この 3 部構成のシリーズでは、1D オブジェクト検出タスクのためにモデルにラベルを付けてトレーニングする方法を示します。 パート 2 では、データを理解してラベルを付けるために使用しているデータセットと前処理手順について説明します。 パート XNUMX では、データセットでモデルをトレーニングし、本番環境にデプロイする方法について説明します。
LiDAR (光検出と測距) は、物体または表面にレーザーを向け、反射光が受信機に戻るまでの時間を測定することによって距離を決定する方法です。 自動運転車の企業は通常、LiDAR センサーを使用して、車両の周囲の環境を 3D で把握します。
LiDAR センサーがよりアクセスしやすく、費用対効果が高くなるにつれて、ロボット工学、信号マッピング、拡張現実などの新しい分野でポイント クラウド データを使用する顧客が増えています。 一部の新しいモバイル デバイスには、LiDAR センサーが含まれています。 LiDAR センサーの可用性が高まるにつれて、3D オブジェクトの検出と追跡、3D セグメンテーション、3D オブジェクトの合成と再構成、3D データを使用した 2D 深度推定の検証など、機械学習 (ML) タスクのための点群データへの関心が高まっています。
このシリーズでは、点群データで実行されるオブジェクト検出モデルをトレーニングして、3D シーン内の車両の位置を予測する方法を示します。 この投稿では、特に LiDAR データのラベル付けに焦点を当てています。 標準の LiDAR センサー出力は、3D ポイント クラウド フレームのシーケンスであり、通常のキャプチャ レートは 10 秒あたり 3 フレームです。 このセンサー出力にラベルを付けるには、XNUMXD データを処理できるラベル付けツールが必要です。 Amazon SageMakerグラウンドトゥルース ML トレーニング データセットを構築するために、単一の 3D フレームまたは 3D ポイント クラウド フレームのシーケンス全体でオブジェクトに簡単にラベルを付けることができます。 Ground Truth は、最大 XNUMX つのビデオ カメラ入力を使用して、カメラと LiDAR データのセンサー フュージョンもサポートしています。
データは、あらゆる ML プロジェクトに不可欠です。 特に 3D データは、ソース、視覚化、およびラベル付けが難しい場合があります。 私たちは、 A2D2 データセット この投稿で、視覚化してラベルを付ける手順を説明します。
A2D2 には、セマンティック セグメンテーションとポイント クラウド ラベルが付いた 40,000 フレームが含まれています。これには、12,499D バウンディング ボックス ラベルが付いた 3 フレームが含まれます。 オブジェクト検出に焦点を当てているため、12,499D バウンディング ボックス ラベルが付いた 3 フレームに関心があります。 これらの注釈には、車、歩行者、トラック、バスなどの運転に関連する 14 のクラスが含まれます。
次の表は、完全なクラス リストを示しています。
インデックス | クラス一覧 |
1 | 動物 |
2 | 自転車 |
3 | バス |
4 | 自動車 |
5 | キャラバン トランスポーター |
6 | サイクリスト |
7 | 緊急車両 |
8 | モーターバイカー |
9 | オートバイ |
10 | 歩行者 |
11 | トレーラー |
12 | トラック |
13 | ユーティリティビークル |
14 | バン/SUV |
車がデータセットで最も一般的なクラスであるため (データセット内の合計 32616 個のオブジェクトのうち 42816 個が車としてラベル付けされている)、特に車を検出するように検出器をトレーニングします。
ソリューションの概要
このシリーズでは、Amazon SageMaker Ground Truth を使用してデータを視覚化してラベルを付ける方法について説明し、Amazon SageMaker トレーニングジョブでこのデータを使用して、Amazon SageMaker エンドポイントにデプロイされたオブジェクト検出モデルを作成する方法を示します。 特に、Amazon SageMaker ノートブックを使用してソリューションを操作し、ラベル付けやトレーニングのジョブを開始します。
次の図は、ラベル付けからトレーニング、デプロイまでのセンサー データの全体的なフローを示しています。
リアルタイム 3D オブジェクト検出モデルをトレーニングしてデプロイする方法を学習します。 アマゾンセージメーカー 次の手順でグラウンド トゥルースを実行します。
- 点群データセットをダウンロードして視覚化する
- でラベル付けするデータの準備 Amazon SageMaker Ground Truth 点群ツール
- 分散型 Amazon SageMaker Ground Truth トレーニング ジョブを起動する MM検出3D
- トレーニング ジョブの結果を評価し、リソース使用率をプロファイリングします。 Amazon SageMakerデバッガ
- 非同期をデプロイする SageMakerエンドポイント
- エンドポイントを呼び出し、3D オブジェクトの予測を視覚化する
このソリューションの実装に使用される AWS のサービス
前提条件
次の図は、プライベート ワークフォースを作成する方法を示しています。 文書化された段階的な手順については、次を参照してください。 労働力のラベリングページを使用してAmazon Cognito労働力を作成する.
AWS CloudFormation スタックの起動
ソリューションの構造を確認したので、サンプル ワークフローを実行できるように、ソリューションをアカウントにデプロイします。 ラベル付けパイプラインに関連するすべてのデプロイ手順は、AWS CloudFormation によって管理されます。 これは、AWS Cloudformation がノートブック インスタンスと、ソリューションの実行をサポートするロールまたは Amazon S3 バケットを作成することを意味します。
AWSリージョンでスタックを起動できます us-east-1
AWSCloudFormationコンソールで 発射スタック
ボタン。 別のリージョンでスタックを起動するには、のREADMEにある手順を使用してください。 GitHubリポジトリ.
すべてのリソースを作成するには、約 20 分かかります。 AWS CloudFormation ユーザーインターフェイス (UI) から進行状況をモニタリングできます。
CloudFormation テンプレートの実行が完了したら、AWS コンソールに戻ります。
ノートブックを開く
Amazon SageMaker ノートブック インスタンスは、Jupyter Notebook アプリで実行される ML コンピューティング インスタンスです。 Amazon SageMaker は、インスタンスと関連リソースの作成を管理します。 ノートブック インスタンスで Jupyter ノートブックを使用して、データの準備と処理、モデルをトレーニングするためのコードの記述、Amazon SageMaker ホスティングへのモデルのデプロイ、モデルのテストまたは検証を行います。
次の手順に従って、Amazon SageMaker Notebook 環境にアクセスします。
- サービス検索で アマゾンセージメーカー.
- ノート選択 ノートブックインスタンス.
- ノートブック インスタンスをプロビジョニングする必要があります。 開くを選択 ジュピターラボ、事前にプロビジョニングされたノートブック インスタンスの右側にあります。 .
- ページが読み込まれると、次のようなアイコンが表示されます。
- 次の図のような新しいブラウザー タブにリダイレクトされます。
- Amazon SageMaker Notebook Instance Launcher UI に入ったら。 左側のサイドバーから、 Gitの 次の図に示すようなアイコン。
- 選択 リポジトリのクローンを作成する オプションを選択します。
- GitHub の URL を入力してください(https://github.com/aws-samples/end-2-end-3d-ml) ポップアップ ウィンドウで、 .
- 選択 ファイルブラウザ GitHub フォルダーを表示します。
- というタイトルのノートを開く
1_visualization.ipynb.
ノートブックの操作
概要
というタイトルのセクションのノートブックの最初のいくつかのセル ダウンロードしたファイル データセットをダウンロードして、その中のファイルを検査する方法について説明します。 セルの実行後、データのダウンロードが完了するまで数分かかります。
ダウンロードしたら、シーンまたはドライブのリストである A2D2 のファイル構造を確認できます。 シーンは、車両からのセンサー データの短い記録です。 A2D2 は、これらの 18 のシーンをトレーニング用に提供しており、それらはすべて一意の日付で識別されます。 各シーンには、2D カメラ データ、2D ラベル、3D 直方体注釈、および 3D 点群が含まれています。
以下を使用して、A2D2 データセットのファイル構造を表示できます。
A2D2 センサーのセットアップ
次のセクションでは、この点群データの一部を読み取って、正しく解釈していることを確認し、ノートブックで視覚化してから、データ ラベル付けの準備が整った形式に変換しようとします。
2D および 3D のセンサー データがあるあらゆる種類の自動運転セットアップでは、センサーのキャリブレーション データを取得することが不可欠です。 生データに加えて、ダウンロードも行いました cams_lidar.json
. このファイルには、車両の座標フレームに対する各センサーの移動と方向が含まれています。これは、センサーの姿勢、または空間内の位置とも呼ばれます。 これは、ポイントをセンサーの座標フレームから車両の座標フレームに変換するために重要です。 つまり、車両の走行中に 2D および 3D センサーを視覚化するために重要です。 車両の座標フレームは、車両の中心にある静止点として定義されます。x 軸は車両の前進方向、y 軸は左右を表し、左が正、z 軸は車両の屋根を通る軸。 (5,2,1) の点 (X,Y,Z) は、この点が車両の前方 5 メートル、左側 2 メートル、車両上方 1 メートルであることを意味します。 これらのキャリブレーションがあると、3D ポイントを 2D 画像に投影することもできます。これは、点群のラベル付けタスクに特に役立ちます。
車両のセンサー設定を確認するには、次の図を確認してください。
トレーニングしているポイント クラウド データは、特に前面カメラまたはカム フロントセンターに合わせて調整されています。
これは、3D でのカメラ センサーの視覚化と一致します。
ノートブックのこの部分では、A2D2 データセットがセンサー位置に関する予想と一致すること、および点群センサーからのデータをカメラ フレームに位置合わせできることを検証する手順について説明します。 というタイトルのセルにすべてのセルを自由に実行してください 3D から 2D への投影 次のカメラ画像に点群データのオーバーレイを表示します。
Amazon SageMaker Ground Truth への変換
ノートブックでデータを視覚化した後、自信を持って点群を Amazon に変換できます SageMaker Ground Truth の 3D 形式 ラベルを確認して調整します。 このセクションでは、A2D2 のデータ形式から Amazon への変換について説明します。 SageMaker Ground Truth シーケンスファイル、オブジェクト追跡モダリティで使用される入力形式。
シーケンス ファイル形式には、点群形式、各点群に関連付けられた画像、および画像を点群と位置合わせするために必要なすべてのセンサーの位置と方向のデータが含まれます。 これらの変換は、前のセクションから読み取ったセンサー情報を使用して行われます。 次の例は、Amazon SageMaker Ground Truth のシーケンス ファイル形式で、XNUMX つのタイムステップのみでシーケンスを記述します。
この時間ステップのポイント クラウドは次の場所にあります。 s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
との形式を持っています <x coordinate> <y coordinate> <z coordinate>
.
ポイント クラウドに関連付けられているのは、次の場所にある単一のカメラ イメージです。 s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. すべてのカメラ パラメータを定義するシーケンス ファイルを使用して、点群からカメラへの投影とその逆を許可することに注意してください。
この入力形式に変換するには、A2D2 のデータ形式から Amazon SageMaker Ground Truth でサポートされているデータ形式への変換を記述する必要があります。 これは、ラベル付けのために自分のデータを持ち込むときに誰もが経験しなければならないのと同じプロセスです。 この変換がどのように機能するかを順を追って説明します。 ノートブックをたどる場合は、次の名前の関数を見てください。 a2d2_scene_to_smgt_sequence_and_seq_label
.
点群変換
最初のステップは、numpy で生成された圧縮された Numpy 形式のファイル (NPZ) からデータを変換することです。知っています メソッド、 受け入れられる raw 3D フォーマット Amazon SageMaker Ground Truth の場合。 具体的には、ポイントごとに 3 行のファイルを生成します。 各 XNUMXD ポイントは、XNUMX つの浮動小数点 X、Y、および Z 座標によって定義されます。 シーケンス ファイルで形式を指定するときは、文字列を使用します。 text/xyz
この形式を表します。 Amazon SageMaker Ground Truth は、強度値または Red Green Blue (RGB) ポイントの追加もサポートしています。
A2D2 の NPZ ファイルには複数の Numpy 配列が含まれており、それぞれに独自の名前が付いています。 変換を実行するには、Numpy の NPZ ファイルをロードします。 負荷 メソッド、呼び出された配列にアクセス ポイント (つまり、Nx3 配列、N はポイント クラウド内のポイントの数)、Numpy を使用して新しいファイルにテキストとして保存します。 保存テキスト 方法。
画像の前処理
次に、画像ファイルを準備します。 A2D2 は PNG 画像を提供し、Amazon SageMaker Ground Truth は PNG 画像をサポートします。 ただし、これらのイメージは歪んでいます。 多くの場合、歪みは、撮影レンズが画像面に対して平行に配置されていないために発生します。これにより、画像内の一部の領域が予想よりも近くに見えます。 この歪みは、物理的なカメラと 理想化されたピンホール カメラ モデル. 歪みが考慮されていない場合、Amazon SageMaker Ground Truth はカメラ ビューの上に 3D ポイントをレンダリングできず、ラベリングの実行がより困難になります。 カメラのキャリブレーションに関するチュートリアルについては、次のドキュメントを参照してください。 OpenCV.
Amazon SageMaker Ground Truth は入力ファイルで歪み係数をサポートしていますが、ラベル付けジョブの前に前処理を実行することもできます。 A2D2 は歪み補正を実行するためのヘルパー コードを提供するため、それを画像に適用し、歪みに関連するフィールドをシーケンス ファイルから除外します。 歪み関連のフィールドには以下が含まれることに注意してください。 k1、k2、k3、k4、p1、p2、およびスキュー.
カメラの位置、向き、投影変換
ラベリングに必要な生データ ファイル以外に、シーケンス ファイルには、3D カメラ ビューへの 2D ポイントの投影を実行するためのカメラの位置と方向の情報も必要です。 3D 直方体ラベルと 3D ポイントを画像の上にレンダリングする方法を理解するには、カメラが 3D 空間のどこを見ているかを知る必要があります。
A2D2 センサーのセットアップ セクションで、センサーの位置を共通の変換マネージャーに読み込んだため、変換マネージャーに必要な情報を簡単に照会できます。 この場合、A0D0 のオブジェクト検出データセットによって提供されるセンサーの位置情報がないため、各フレームで車両の位置を (0, 2, 2) として扱います。 したがって、車両に対するカメラの向きと位置は、次のコードで記述されます。
位置と方向が変換されたので、fx、fy、cx、および cy の値も指定する必要があります。これは、シーケンス ファイル形式の各カメラのすべてのパラメーターです。
これらのパラメータは、カメラ マトリックスの値を参照します。 位置と向きはカメラがどちらを向いているかを表しますが、カメラ マトリックスはカメラの視野と、カメラに対する 3D ポイントが画像内の 2D ピクセル位置に変換される正確な方法を表します。
A2D2 は、カメラ マトリックスを提供します。 参照カメラ マトリックスを次のコードに示し、ノートブックがこのマトリックスにインデックスを付けて適切なフィールドを取得する方法を示します。
A2D2 のフォーマットから解析されたすべてのフィールドを使用して、シーケンス ファイルを保存し、Amazon で使用できます。 SageMaker Ground Truth 入力マニフェスト ファイル ラベル付け作業を開始します。 このラベル付けジョブにより、3D モデルのトレーニングのためにダウンストリームで使用する 3D バウンディング ボックス ラベルを作成できます。
ノートブックの最後まですべてのセルを実行し、必ず置き換えます workteam
Amazon SageMaker Ground Truth を使用した ARN workteam
前提条件を作成した ARN。 ラベル付けジョブの作成時間の約 10 分後、ワーカー ポータルにログインして、 ユーザー インターフェイスのラベル付け シーンを視覚化します。
クリーンアップ
を使用してデプロイした AWS CloudFormation スタックを削除します。 発射スタック 名前付きボタン ThreeD
AWS CloudFormation コンソールで、実行中のインスタンスを含め、この記事で使用されているすべてのリソースを削除します。
推定費用
おおよその料金は 5 時間で 2 ドルです。
まとめ
この投稿では、3D データを取得して、Amazon SageMaker Ground Truth でラベル付けできる形式に変換する方法を示しました。 これらの手順により、オブジェクト検出モデルのトレーニング用に独自の 3D データにラベルを付けることができます。 このシリーズの次の投稿では、A2D2 を使用して、既にデータセットにあるラベルでオブジェクト検出モデルをトレーニングする方法を紹介します。
ハッピービルディング!
著者について
アイザック・プリヴィテラ のシニア データ サイエンティストです。 Amazon 機械学習ソリューション ラボで、顧客のビジネス上の問題に対処するための特注の機械学習および深層学習ソリューションを開発しています。 彼は主にコンピューター ビジョンの分野で働いており、AWS のお客様に分散トレーニングとアクティブ ラーニングを提供することに重点を置いています。
ヴィディヤ・サーガル・ラヴィパティ のマネージャーです Amazon 機械学習ソリューション ラボ、彼は大規模な分散システムでの豊富な経験と機械学習への情熱を活用して、さまざまな業界のAWSのお客様がAIとクラウドの採用を加速できるよう支援しています。 以前は、Amazonのコネクティビティサービスの機械学習エンジニアであり、パーソナライズおよび予知保全プラットフォームの構築を支援していました。
ジェレミー・フェルトラッコ はソフトウェア開発エンジニアです。 Amazon 機械学習ソリューション ラボ アマゾン ウェブ サービスで。 彼は、コンピュータービジョン、ロボティクス、機械学習のバックグラウンドを利用して、AWS のお客様が AI の採用を加速できるよう支援しています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :は
- $UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- できる
- 私たちについて
- 上記の.
- 加速する
- アクセス
- アクセス可能な
- 越えて
- アクティブ
- 添加
- 住所
- 養子縁組
- 後
- 先んじて
- AI
- 整列した
- すべて
- ことができます
- 既に
- Amazon
- アマゾンコグニート
- アマゾンセージメーカー
- Amazon SageMakerグラウンドトゥルース
- Amazon Webサービス
- および
- 誰も
- アプリ
- 申し込む
- 適切な
- 約
- 建築
- です
- エリア
- 周りに
- 配列
- AS
- 関連する
- At
- 増強された
- 拡張現実
- 自律的
- 賃貸条件の詳細・契約費用のお見積り等について
- AWS
- AWS CloudFormation
- バック
- 背景
- BE
- なぜなら
- になる
- さ
- 以下
- の間に
- 青
- ボックス
- 持参
- ブラウザ
- ビルド
- 建物
- バス
- ビジネス
- (Comma Separated Values) ボタンをクリックして、各々のジョブ実行の詳細(開始/停止時間、変数値など)のCSVファイルをダウンロードします。
- by
- 呼ばれます
- カメラ
- 缶
- キャプチャー
- キャプチャ
- 自動車
- 自動車
- 場合
- 細胞
- センター
- 挑戦
- チェック
- 選択する
- class
- クラス
- クローザー
- クラウド
- クラウドの採用
- コード
- コマンドと
- 企業
- コンプリート
- 計算
- コンピュータ
- Computer Vision
- 自信を持って
- 接続性
- 領事
- 含む
- 含まれています
- 変換
- コンバージョン
- 変換
- 変換
- 調整する
- 費用
- コスト効率の良い
- カバー
- 作ります
- 作成した
- 作成します。
- 創造
- Customers
- CX
- データ
- データサイエンティスト
- データセット
- 試合日
- 深いです
- 深い学習
- 定義済みの
- 定義する
- 実証します
- 実証
- 実証
- 展開します
- 展開
- 展開
- 深さ
- 説明する
- 記載された
- 検出
- 決定
- 開発
- 開発
- Devices
- 違い
- 異なります
- 難しい
- 方向
- 話し合います
- 配布
- 分散システム
- 分散トレーニング
- ドキュメント
- ドント
- ダウンロード
- 運転
- e
- 各
- 簡単に
- 有効にする
- エンドポイント
- エンジニア
- 確保
- 環境
- 特に
- 本質的な
- 等
- さらに
- 正確に
- 例
- 期待
- 予想される
- 体験
- 向い
- 少数の
- フィールド
- フィールズ
- フィギュア
- File
- 仕上げ
- 名
- floating
- フロー
- フォーカス
- 焦点
- フォロー中
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- フォワード
- 発見
- FRAME
- 無料版
- から
- フロント
- function
- 融合
- FX
- 生成する
- 生成された
- 取得する
- GIF
- Gitの
- GitHubの
- Go
- ゴエス
- グリーン
- 陸上
- 成長
- ハンドル
- 持ってる
- 持って
- 見出し
- 助けます
- 助けました
- 役立つ
- ホスティング
- HOURS
- 認定条件
- How To
- しかしながら
- HTML
- HTTPS
- i
- ICON
- 特定され
- 画像
- 画像
- イメージング
- 実装する
- 重要
- in
- その他の
- include
- 含ま
- 含めて
- 増加した
- ますます
- インデックス
- 産業を変えます
- 情報
- 説明書
- 関心
- 興味がある
- インタフェース
- IT
- ITS
- ジョブ
- Jobs > Create New Job
- JPG
- JSON
- 種類
- 知っている
- ラベル
- ラベリング
- ラベル
- 大規模
- レーザー
- 起動する
- LEARN
- 学習
- コメントを残す
- レバレッジ
- 光
- ような
- リスト
- 負荷
- 負荷
- 位置して
- 場所
- 見て
- 探して
- LOOKS
- 機械
- 機械学習
- メンテナンス
- make
- 作る
- マネージド
- マネージャー
- 管理する
- マッピング
- マトリックス
- 手段
- 計測
- 方法
- 分
- ML
- モバイル
- モバイルデバイス
- モデル
- モニター
- 他には?
- 最も
- 運動
- の試合に
- 名
- 名前付き
- 必要
- 新作
- 次の
- ノート
- 数
- numpy
- オブジェクト
- オブジェクト検出
- オブジェクト
- of
- on
- ONE
- 開いた
- OpenCV
- 操作する
- オプション
- その他
- 出力
- 全体
- 自分の
- ページ
- 並列シミュレーションの設定
- パラメータ
- 部
- 特定の
- 情熱
- path
- 実行する
- 個人化
- 物理的な
- パイプライン
- ピクセル
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポイント
- ポイント
- ポータル
- 位置
- ポジション
- 正の
- ポスト
- 予測する
- 準備
- 前
- 前に
- 主に
- プライベート
- 問題
- プロセス
- 生産
- プロファイリング
- 進捗
- プロジェクト
- 投影
- 提供
- は、大阪で
- 測距
- レート
- Raw
- 読む
- リーディング
- 準備
- への
- 現実
- 録音
- レッド
- 言及
- 反映
- 地域
- 関連する
- 関連した
- 残り
- 削除します
- replace
- 表す
- の提出が必要です
- 必要
- リソースを追加する。
- リソース
- 結果
- return
- レビュー
- RGB
- ロボット工学
- 役割
- 屋根
- 行
- ラン
- ランニング
- s
- セージメーカー
- 同じ
- Save
- シーン
- シーン
- 科学者
- を検索
- 二番
- セクション
- セグメンテーション
- シニア
- センサー
- シーケンス
- シリーズ
- サービス
- ショート
- すべき
- 表示する
- 示す
- 作品
- 側
- シグナル
- から
- So
- ソフトウェア
- ソフトウェア開発
- 溶液
- ソリューション
- 一部
- ソース
- スペース
- スペース
- 特に
- スタック
- 標準
- start
- 手順
- ステップ
- 構造
- 供給
- サポート
- サポート
- サポート
- 表面
- システム
- テーブル
- 取る
- 取り
- ターゲット
- タスク
- template
- test
- それ
- 情報
- アプリ環境に合わせて
- ボーマン
- 三
- 介して
- 時間
- タイトル
- 〜へ
- ツール
- top
- トータル
- 追跡
- トレーニング
- トレーニング
- 最適化の適用
- インタビュー
- 治療する
- トラック
- チュートリアル
- 典型的な
- 一般的に
- ui
- 下
- わかる
- 理解する
- ユニーク
- us
- つかいます
- ユーザー
- ユーザーインターフェース
- 検証
- 価値観
- 広大な
- 自動車
- 車
- 確認する
- 垂直
- ビデオ
- 詳しく見る
- ビュー
- ビジョン
- 可視化
- 仕方..
- ウェブ
- Webサービス
- WELL
- which
- while
- 誰
- Wikipedia
- 意志
- 以内
- 言葉
- ワーカー
- 労働人口
- 作品
- 書きます
- コードを書く
- 書かれた
- X
- ヤムル
- You
- あなたの
- ゼファーネット