak akan dapat merender titik 3D kami di atas tampilan kamera, yang membuatnya lebih menantang untuk melakukan pelabelan. Untuk tutorial tentang kalibrasi kamera, lihat dokumentasi ini dari OpenCV.
Meskipun Amazon SageMaker Ground Truth mendukung koefisien distorsi dalam file inputnya, Anda juga dapat melakukan prapemrosesan sebelum pekerjaan pelabelan. Karena A2D2 menyediakan kode pembantu untuk melakukan undistorsi, kami menerapkannya pada gambar, dan meninggalkan bidang yang terkait dengan distorsi dari file urutan kami. Perhatikan bahwa bidang terkait distorsi termasuk k1, k2, k3, k4, p1, p2, dan miring.
Posisi kamera, orientasi, dan konversi proyeksi
Di luar file data mentah yang diperlukan untuk pelabelan, file urutan juga memerlukan informasi posisi dan orientasi kamera untuk melakukan proyeksi titik 3D ke tampilan kamera 2D. Kita perlu tahu di mana kamera melihat dalam ruang 3D untuk mengetahui bagaimana label berbentuk kubus 3D dan titik 3D harus ditampilkan di atas gambar kita.
Karena kami telah memuat posisi sensor kami ke pengelola transformasi umum di bagian penyiapan sensor A2D2, kami dapat dengan mudah menanyakan pengelola transformasi untuk informasi yang kami inginkan. Dalam kasus kami, kami memperlakukan posisi kendaraan sebagai (0, 0, 0) di setiap frame karena kami tidak memiliki informasi posisi sensor yang disediakan oleh kumpulan data deteksi objek A2D2. Jadi relatif terhadap kendaraan kita, orientasi dan posisi kamera dijelaskan dengan kode berikut:
Sekarang setelah posisi dan orientasi dikonversi, kita juga perlu menyediakan nilai untuk fx, fy, cx, dan cy, semua parameter untuk setiap kamera dalam format file urutan.
Parameter ini mengacu pada nilai dalam matriks kamera. Sementara posisi dan orientasi menjelaskan ke arah mana kamera menghadap, matriks kamera menjelaskan bidang tampilan kamera dan persisnya bagaimana titik 3D relatif terhadap kamera diubah menjadi lokasi piksel 2D dalam sebuah gambar.
A2D2 menyediakan matriks kamera. Matriks kamera referensi ditampilkan dalam kode berikut, bersama dengan bagaimana notebook kami mengindeks matriks ini untuk mendapatkan bidang yang sesuai.
Dengan semua bidang diurai dari format A2D2, kita dapat menyimpan file urutan dan menggunakannya di Amazon File manifes input SageMaker Ground Truth untuk memulai pekerjaan pelabelan. Tugas pelabelan ini memungkinkan kami membuat label kotak pembatas 3D untuk digunakan di hilir untuk pelatihan model 3D.
Jalankan semua sel hingga akhir notebook, dan pastikan Anda menggantinya workteam
ARN dengan Amazon SageMaker Ground Truth workteam
ARN Anda membuat prasyarat. Setelah sekitar 10 menit memberi label waktu pembuatan pekerjaan, Anda seharusnya dapat masuk ke portal pekerja dan menggunakan memberi label antarmuka pengguna untuk memvisualisasikan adegan Anda.
Membersihkan
Hapus tumpukan AWS CloudFormation yang Anda terapkan menggunakan Luncurkan Stack tombol bernama ThreeD
di konsol AWS CloudFormation untuk menghapus semua sumber daya yang digunakan dalam postingan ini, termasuk semua instans yang sedang berjalan.
Estimasi biaya
Perkiraan biaya adalah $5 untuk 2 jam.
Kesimpulan
Dalam postingan ini, kami mendemonstrasikan cara mengambil data 3D dan mengubahnya menjadi formulir yang siap untuk diberi label di Amazon SageMaker Ground Truth. Dengan langkah-langkah ini, Anda dapat memberi label data 3D Anda sendiri untuk melatih model deteksi objek. Di postingan selanjutnya dalam seri ini, kami akan menunjukkan cara menggunakan A2D2 dan melatih model detektor objek pada label yang sudah ada di kumpulan data.
Selamat Membangun!
Tentang Penulis
Ishak Privitera adalah Ilmuwan Data Senior di Lab Solusi Pembelajaran Mesin Amazon, di mana dia mengembangkan pembelajaran mesin pesanan dan solusi pembelajaran mendalam untuk mengatasi masalah bisnis pelanggan. Dia bekerja terutama di ruang computer vision, berfokus untuk memungkinkan pelanggan AWS dengan pelatihan terdistribusi dan pembelajaran aktif.
Vidya Sagar Ravipati adalah Manajer di Lab Solusi Pembelajaran Mesin Amazon, di mana dia memanfaatkan pengalamannya yang luas dalam sistem terdistribusi skala besar dan hasratnya pada pembelajaran mesin untuk membantu pelanggan AWS di berbagai vertikal industri mempercepat adopsi AI dan cloud mereka. Sebelumnya, dia adalah Insinyur Pembelajaran Mesin di Layanan Konektivitas di Amazon yang membantu membangun platform personalisasi dan pemeliharaan prediktif.
Jeremy Feltracco adalah Insinyur Pengembangan Perangkat Lunak dengan th Lab Solusi Pembelajaran Mesin Amazon di Amazon Web Services. Dia menggunakan latar belakangnya dalam visi komputer, robotika, dan pembelajaran mesin untuk membantu pelanggan AWS mempercepat adopsi AI mereka.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :adalah
- $NAIK
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Sanggup
- Tentang Kami
- atas
- mempercepat
- mengakses
- dapat diakses
- Akun
- di seluruh
- aktif
- tambahan
- alamat
- Adopsi
- Setelah
- di depan
- AI
- selaras
- Semua
- memungkinkan
- sudah
- Amazon
- Amazon Kognito
- Amazon SageMaker
- Kebenaran Dasar Amazon SageMaker
- Amazon Web Services
- dan
- siapapun
- aplikasi
- Mendaftar
- sesuai
- sekitar
- arsitektur
- ADALAH
- daerah
- sekitar
- susunan
- AS
- terkait
- At
- ditambah
- Augmented Reality
- otonom
- tersedianya
- AWS
- Formasi AWS Cloud
- kembali
- latar belakang
- BE
- karena
- menjadi
- sebelum
- makhluk
- di bawah
- antara
- Biru
- Kotak
- Membawa
- Browser
- membangun
- Bangunan
- bis
- bisnis
- tombol
- by
- bernama
- kamar
- CAN
- menangkap
- Menangkap
- mobil
- mobil
- kasus
- Sel
- pusat
- menantang
- memeriksa
- Pilih
- kelas
- kelas-kelas
- lebih dekat
- awan
- adopsi cloud
- kode
- Umum
- Perusahaan
- lengkap
- menghitung
- komputer
- Visi Komputer
- dengan penuh percaya diri
- Konektivitas
- konsul
- mengandung
- mengandung
- Konversi
- konversi
- mengubah
- dikonversi
- mengkoordinasikan
- Biaya
- hemat biaya
- menutupi
- membuat
- dibuat
- menciptakan
- penciptaan
- pelanggan
- CX
- data
- ilmuwan data
- kumpulan data
- Tanggal
- mendalam
- belajar mendalam
- didefinisikan
- Mendefinisikan
- mendemonstrasikan
- menunjukkan
- menunjukkan
- menyebarkan
- dikerahkan
- penyebaran
- kedalaman
- menggambarkan
- dijelaskan
- Deteksi
- menentukan
- Pengembangan
- mengembangkan
- Devices
- perbedaan
- berbeda
- sulit
- arah
- membahas
- didistribusikan
- sistem terdistribusi
- pelatihan terdistribusi
- dokumentasi
- Dont
- Download
- penggerak
- e
- setiap
- mudah
- memungkinkan
- Titik akhir
- insinyur
- memastikan
- Lingkungan Hidup
- terutama
- penting
- dll
- Bahkan
- persis
- contoh
- harapan
- diharapkan
- pengalaman
- menghadapi
- beberapa
- bidang
- Fields
- Angka
- File
- File
- menyelesaikan
- Pertama
- mengambang
- aliran
- Fokus
- berfokus
- berikut
- Untuk
- bentuk
- format
- Depan
- ditemukan
- FRAME
- Gratis
- dari
- depan
- fungsi
- fusi
- FX
- menghasilkan
- dihasilkan
- mendapatkan
- gif
- pergi
- GitHub
- Go
- Pergi
- Hijau
- Tanah
- Pertumbuhan
- menangani
- Memiliki
- memiliki
- Kepala
- membantu
- membantu
- bermanfaat
- tuan
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- HTTPS
- i
- ICON
- diidentifikasi
- gambar
- gambar
- Pencitraan
- melaksanakan
- penting
- in
- Di lain
- memasukkan
- termasuk
- Termasuk
- Pada meningkat
- makin
- indeks
- industri
- informasi
- memasukkan
- contoh
- instruksi
- bunga
- tertarik
- Antarmuka
- IT
- NYA
- Pekerjaan
- Jobs
- jpg
- json
- Jenis
- Tahu
- label
- pelabelan
- Label
- besar-besaran
- laser
- jalankan
- BELAJAR
- pengetahuan
- Meninggalkan
- memanfaatkan
- cahaya
- 'like'
- Daftar
- memuat
- beban
- terletak
- tempat
- melihat
- mencari
- TERLIHAT
- mesin
- Mesin belajar
- pemeliharaan
- membuat
- MEMBUAT
- berhasil
- manajer
- mengelola
- pemetaan
- Matriks
- cara
- ukur
- metode
- menit
- ML
- mobil
- telepon genggam
- model
- model
- Memantau
- lebih
- paling
- gerakan
- beberapa
- nama
- Bernama
- Perlu
- New
- berikutnya
- buku catatan
- jumlah
- mati rasa
- obyek
- Deteksi Objek
- objek
- of
- on
- ONE
- Buka
- OpenCV
- beroperasi
- pilihan
- Lainnya
- keluaran
- secara keseluruhan
- sendiri
- halaman
- Paralel
- parameter
- bagian
- tertentu
- gairah
- path
- Melakukan
- Personalisasi
- fisik
- pipa saluran
- pixel
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- poin
- Portal
- posisi
- posisi
- positif
- Pos
- meramalkan
- Mempersiapkan
- sebelumnya
- sebelumnya
- terutama
- swasta
- masalah
- proses
- Produksi
- profil
- Kemajuan
- proyek
- Proyeksi
- disediakan
- menyediakan
- mulai
- Penilaian
- Mentah
- Baca
- Bacaan
- siap
- real-time
- Kenyataan
- rekaman
- Merah
- disebut
- tercermin
- wilayah
- terkait
- relevan
- yang tersisa
- menghapus
- menggantikan
- mewakili
- wajib
- membutuhkan
- sumber
- Sumber
- Hasil
- kembali
- ulasan
- RGB
- robotika
- peran
- atap
- BARIS
- Run
- berjalan
- s
- pembuat bijak
- sama
- Save
- adegan
- adegan
- ilmuwan
- Pencarian
- Kedua
- Bagian
- segmentasi
- senior
- sensor
- Urutan
- Seri
- Layanan
- penyiapan
- Pendek
- harus
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- sisi
- Sinyal
- sejak
- tunggal
- So
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- beberapa
- sumber
- Space
- spasi
- Secara khusus
- tumpukan
- standar
- awal
- Langkah
- Tangga
- struktur
- menyediakan
- mendukung
- Didukung
- Mendukung
- Permukaan
- sistem
- tabel
- Mengambil
- Dibutuhkan
- penargetan
- tugas
- Template
- uji
- bahwa
- Grafik
- informasi
- mereka
- Ini
- tiga
- Melalui
- waktu
- berjudul
- untuk
- alat
- puncak
- Total
- Pelacakan
- Pelatihan VE
- Pelatihan
- Mengubah
- Terjemahan
- mengobati
- truk
- tutorial
- khas
- khas
- ui
- bawah
- memahami
- pemahaman
- unik
- us
- menggunakan
- Pengguna
- User Interface
- MENGESAHKAN
- Nilai - Nilai
- Luas
- kendaraan
- Kendaraan
- memeriksa
- vertikal
- Video
- View
- 'view'
- penglihatan
- visualisasi
- Cara..
- jaringan
- layanan web
- BAIK
- yang
- sementara
- SIAPA
- Wikipedia
- akan
- dengan
- dalam
- kata
- pekerja
- Tenaga kerja
- bekerja
- menulis
- tulis kode
- tertulis
- X
- yaml
- Kamu
- Anda
- zephyrnet.dll