Pose-estimering er en datasynsteknikk som oppdager et sett med punkter på objekter (som mennesker eller kjøretøy) i bilder eller videoer. Pose-estimering har virkelige applikasjoner innen sport, robotikk, sikkerhet, utvidet virkelighet, media og underholdning, medisinske applikasjoner og mer. Poseestimeringsmodeller er trent på bilder eller videoer som er kommentert med et konsistent sett med punkter (koordinater) definert av en rigg. For å trene opp nøyaktige positur-estimeringsmodeller, må du først anskaffe et stort datasett med kommenterte bilder; mange datasett har titusenvis eller hundretusenvis av kommenterte bilder og krever betydelige ressurser å bygge. Merkefeil er viktig å identifisere og forhindre fordi modellytelsen for poseestimeringsmodeller er sterkt påvirket av merket datakvalitet og datavolum.
I dette innlegget viser vi hvordan du kan bruke en tilpasset merkearbeidsflyt i Amazon SageMaker Ground Truth spesielt designet for nøkkelpunktmerking. Denne tilpassede arbeidsflyten hjelper til med å strømlinjeforme merkeprosessen og minimere merkefeil, og reduserer dermed kostnadene ved å skaffe poseringsetiketter av høy kvalitet.
Viktigheten av data av høy kvalitet og reduksjon av merkefeil
Data av høy kvalitet er grunnleggende for å trene opp robuste og pålitelige modeller for poseringsestimering. Nøyaktigheten til disse modellene er direkte knyttet til riktigheten og presisjonen til etikettene som er tildelt hvert nøkkelpunkt for posering, som igjen avhenger av effektiviteten til merknadsprosessen. I tillegg sikrer det å ha et betydelig volum av varierte og godt kommenterte data at modellen kan lære et bredt spekter av positurer, variasjoner og scenarier, noe som fører til forbedret generalisering og ytelse på tvers av forskjellige virkelige applikasjoner. Anskaffelsen av disse store, kommenterte datasettene involverer menneskelige annotatorer som nøye merker bilder med positurinformasjon. Mens du merker punkter av interesse i bildet, er det nyttig å se skjelettstrukturen til objektet mens du merker for å gi visuell veiledning til kommentatoren. Dette er nyttig for å identifisere merkefeil før de inkorporeres i datasettet som venstre-høyre-bytter eller feilmerker (for eksempel å merke en fot som en skulder). For eksempel kan en merkefeil som venstre-høyre-byttet gjort i følgende eksempel lett identifiseres ved å krysse skjelettrigglinjene og fargene som ikke samsvarer. Disse visuelle signalene hjelper etikettere å gjenkjenne feil og vil resultere i et renere sett med etiketter.
På grunn av den manuelle karakteren til merking, kan det å skaffe store og nøyaktige merkede datasett være kostnadskrevende og enda mer med et ineffektivt merkesystem. Derfor er effektivitet og nøyaktighet av merking avgjørende når du utformer arbeidsflyten for merking. I dette innlegget demonstrerer vi hvordan du bruker en tilpasset SageMaker Ground Truth-merkingsarbeidsflyt for raskt og nøyaktig å kommentere bilder, noe som reduserer byrden med å utvikle store datasett for arbeidsflyter for poseringsestimering.
Oversikt over løsning
Denne løsningen gir en nettportal der etikettarbeidsstyrken kan bruke en nettleser til å logge på, få tilgang til merkejobber og kommentere bilder ved hjelp av crowd-2d-skeleton brukergrensesnittet (UI), et tilpasset brukergrensesnitt designet for nøkkelpunkt- og poseringsmerking ved hjelp av SageMaker Ground Truth. Merknadene eller etikettene som er opprettet av etikettarbeidsstyrken, eksporteres deretter til en Amazon enkel lagringstjeneste (Amazon S3) bøtte, der de kan brukes til nedstrømsprosesser som trening av dyplæringsmodeller for datasyn. Denne løsningen leder deg gjennom hvordan du setter opp og distribuerer de nødvendige komponentene for å lage en nettportal, samt hvordan du oppretter merkejobber for denne merkearbeidsflyten.
Følgende er et diagram over den generelle arkitekturen.
Denne arkitekturen består av flere nøkkelkomponenter, som vi forklarer mer detaljert i de følgende delene. Denne arkitekturen gir merkearbeiderne en nettportal som er vert for SageMaker Ground Truth. Denne portalen lar hver merkevare logge seg på og se merkejobbene sine. Etter at de har logget på, kan merkemaskinen velge en merkejobb og begynne å kommentere bilder ved å bruke det tilpassede brukergrensesnittet som er vert for Amazon CloudFront. Vi bruker AWS Lambda funksjoner for databehandling før merknad og etter merknad.
Følgende skjermbilde er et eksempel på brukergrensesnittet.
Merkemaskinen kan merke spesifikke nøkkelpunkter på bildet ved hjelp av brukergrensesnittet. Linjene mellom nøkkelpunkter vil automatisk bli tegnet for brukeren basert på en skjelettriggdefinisjon som brukergrensesnittet bruker. Brukergrensesnittet tillater mange tilpasninger, for eksempel følgende:
- Egendefinerte nøkkelpunktnavn
- Konfigurerbare nøkkelpunktfarger
- Konfigurerbare rigglinjefarger
- Konfigurerbare skjelett- og riggstrukturer
Hver av disse er målrettede funksjoner for å gjøre merkingen enklere og mer fleksibel. Spesifikke UI-tilpasningsdetaljer finner du i GitHub repo og er oppsummert senere i dette innlegget. Legg merke til at i dette innlegget bruker vi estimering av menneskelig positur som en grunnoppgave, men du kan utvide den til å merke objektposisjon med en forhåndsdefinert rigg også for andre objekter, for eksempel dyr eller kjøretøy. I det følgende eksempelet viser vi hvordan dette kan brukes for å merke punktene til en kassebil.
SageMaker Ground Truth
I denne løsningen bruker vi SageMaker Ground Truth for å gi merkearbeidsstyrken en nettportal og en måte å administrere merkejobber på. Dette innlegget forutsetter at du er kjent med SageMaker Ground Truth. For mer informasjon, se Amazon SageMaker Ground Truth.
CloudFront-distribusjon
For denne løsningen krever merkegrensesnittet en spesialbygd JavaScript-komponent kalt crowd-2d-skeleton-komponenten. Denne komponenten finner du på GitHub som en del av Amazons åpen kildekode-initiativer. CloudFront-distribusjonen vil bli brukt til å være vert for crowd-2d-skeleton.js, som trengs av SageMaker Ground Truth UI. CloudFront-distribusjonen vil bli tildelt en opprinnelsestilgangsidentitet, som vil tillate CloudFront-distribusjonen å få tilgang til crowd-2d-skeleton.js som ligger i S3-bøtten. S3-bøtten vil forbli privat og ingen andre objekter i denne bøtten vil være tilgjengelig via CloudFront-distribusjonen på grunn av begrensninger vi legger på identiteten for opprinnelsestilgang gjennom en bøttepolicy. Dette er en anbefalt praksis for å følge prinsippet om minste privilegium.
Amazon S3 bøtte
Vi bruker S3-bøtten til å lagre SageMaker Ground Truth-inndata- og utdatamanifestfilene, den tilpassede UI-malen, bilder for merkejobbene og JavaScript-koden som trengs for det tilpassede UI. Denne bøtten vil være privat og ikke tilgjengelig for offentligheten. Bøtten vil også ha en bøttepolicy som begrenser CloudFront-distribusjonen til bare å kunne få tilgang til JavaScript-koden som trengs for brukergrensesnittet. Dette hindrer CloudFront-distribusjonen fra å være vert for andre objekter i S3-bøtten.
Lambda-funksjon før annotering
SageMaker Ground Truth-merkejobber bruker vanligvis en input-manifestfil, som er i JSON Lines-format. Denne input-manifestfilen inneholder metadata for en merkejobb, fungerer som en referanse til dataene som må merkes, og hjelper til med å konfigurere hvordan dataene skal presenteres for kommentatorene. Lambda-funksjonen før annotering behandler elementer fra inndatamanifestfilen før manifestdataene legges inn i den egendefinerte UI-malen. Det er her enhver formatering eller spesielle modifikasjoner av elementene kan gjøres før dataene presenteres for annotatorene i brukergrensesnittet. For mer informasjon om pre-annotering Lambda-funksjoner, se Forannotering Lambda.
Lambda-funksjon etter annotering
I likhet med lambda-funksjonen før merknader, håndterer funksjonen etter merknader ytterligere databehandling som du kanskje vil gjøre etter at alle merkerne er ferdige med å merke, men før du skriver de endelige kommentarresultatene. Denne behandlingen gjøres av en Lambda-funksjon, som er ansvarlig for å formatere dataene for resultatene av merkejobben. I denne løsningen bruker vi den ganske enkelt til å returnere dataene i vårt ønskede utdataformat. For mer informasjon om lambda-funksjoner etter merknader, se Lambda etter annotering.
Lambdafunksjonsrolle etter annotering
Vi bruker en AWS identitets- og tilgangsadministrasjon (IAM) rolle for å gi lambdafunksjonen etter merknader tilgang til S3-bøtten. Dette er nødvendig for å lese merknadsresultatene og gjøre eventuelle endringer før du skriver ut de endelige resultatene til utdatamanifestfilen.
SageMaker Ground Truth-rolle
Vi bruker denne IAM-rollen til å gi SageMaker Ground Truth-merkejobben muligheten til å påkalle Lambda-funksjonene og til å lese bildene, manifestfilene og den egendefinerte UI-malen i S3-bøtten.
Forutsetninger
For dette gjennomgangen bør du ha følgende forutsetninger:
For denne løsningen bruker vi AWS CDK for å distribuere arkitekturen. Deretter lager vi en prøvemerkingsjobb, bruker merknadsportalen til å merke bildene i merkejobben og undersøker merkingsresultatene.
Opprett AWS CDK-stabelen
Etter at du har fullført alle forutsetningene, er du klar til å distribuere løsningen.
Sett opp ressursene dine
Fullfør følgende trinn for å konfigurere ressursene dine:
- Last ned eksempelstabelen fra GitHub repo.
- Bruk cd-kommandoen for å bytte til depotet.
- Lag ditt Python-miljø og installer nødvendige pakker (se depotet README.md for flere detaljer).
- Med Python-miljøet ditt aktivert, kjør følgende kommando:
- Kjør følgende kommando for å distribuere AWS CDK:
- Kjør følgende kommando for å kjøre skriptet etter distribusjon:
Opprett en merkejobb
Etter at du har konfigurert ressursene dine, er du klar til å lage en merkejobb. For formålet med dette innlegget lager vi en merkejobb ved å bruke eksempelskriptene og bildene som er gitt i depotet.
- CD inn i
scripts
katalogen i depotet. - Last ned eksempelbildene fra internett ved å kjøre følgende kode:
Dette skriptet laster ned et sett med 10 bilder, som vi bruker i vår eksempelmerkejobb. Vi gjennomgår hvordan du bruker dine egne tilpassede inndata senere i dette innlegget.
- Opprett en merkejobb ved å kjøre til følgende kode:
Dette skriptet tar en SageMaker Ground Truth privat arbeidsstyrke ARN som et argument, som bør være ARN for en arbeidsstyrke du har på samme konto som du distribuerte denne arkitekturen til. Skriptet vil opprette input-manifestfilen for merkejobben vår, laste den opp til Amazon S3 og lage en SageMaker Ground Truth tilpasset merkejobb. Vi tar et dypere dykk inn i detaljene i dette manuset senere i dette innlegget.
Merk datasettet
Etter at du har startet eksempelet på merkejobben, vil den vises på SageMaker-konsollen så vel som på arbeidsstokkportalen.
I arbeidsstyrkeportalen velger du merkejobben og velger Begynn å jobbe.
Du vil bli presentert med et bilde fra eksempeldatasettet. På dette tidspunktet kan du bruke det tilpassede crowd-2d-skeleton-grensesnittet for å kommentere bildene. Du kan gjøre deg kjent med crowd-2d-skeleton UI ved å referere til Oversikt over brukergrensesnitt. Vi bruker riggdefinisjonen fra COCO nøkkelpunkt deteksjon datasett utfordring som den menneskelige poseringsriggen. For å gjenta, kan du tilpasse dette uten vår egendefinerte UI-komponent for å fjerne eller legge til poeng basert på dine krav.
Når du er ferdig med å kommentere et bilde, velger du Send. Dette tar deg til neste bilde i datasettet til alle bildene er merket.
Få tilgang til merkeresultatene
Når du er ferdig med å merke alle bildene i merkejobben, vil SageMaker Ground Truth starte Lambda-funksjonen etter merknader og produsere en output.manifest-fil som inneholder alle merknadene. Dette output.manifest
vil bli lagret i S3-bøtta. I vårt tilfelle bør plasseringen av utdatamanifestet følge S3 URI-banen s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. Output.manifest-filen er en JSON Lines-fil, der hver linje tilsvarer et enkelt bilde og dets merknader fra etikettarbeidsstyrken. Hvert JSON-linjeelement er et JSON-objekt med mange felt. Feltet vi er interessert i heter label-results
. Verdien til dette feltet er et objekt som inneholder følgende felt:
- datasettobjekt-id – IDen eller indeksen til inndatamanifestelementet
- data_object_s3_uri – Bildets Amazon S3 URI
- bildefilnavn – Bildets filnavn
- image_s3_location – Bildets Amazon S3 URL
- original_annotations – De originale merknadene (bare satt og brukt hvis du bruker en arbeidsflyt før merknader)
- oppdaterte_merknader – Kommentarene til bildet
- worker_id – Arbeidsstyrken som har laget merknadene
- ingen_endringer_nødvendig – Hvorvidt avmerkingsboksen ingen endringer er nødvendig er valgt
- ble_modifisert – Om merknadsdataene avviker fra de opprinnelige inndataene
- total_time_in_secons – Tiden det tok arbeidstakeren å kommentere bildet
Med disse feltene kan du få tilgang til kommentarresultatene for hvert bilde og gjøre beregninger som gjennomsnittlig tid for å merke et bilde.
Lag dine egne merkejobber
Nå som vi har laget et eksempel på en merkejobb og du forstår den generelle prosessen, leder vi deg gjennom koden som er ansvarlig for å opprette manifestfilen og starte merkejobben. Vi fokuserer på de viktigste delene av skriptet som du kanskje vil endre for å lansere dine egne merkejobber.
Vi dekker kodebiter fra create_example_labeling_job.py
skriptet som ligger i GitHub repository. Skriptet starter med å sette opp variabler som brukes senere i skriptet. Noen av variablene er hardkodet for enkelhets skyld, mens andre, som er stackavhengige, vil bli importert dynamisk under kjøring ved å hente verdiene som er opprettet fra vår AWS CDK-stabel.
Den første nøkkeldelen i dette skriptet er opprettelsen av manifestfilen. Husk at manifestfilen er en JSON-linjefil som inneholder detaljene for en SageMaker Ground Truth-merkejobb. Hvert JSON Lines-objekt representerer ett element (for eksempel et bilde) som må merkes. For denne arbeidsflyten bør objektet inneholde følgende felt:
- kilde-ref – Amazon S3 URI til bildet du ønsker å merke.
- merknader – En liste over merknadsobjekter, som brukes til å forhåndsmerke arbeidsflyter. Se crowd-2d-skjelett dokumentasjon for mer informasjon om forventede verdier.
Skriptet oppretter en manifestlinje for hvert bilde i bildekatalogen ved å bruke følgende kodedel:
Hvis du vil bruke andre bilder eller peke til en annen bildekatalog, kan du endre den delen av koden. I tillegg, hvis du bruker en arbeidsflyt før merknader, kan du oppdatere merknadsmatrisen med en JSON-streng som består av matrisen og alle dens merknadsobjekter. Detaljene for formatet til denne matrisen er dokumentert i crowd-2d-skjelett dokumentasjon.
Med manifestordrelinjene som nå er opprettet, kan du opprette og laste opp manifestfilen til S3-bøtten du opprettet tidligere:
Nå som du har opprettet en manifestfil som inneholder bildene du vil merke, kan du opprette en merkejobb. Du kan opprette merkejobben programmatisk ved å bruke AWS SDK for Python (Boto3). Koden for å opprette en merkejobb er som følger:
Aspektene ved denne koden du kanskje vil endre er LabelingJobName
, TaskTitle
og TaskDescription
. De LabelingJobName
er det unike navnet på merkejobben som SageMaker vil bruke for å referere til jobben din. Dette er også navnet som vil vises på SageMaker-konsollen. TaskTitle
tjener et lignende formål, men trenger ikke å være unikt og vil være navnet på jobben som vises i arbeidsstyrkeportalen. Det kan være lurt å gjøre disse mer spesifikke for hva du merker eller hva merkejobben er for. Til slutt har vi TaskDescription
felt. Dette feltet vises i arbeidsstyrkeportalen for å gi ekstra kontekst til merkerne om hva oppgaven er, for eksempel instruksjoner og veiledning for oppgaven. For mer informasjon om disse feltene så vel som de andre, se opprette_merking_jobbdokumentasjon.
Gjør justeringer i brukergrensesnittet
I denne delen går vi over noen av måtene du kan tilpasse brukergrensesnittet på. Følgende er en liste over de vanligste potensielle tilpasningene til brukergrensesnittet for å tilpasse det til modelleringsoppgaven din:
- Du kan definere hvilke nøkkelpunkter som kan merkes. Dette inkluderer navnet på nøkkelpunktet og fargen på det.
- Du kan endre strukturen til skjelettet (hvilke nøkkelpunkter er koblet sammen).
- Du kan endre linjefargene for bestemte linjer mellom bestemte nøkkelpunkter.
Alle disse UI-tilpasningene kan konfigureres gjennom argumenter som sendes inn i crowd-2d-skeleton-komponenten, som er JavaScript-komponenten som brukes i denne tilpasset arbeidsflytmal. I denne malen finner du bruken av crowd-2d-skeleton-komponenten. En forenklet versjon vises i følgende kode:
I det foregående kodeeksemplet kan du se følgende attributter på komponenten: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
og intialValues
. Vi beskriver hvert attributts formål i de følgende delene, men å tilpasse brukergrensesnittet er like enkelt som å endre verdiene for disse attributtene, lagre malen og kjøre på nytt post_deployment_script.py
vi brukte tidligere.
imgSrc-attributt
De imgSrc
attributt kontrollerer hvilket bilde som skal vises i brukergrensesnittet ved merking. Vanligvis brukes et annet bilde for hver manifestordrelinje, så dette attributtet fylles ofte ut dynamisk ved hjelp av den innebygde Flytende maler språk. Du kan se i forrige kodeeksempel at attributtverdien er satt til {{ task.input.image_s3_uri | grant_read_access }}
, som er flytende malvariabel som vil bli erstattet med den faktiske image_s3_uri
verdi når malen gjengis. Gjengivelsesprosessen starter når brukeren åpner et bilde for merknader. Denne prosessen henter en artikkel fra inndatamanifestfilen og sender den til lambda-funksjonen før annotering som en event.dataObject
. Pre-annoteringsfunksjonen tar informasjonen den trenger fra linjeelementet og returnerer en taskInput
ordbok, som deretter sendes til Liquid-gjengivelsesmotoren, som vil erstatte eventuelle Liquid-variabler i malen din. La oss for eksempel si at du har en manifestfil med følgende linje:
Disse dataene vil bli sendt til pre-annoteringsfunksjonen. Følgende kode viser hvordan funksjonen trekker ut verdiene fra hendelsesobjektet:
Objektet som returneres fra funksjonen i dette tilfellet vil se ut som følgende kode:
De returnerte dataene fra funksjonen er da tilgjengelig for Liquid template-motoren, som erstatter malverdiene i malen med dataverdiene som returneres av funksjonen. Resultatet vil være noe sånt som følgende kode:
keypointClasses-attributt
De keypointClasses
attributt definerer hvilke nøkkelpunkter som skal vises i brukergrensesnittet og brukes av kommentatorene. Dette attributtet tar en JSON-streng som inneholder en liste over objekter. Hvert objekt representerer et nøkkelpunkt. Hvert nøkkelpunktobjekt skal inneholde følgende felt:
- id – En unik verdi for å identifisere det nøkkelpunktet.
- farge – Fargen på nøkkelpunktet representert som en HTML-hex-farge.
- etikett – Navnet eller nøkkelpunktklassen.
- x – Denne valgfrie attributten er bare nødvendig hvis du vil bruke tegneskjelettfunksjonaliteten i brukergrensesnittet. Verdien for dette attributtet er x-posisjonen til nøkkelpunktet i forhold til skjelettets avgrensningsramme. Denne verdien oppnås vanligvis av Skeleton Rig Creator-verktøy. Hvis du gjør nøkkelpunktkommentarer og ikke trenger å tegne et helt skjelett på en gang, kan du sette denne verdien til 0.
- y – Dette valgfrie attributtet ligner på x, men for den vertikale dimensjonen.
For mer informasjon om keypointClasses
attributt, se keypointClass dokumentasjon.
skjelettRig-attributt
De skeletonRig
attributt kontrollerer hvilke nøkkelpunkter som skal ha linjer trukket mellom seg. Dette attributtet tar en JSON-streng som inneholder en liste over nøkkelpunktetikettpar. Hvert par informerer brukergrensesnittet om hvilke nøkkelpunkter det skal trekke linjer mellom. For eksempel, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
informerer brukergrensesnittet om å trekke linjer mellom "left_ankle"
og "left_knee"
og trekke linjer mellom "left_knee"
og "left_hip"
. Dette kan genereres av Skeleton Rig Creator-verktøy.
skeletonBoundingBox-attributt
De skeletonBoundingBox
attributt er valgfritt og bare nødvendig hvis du vil bruke tegneskjelettfunksjonaliteten i brukergrensesnittet. Tegneskjelettfunksjonaliteten er muligheten til å kommentere hele skjeletter med en enkelt merknadshandling. Vi dekker ikke denne funksjonen i dette innlegget. Verdien for dette attributtet er skjelettets avgrensningsrammedimensjoner. Denne verdien oppnås vanligvis av Skeleton Rig Creator-verktøy. Hvis du gjør nøkkelpunktkommentarer og ikke trenger å tegne et helt skjelett på en gang, kan du sette denne verdien til null. Det anbefales å bruke Skeleton Rig Creator-verktøyet for å få denne verdien.
intialValues-attributt
De initialValues
attributt brukes til å forhåndsutfylle brukergrensesnittet med merknader hentet fra en annen prosess (for eksempel en annen merkejobb eller maskinlæringsmodell). Dette er nyttig når du utfører justeringer eller gjennomganger. Dataene for dette feltet fylles vanligvis ut dynamisk i samme beskrivelse for imgSrc
Egenskap. Flere detaljer finner du i crowd-2d-skjelett dokumentasjon.
Rydd opp
For å unngå fremtidige kostnader, bør du slette objektene i S3-bøtten din og slette AWS CDK-stabelen. Du kan slette S3-objektene dine via Amazon SageMaker-konsollen eller AWS kommandolinjegrensesnitt (AWS CLI). Etter at du har slettet alle S3-objektene i bøtta, kan du ødelegge AWS CDK ved å kjøre følgende kode:
Dette vil fjerne ressursene du opprettet tidligere.
betraktninger
Ytterligere trinn kan være nødvendig for å produsere arbeidsflyten din. Her er noen hensyn avhengig av organisasjonens risikoprofil:
- Legger til tilgang og applikasjonslogging
- Legge til en brannmur for nettapplikasjoner (WAF)
- Justering av IAM-tillatelser for å følge minste privilegium
konklusjonen
I dette innlegget delte vi viktigheten av merkingseffektivitet og nøyaktighet i å bygge positur-estimeringsdatasett. For å hjelpe med begge elementene, viste vi hvordan du kan bruke SageMaker Ground Truth til å bygge tilpassede merkearbeidsflyter for å støtte skjelettbaserte poseringsmerkingsoppgaver, med sikte på å forbedre effektiviteten og presisjonen under merkeprosessen. Vi viste hvordan du kan utvide koden og eksemplene ytterligere til ulike krav til egendefinerte posisjonsestimater.
Vi oppfordrer deg til å bruke denne løsningen til merkeoppgavene dine og til å ta kontakt med AWS for assistanse eller forespørsler knyttet til tilpassede merkearbeidsflyter.
Om forfatterne
Arthur Putnam er en full-stack dataforsker i AWS Professional Services. Arthurs ekspertise er sentrert rundt utvikling og integrering av front-end- og back-end-teknologier i AI-systemer. Utenom jobben liker Arthur å utforske de siste fremskrittene innen teknologi, tilbringe tid med familien og nyte naturen.
Ben Fenker er senior dataforsker i AWS Professional Services og har hjulpet kunder med å bygge og distribuere ML-løsninger i bransjer som spenner fra sport til helsevesen til produksjon. Han har en Ph.D. i fysikk fra Texas A&M University og 6 års bransjeerfaring. Ben liker baseball, lese og oppdra barna sine.
Jarvis Lee er senior dataforsker med AWS Professional Services. Han har vært hos AWS i over seks år, og jobbet med kunder med maskinlæring og problemer med datasyn. Utenom jobben liker han å sykle.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- evne
- I stand
- adgang
- tilgjengelig
- Logg inn
- nøyaktighet
- nøyaktig
- nøyaktig
- erverve
- oppkjøp
- tvers
- Handling
- handlinger
- faktiske
- legge til
- Ytterligere
- I tillegg
- Justering
- justeringer
- fremskritt
- Etter
- AI
- AI-systemer
- Sikter
- Alle
- tillate
- tillater
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Amazon Web Services
- an
- og
- dyr
- En annen
- noen
- vises
- vises
- Søknad
- søknader
- anvendt
- arkitektur
- ER
- argument
- argumenter
- rundt
- Array
- Arthur
- AS
- aspekter
- tildelt
- Assistanse
- antar
- At
- attributter
- augmented
- Augmented Reality
- automatisk
- tilgjengelig
- gjennomsnittlig
- unngå
- AWS
- AWS profesjonelle tjenester
- Back-end
- baseball
- basert
- Baseline
- BE
- fordi
- vært
- før du
- begynne
- være
- ben
- mellom
- både
- Eske
- bred
- nett~~POS=TRUNC leseren~~POS=HEADCOMP
- bygge
- Bygning
- innebygd
- byrde
- men
- by
- beregninger
- som heter
- CAN
- nøye
- saken
- CD
- sentrert
- endring
- Endringer
- endring
- avgifter
- sjekk
- Velg
- klasse
- renere
- cli
- kunde
- kode
- farge
- kommer
- Felles
- fullføre
- komponent
- komponenter
- Omfattet
- datamaskin
- Datamaskin syn
- tilkoblet
- betraktninger
- konsistent
- Består
- Konsoll
- inneholde
- inneholder
- kontekst
- kontroller
- tilsvarer
- Kostnad
- dekke
- skape
- opprettet
- skaper
- Opprette
- skaperverket
- skaperen
- kritisk
- kryssing
- mengde
- skikk
- Custom-bygget
- Kunder
- tilpasning
- tilpasse
- dato
- databehandling
- dataforsker
- datasett
- dato tid
- dyp
- dyp læring
- dypere
- definere
- definert
- definerer
- definisjon
- demonstrere
- avhengig
- avhengig
- avhenger
- utplassere
- utplassert
- beskrive
- beskrivelse
- designet
- utforme
- ønsket
- ødelegge
- detalj
- detaljer
- Gjenkjenning
- utvikle
- diagram
- forskjellig
- Dimensjon
- dimensjoner
- direkte
- katalog
- distribusjon
- dykk
- diverse
- do
- ikke
- gjør
- gjort
- ikke
- nedlastinger
- tegne
- trukket
- to
- under
- dynamisk
- hver enkelt
- Tidligere
- lette
- lett
- effektivitet
- effektivitet
- oppmuntre
- engasjere
- Motor
- forbedre
- nyter
- sikrer
- Entertainment
- Hele
- Miljø
- feil
- feil
- Selv
- Event
- undersøke
- eksempel
- eksempler
- Expand
- forventet
- erfaring
- ekspertise
- Forklar
- Utforske
- utvide
- ekstra
- ekstrakter
- kjent
- lest
- familie
- Trekk
- Egenskaper
- felt
- Felt
- filet
- Filer
- slutt~~POS=TRUNC
- Finn
- brannmur
- Først
- fleksibilitet
- Fokus
- følge
- etter
- følger
- Fot
- Til
- format
- funnet
- fra
- funksjon
- funksjonalitet
- funksjoner
- fundamental
- videre
- framtid
- generert
- få
- gif
- GitHub
- Gi
- Go
- Ground
- veiledning
- Håndterer
- Ha
- å ha
- he
- helsetjenester
- tungt
- hjelpe
- hjulpet
- nyttig
- hjelper
- her.
- HEX
- høykvalitets
- hans
- vert
- vert
- Hosting
- Hvordan
- Hvordan
- HTML
- http
- HTTPS
- menneskelig
- Hundrevis
- ID
- identifisert
- identifisere
- identifisering
- Identitet
- if
- bilde
- bilder
- betydning
- viktig
- forbedre
- forbedret
- in
- inkluderer
- Incorporated
- indeks
- bransjer
- industri
- ineffektiv
- påvirket
- informasjon
- informerer
- initiativer
- inngang
- forespørsler
- installere
- instruksjoner
- Integrering
- interesse
- interessert
- Interface
- Internet
- inn
- innebærer
- IT
- varer
- DET ER
- Javascript
- Jobb
- Jobb
- jpg
- JSON
- nøkkel
- Nøkkelpunktdeteksjon
- kids
- Etiketten
- merking
- etiketter
- Språk
- stor
- til slutt
- seinere
- siste
- lansere
- lansert
- lansere
- ledende
- LÆRE
- læring
- minst
- Lar
- i likhet med
- linje
- linjer
- Flytende
- Liste
- ligger
- plassering
- logg
- logget
- Se
- ser ut som
- maskin
- maskinlæring
- laget
- gjøre
- administrer
- håndbok
- produksjon
- mange
- merke
- merking
- Kan..
- kan være
- Media
- medisinsk
- Medisinske applikasjoner
- metadata
- minimere
- feil
- ML
- modell
- modellering
- modeller
- modifikasjoner
- modifisere
- mer
- mest
- navn
- Natur
- nødvendig
- Trenger
- nødvendig
- behov
- neste
- Nei.
- note
- nå
- objekt
- gjenstander
- innhentet
- å skaffe seg
- of
- ofte
- on
- gang
- ONE
- på nett
- bare
- åpen
- åpen kildekode
- åpner
- or
- rekkefølge
- organisasjoner
- opprinnelse
- original
- OS
- Annen
- andre
- vår
- ut
- utendørs
- produksjon
- utenfor
- enn
- samlet
- egen
- pakker
- par
- par
- del
- deler
- bestått
- banen
- Ansatte
- ytelse
- tillatelser
- Fysikk
- Sted
- plato
- Platon Data Intelligence
- PlatonData
- Point
- poeng
- politikk
- befolket
- Portal
- positur
- Pose Estimering
- positurer
- posisjon
- Post
- potensiell
- praksis
- forut
- Precision
- forutsetninger
- presentert
- presentere
- forebygge
- forhindrer
- forrige
- tidligere
- prinsipp
- privat
- problemer
- prosess
- Prosesser
- prosessering
- produsere
- profesjonell
- Profil
- gi
- forutsatt
- gir
- offentlig
- formål
- formål
- Python
- kvalitet
- raskt
- heve
- område
- spenner
- Lese
- Lesning
- klar
- virkelige verden
- Reality
- gjenkjenne
- anbefales
- redusere
- referere
- referanse
- i slekt
- slektning
- pålitelig
- forbli
- fjerne
- gjengitt
- gjengivelse
- erstatte
- erstattet
- Repository
- representert
- representerer
- påkrevd
- Krav
- Krever
- Ressurser
- svar
- ansvarlig
- restriksjoner
- resultere
- Resultater
- retur
- avkastning
- anmeldelse
- riding
- rigg
- Risiko
- robotikk
- robust
- Rolle
- Kjør
- rennende
- runtime
- sagemaker
- samme
- sample
- besparende
- sier
- scenarier
- Forsker
- script
- skript
- SDK
- Seksjon
- seksjoner
- sikkerhet
- se
- velg
- sender
- senior
- serverer
- Tjenester
- sett
- innstilling
- flere
- delt
- bør
- Vis
- viste
- vist
- Viser
- signifikant
- lignende
- Enkelt
- enkelhet
- forenklet
- ganske enkelt
- enkelt
- SIX
- So
- løsning
- Solutions
- noen
- noe
- kilde
- spesiell
- spesifikk
- spesielt
- utgifter
- Sports
- stable
- starter
- Steps
- lagring
- oppbevare
- lagret
- rett fram
- effektivisere
- String
- struktur
- betydelig
- slik
- støtte
- swap
- swaps
- system
- Systemer
- Ta
- tar
- målrettet
- Oppgave
- oppgaver
- teknikk
- Technologies
- Teknologi
- mal
- titus
- texas
- Det
- De
- informasjonen
- Køen
- deres
- Dem
- deretter
- derved
- derfor
- Disse
- de
- denne
- tusener
- Gjennom
- Tied
- tid
- til
- tok
- verktøy
- Tog
- trent
- Kurs
- utløst
- lastebil
- sant
- Sannhet
- SVING
- typisk
- ui
- forstå
- unik
- universitet
- til
- Oppdater
- bruk
- bruke
- brukt
- nyttig
- Bruker
- Brukergrensesnitt
- bruker
- ved hjelp av
- vanligvis
- verdi
- Verdier
- variabel
- variasjoner
- ulike
- Kjøretøy
- versjon
- vertikal
- av
- videoer
- syn
- visuell
- volum
- W
- gå
- vandringer
- walkthrough
- ønsker
- var
- Vei..
- måter
- we
- web
- Webapplikasjon
- nettleser
- webtjenester
- VI VIL
- Hva
- når
- mens
- om
- hvilken
- mens
- HVEM
- vil
- ønske
- med
- innenfor
- uten
- Arbeid
- arbeidstaker
- arbeidsflyt
- arbeidsflyt
- arbeidsstyrke
- arbeid
- ville
- skriving
- X
- år
- Du
- Din
- deg selv
- zephyrnet