A estimativa de pose é uma técnica de visão computacional que detecta um conjunto de pontos em objetos (como pessoas ou veículos) em imagens ou vídeos. A estimativa de pose tem aplicações no mundo real em esportes, robótica, segurança, realidade aumentada, mídia e entretenimento, aplicações médicas e muito mais. Os modelos de estimativa de pose são treinados em imagens ou vídeos anotados com um conjunto consistente de pontos (coordenadas) definidos por um equipamento. Para treinar modelos precisos de estimativa de pose, primeiro você precisa adquirir um grande conjunto de dados de imagens anotadas; muitos conjuntos de dados têm dezenas ou centenas de milhares de imagens anotadas e exigem recursos significativos para serem construídos. Erros de rotulagem são importantes para identificar e prevenir porque o desempenho do modelo para modelos de estimativa de pose é fortemente influenciado pela qualidade e volume de dados rotulados.
Nesta postagem, mostramos como você pode usar um fluxo de trabalho de etiquetagem personalizado em Verdade no solo do Amazon SageMaker projetado especificamente para rotulagem de pontos-chave. Esse fluxo de trabalho personalizado ajuda a agilizar o processo de etiquetagem e minimizar erros de etiquetagem, reduzindo assim o custo de obtenção de etiquetas de pose de alta qualidade.
Importância de dados de alta qualidade e redução de erros de rotulagem
Dados de alta qualidade são fundamentais para treinar modelos de estimativa de pose robustos e confiáveis. A precisão desses modelos está diretamente ligada à correção e precisão dos rótulos atribuídos a cada ponto-chave da pose, o que, por sua vez, depende da eficácia do processo de anotação. Além disso, ter um volume substancial de dados diversos e bem anotados garante que o modelo possa aprender uma ampla gama de poses, variações e cenários, levando a uma melhor generalização e desempenho em diferentes aplicações do mundo real. A aquisição desses grandes conjuntos de dados anotados envolve anotadores humanos que rotulam cuidadosamente as imagens com informações de pose. Ao rotular pontos de interesse na imagem, é útil ver a estrutura esquelética do objeto durante a rotulagem, a fim de fornecer orientação visual ao anotador. Isso é útil para identificar erros de rotulagem antes de serem incorporados ao conjunto de dados, como trocas esquerda-direita ou rótulos incorretos (como marcar um pé como ombro). Por exemplo, um erro de rotulagem como a troca esquerda-direita feita no exemplo a seguir pode ser facilmente identificado pelo cruzamento das linhas do esqueleto e pela incompatibilidade das cores. Essas dicas visuais ajudam os rotuladores a reconhecer erros e resultarão em um conjunto de etiquetas mais limpo.
Devido à natureza manual da rotulagem, a obtenção de conjuntos de dados rotulados grandes e precisos pode ter um custo proibitivo e ainda mais com um sistema de rotulagem ineficiente. Portanto, a eficiência e a precisão da etiquetagem são essenciais ao projetar seu fluxo de trabalho de etiquetagem. Nesta postagem, demonstramos como usar um fluxo de trabalho de rotulagem personalizado do SageMaker Ground Truth para anotar imagens com rapidez e precisão, reduzindo a carga de desenvolvimento de grandes conjuntos de dados para fluxos de trabalho de estimativa de pose.
Visão geral da solução
Esta solução fornece um portal da web on-line onde a força de trabalho de etiquetagem pode usar um navegador da web para fazer login, acessar trabalhos de etiquetagem e anotar imagens usando a interface de usuário (IU) crowd-2d-skeleton, uma IU personalizada projetada para rotulagem de pontos-chave e poses usando Verdade fundamental do SageMaker. As anotações ou etiquetas criadas pela equipe de etiquetagem são então exportadas para um Serviço de armazenamento simples da Amazon (Amazon S3), onde podem ser usados para processos posteriores, como treinamento de modelos de visão computacional de aprendizado profundo. Esta solução orienta você sobre como configurar e implantar os componentes necessários para criar um portal da web, bem como criar trabalhos de etiquetagem para esse fluxo de trabalho de etiquetagem.
A seguir está um diagrama da arquitetura geral.
Essa arquitetura é composta por vários componentes principais, cada um dos quais explicaremos com mais detalhes nas seções a seguir. Essa arquitetura fornece à força de trabalho de etiquetagem um portal on-line hospedado pelo SageMaker Ground Truth. Este portal permite que cada etiquetadora faça login e veja seus trabalhos de etiquetagem. Depois de fazer login, o rotulador pode selecionar um trabalho de rotulagem e começar a anotar imagens usando a UI personalizada hospedada por Amazon CloudFront. Nós usamos AWS Lambda funções para processamento de dados pré-anotação e pós-anotação.
A captura de tela a seguir é um exemplo da IU.
O rotulador pode marcar pontos-chave específicos na imagem usando a IU. As linhas entre os pontos-chave serão desenhadas automaticamente para o usuário com base em uma definição de estrutura de esqueleto usada pela IU. A IU permite muitas personalizações, como as seguintes:
- Nomes de pontos-chave personalizados
- Cores de pontos-chave configuráveis
- Cores de linha de equipamento configuráveis
- Esqueleto configurável e estruturas de plataforma
Cada um desses são recursos direcionados para melhorar a facilidade e a flexibilidade da etiquetagem. Detalhes específicos de personalização da UI podem ser encontrados no GitHub repo e são resumidos posteriormente neste post. Observe que nesta postagem usamos a estimativa de pose humana como uma tarefa básica, mas você pode expandi-la para rotular a pose de objeto com um equipamento predefinido para outros objetos também, como animais ou veículos. No exemplo a seguir, mostramos como isso pode ser aplicado para rotular os pontos de um caminhão baú.
Verdade do terreno do SageMaker
Nesta solução, usamos o SageMaker Ground Truth para fornecer à força de trabalho de etiquetagem um portal on-line e uma forma de gerenciar trabalhos de etiquetagem. Esta postagem pressupõe que você esteja familiarizado com o SageMaker Ground Truth. Para obter mais informações, consulte Verdade no solo do Amazon SageMaker.
Distribuição do CloudFront
Para esta solução, a IU de rotulagem requer um componente JavaScript personalizado chamado componente crowd-2d-skeleton. Este componente pode ser encontrado em GitHub como parte das iniciativas de código aberto da Amazon. A distribuição do CloudFront será usada para hospedar o multidão-2d-skeleton.js, que é necessário para a UI do SageMaker Ground Truth. A distribuição do CloudFront receberá uma identidade de acesso de origem, que permitirá que a distribuição do CloudFront acesse crowd-2d-skeleton.js residente no bucket S3. O bucket S3 permanecerá privado e nenhum outro objeto neste bucket estará disponível por meio da distribuição do CloudFront devido às restrições que colocamos na identidade de acesso de origem por meio de uma política de bucket. Esta é uma prática recomendada para seguir o princípio do menor privilégio.
Bucket Amazon S3
Usamos o bucket S3 para armazenar os arquivos de manifesto de entrada e saída do SageMaker Ground Truth, o modelo de UI personalizado, imagens para os trabalhos de rotulagem e o código JavaScript necessário para a UI personalizada. Este bucket será privado e não acessível ao público. O bucket também terá uma política de bucket que restringe a distribuição do CloudFront a apenas poder acessar o código JavaScript necessário para a IU. Isso evita que a distribuição do CloudFront hospede qualquer outro objeto no bucket S3.
Função Lambda de pré-anotação
Os trabalhos de rotulagem do SageMaker Ground Truth normalmente usam um arquivo de manifesto de entrada, que está no formato JSON Lines. Este arquivo de manifesto de entrada contém metadados para um trabalho de rotulagem, atua como uma referência para os dados que precisam ser rotulados e ajuda a configurar como os dados devem ser apresentados aos anotadores. A função Lambda de pré-anotação processa itens do arquivo de manifesto de entrada antes que os dados do manifesto sejam inseridos no modelo de UI personalizado. É aqui que qualquer formatação ou modificação especial nos itens pode ser feita antes de apresentar os dados aos anotadores na IU. Para obter mais informações sobre funções Lambda de pré-anotação, consulte Lambda de pré-anotação.
Função Lambda pós-anotação
Semelhante à função Lambda de pré-anotação, a função pós-anotação lida com o processamento de dados adicional que você pode querer fazer depois que todos os rotuladores terminarem a rotulagem, mas antes de gravar os resultados finais da saída da anotação. Esse processamento é feito por uma função Lambda, responsável por formatar os dados para os resultados de saída do trabalho de rotulagem. Nesta solução, estamos simplesmente usando-o para retornar os dados no formato de saída desejado. Para obter mais informações sobre funções Lambda pós-anotação, consulte Lambda pós-anotação.
Função da função Lambda pós-anotação
Nós usamos um Gerenciamento de acesso e identidade da AWS (IAM) para fornecer à função Lambda pós-anotação acesso ao bucket S3. Isso é necessário para ler os resultados da anotação e fazer quaisquer modificações antes de gravar os resultados finais no arquivo de manifesto de saída.
Função do SageMaker Ground Truth
Usamos essa função IAM para fornecer ao trabalho de rotulagem do SageMaker Ground Truth a capacidade de invocar as funções Lambda e ler as imagens, arquivos de manifesto e modelo de UI personalizado no bucket S3.
Pré-requisitos
Para este passo a passo, você deve ter os seguintes pré-requisitos:
Para esta solução, usamos o AWS CDK para implantar a arquitetura. Em seguida, criamos um trabalho de rotulagem de amostra, usamos o portal de anotações para rotular as imagens no trabalho de rotulagem e examinamos os resultados da rotulagem.
Crie a pilha AWS CDK
Depois de concluir todos os pré-requisitos, você estará pronto para implantar a solução.
Configure seus recursos
Conclua as etapas a seguir para configurar seus recursos:
- Baixe a pilha de exemplo do GitHub repo.
- Use o comando cd para entrar no repositório.
- Crie seu ambiente Python e instale os pacotes necessários (consulte o repositório README.md para mais detalhes).
- Com seu ambiente Python ativado, execute o seguinte comando:
- Execute o seguinte comando para implantar o AWS CDK:
- Execute o seguinte comando para executar o script pós-implantação:
Criar um trabalho de rotulagem
Depois de configurar seus recursos, você estará pronto para criar um trabalho de rotulagem. Para os fins desta postagem, criamos um trabalho de rotulagem usando os scripts e imagens de exemplo fornecidos no repositório.
- CD no
scripts
diretório no repositório. - Baixe as imagens de exemplo da Internet executando o seguinte código:
Este script baixa um conjunto de 10 imagens, que usamos em nosso exemplo de trabalho de rotulagem. Revisaremos como usar seus próprios dados de entrada personalizados posteriormente nesta postagem.
- Crie um trabalho de rotulagem executando o seguinte código:
Este script usa como argumento um ARN de força de trabalho privada do SageMaker Ground Truth, que deve ser o ARN de uma força de trabalho que você tem na mesma conta em que implantou esta arquitetura. O script criará o arquivo de manifesto de entrada para nosso trabalho de rotulagem, fará upload dele para o Amazon S3 e criará um trabalho de rotulagem personalizado do SageMaker Ground Truth. Iremos nos aprofundar nos detalhes desse script posteriormente nesta postagem.
Rotule o conjunto de dados
Depois de iniciar o trabalho de rotulagem de exemplo, ele aparecerá no console do SageMaker, bem como no portal da força de trabalho.
No portal da força de trabalho, selecione o trabalho de rotulagem e escolha Comece a trabalhar.
Você verá uma imagem do conjunto de dados de exemplo. Neste ponto, você pode usar a UI personalizada crowd-2d-skeleton para anotar as imagens. Você pode se familiarizar com a UI crowd-2d-skeleton consultando Visão geral da interface do usuário. Usamos a definição de plataforma do Desafio do conjunto de dados de detecção de ponto-chave COCO como o equipamento de pose humana. Para reiterar, você pode personalizar isso sem nosso componente de IU personalizado para remover ou adicionar pontos com base em seus requisitos.
Quando terminar de anotar uma imagem, escolha Submeter. Isso o levará para a próxima imagem no conjunto de dados até que todas as imagens sejam rotuladas.
Acesse os resultados da rotulagem
Quando você terminar de rotular todas as imagens no trabalho de rotulagem, o SageMaker Ground Truth invocará a função Lambda pós-anotação e produzirá um arquivo output.manifest contendo todas as anotações. Esse output.manifest
será armazenado no bucket S3. No nosso caso, a localização do manifesto de saída deve seguir o caminho do URI S3 s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. O arquivo output.manifest é um arquivo JSON Lines, onde cada linha corresponde a uma única imagem e suas anotações da força de trabalho de rotulagem. Cada item JSON Lines é um objeto JSON com muitos campos. O campo em que estamos interessados é chamado label-results
. O valor deste campo é um objeto que contém os seguintes campos:
- dataset_object_id – O ID ou índice do item do manifesto de entrada
- data_object_s3_uri – O URI do Amazon S3 da imagem
- nome_arquivo_imagem – O nome do arquivo da imagem
- imagem_s3_location – O URL do Amazon S3 da imagem
- anotações_originais – As anotações originais (definidas e usadas apenas se você estiver usando um fluxo de trabalho de pré-anotação)
- anotações_atualizadas – As anotações da imagem
- id_do_trabalhador – O trabalhador da força de trabalho que fez as anotações
- sem_mudanças_necessárias – Se a caixa de seleção nenhuma alteração necessária foi selecionada
- foi_modificado – Se os dados da anotação diferem dos dados de entrada originais
- total_tempo_em_segundos – O tempo que o trabalhador da força de trabalho levou para anotar a imagem
Com esses campos, você pode acessar os resultados da anotação para cada imagem e fazer cálculos como o tempo médio para rotular uma imagem.
Crie seus próprios trabalhos de etiquetagem
Agora que criamos um exemplo de trabalho de rotulagem e você entende o processo geral, orientamos você no código responsável por criar o arquivo de manifesto e iniciar o trabalho de rotulagem. Nós nos concentramos nas principais partes do script que você pode querer modificar para iniciar seus próprios trabalhos de etiquetagem.
Cobrimos trechos de código do create_example_labeling_job.py
roteiro localizado no Repositório GitHub. O script começa configurando variáveis que serão usadas posteriormente no script. Algumas das variáveis são codificadas para simplificar, enquanto outras, que dependem da pilha, serão importadas dinamicamente em tempo de execução, buscando os valores criados em nossa pilha AWS CDK.
A primeira seção principal deste script é a criação do arquivo de manifesto. Lembre-se de que o arquivo manifesto é um arquivo de linhas JSON que contém os detalhes de um trabalho de rotulagem do SageMaker Ground Truth. Cada objeto JSON Lines representa um item (por exemplo, uma imagem) que precisa ser rotulado. Para este fluxo de trabalho, o objeto deve conter os seguintes campos:
- fonte-ref – O URI do Amazon S3 para a imagem que você deseja rotular.
- anotações – Uma lista de objetos de anotação, que é usada para pré-anotar fluxos de trabalho. Veja o Documentação do esqueleto crowd-2d para mais detalhes sobre os valores esperados.
O script cria uma linha de manifesto para cada imagem no diretório de imagens usando a seguinte seção de código:
Se quiser usar imagens diferentes ou apontar para um diretório de imagens diferente, você pode modificar essa seção do código. Além disso, se estiver usando um fluxo de trabalho de pré-anotação, você poderá atualizar a matriz de anotações com uma string JSON que consiste na matriz e em todos os seus objetos de anotação. Os detalhes do formato desta matriz estão documentados no Documentação do esqueleto crowd-2d.
Com os itens de linha do manifesto agora criados, você pode criar e fazer upload do arquivo de manifesto para o bucket S3 criado anteriormente:
Agora que criou um arquivo de manifesto contendo as imagens que deseja rotular, você pode criar um trabalho de rotulagem. Você pode criar o trabalho de rotulagem programaticamente usando o SDK da AWS para Python (Boto3). O código para criar um trabalho de etiquetagem é o seguinte:
Os aspectos deste código que você pode querer modificar são LabelingJobName
, TaskTitle
e TaskDescription
. O LabelingJobName
é o nome exclusivo do trabalho de rotulagem que o SageMaker usará para fazer referência ao seu trabalho. Este também é o nome que aparecerá no console do SageMaker. TaskTitle
tem uma finalidade semelhante, mas não precisa ser exclusivo e será o nome da vaga que aparece no portal de força de trabalho. Você pode querer torná-los mais específicos para o que você está rotulando ou para que serve o trabalho de rotulagem. Por último, temos o TaskDescription
campo. Este campo aparece no portal da força de trabalho para fornecer contexto extra aos rotuladores sobre qual é a tarefa, como instruções e orientações para a tarefa. Para obter mais informações sobre esses campos e outros, consulte o documentação create_labeling_job.
Faça ajustes na IU
Nesta seção, abordamos algumas maneiras de personalizar a IU. A seguir está uma lista das personalizações potenciais mais comuns na UI para ajustá-la à sua tarefa de modelagem:
- Você pode definir quais pontos-chave podem ser rotulados. Isso inclui o nome do ponto-chave e sua cor.
- Você pode alterar a estrutura do esqueleto (quais pontos-chave estão conectados).
- Você pode alterar as cores das linhas específicas entre pontos-chave específicos.
Todas essas personalizações da UI são configuráveis através de argumentos passados para o componente crowd-2d-skeleton, que é o componente JavaScript usado neste modelo de fluxo de trabalho personalizado. Neste modelo, você encontrará o uso do componente crowd-2d-skeleton. Uma versão simplificada é mostrada no código a seguir:
No exemplo de código anterior, você pode ver os seguintes atributos no componente: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
e intialValues
. Descrevemos a finalidade de cada atributo nas seções a seguir, mas personalizar a UI é tão simples quanto alterar os valores desses atributos, salvar o modelo e executar novamente o post_deployment_script.py
usamos anteriormente.
Atributo imgSrc
A imgSrc
O atributo controla qual imagem mostrar na interface do usuário durante a rotulagem. Normalmente, uma imagem diferente é usada para cada item de linha do manifesto, portanto, esse atributo costuma ser preenchido dinamicamente usando o recurso integrado Líquido linguagem de modelagem. Você pode ver no exemplo de código anterior que o valor do atributo está definido como {{ task.input.image_s3_uri | grant_read_access }}
, que é a variável do modelo Liquid que será substituída pela real image_s3_uri
valor quando o modelo está sendo renderizado. O processo de renderização começa quando o usuário abre uma imagem para anotação. Esse processo captura um item de linha do arquivo de manifesto de entrada e o envia para a função Lambda de pré-anotação como um event.dataObject
. A função de pré-anotação pega as informações necessárias do item de linha e retorna um taskInput
dicionário, que é então passado para o mecanismo de renderização do Liquid, que substituirá quaisquer variáveis do Liquid em seu modelo. Por exemplo, digamos que você tenha um arquivo de manifesto com a seguinte linha:
Esses dados seriam passados para a função de pré-anotação. O código a seguir mostra como a função extrai os valores do objeto de evento:
O objeto retornado da função neste caso seria semelhante ao seguinte código:
Os dados retornados da função ficam então disponíveis para o mecanismo de modelo Liquid, que substitui os valores do modelo no modelo pelos valores dos dados retornados pela função. O resultado seria algo como o seguinte código:
Atributo keypointClasses
A keypointClasses
O atributo define quais pontos-chave aparecerão na UI e serão usados pelos anotadores. Este atributo utiliza uma string JSON contendo uma lista de objetos. Cada objeto representa um ponto-chave. Cada objeto de ponto-chave deve conter os seguintes campos:
- id – Um valor exclusivo para identificar esse ponto-chave.
- cor – A cor do ponto-chave representado como uma cor hexadecimal HTML.
- rótulo – O nome ou classe do ponto-chave.
- x – Este atributo opcional só é necessário se você quiser usar a funcionalidade de desenho de esqueleto na UI. O valor deste atributo é a posição x do ponto-chave em relação à caixa delimitadora do esqueleto. Este valor geralmente é obtido pelo Ferramenta Skeleton Rig Creator. Se você estiver fazendo anotações de pontos-chave e não precisar desenhar um esqueleto inteiro de uma só vez, poderá definir esse valor como 0.
- y – Este atributo opcional é semelhante a x, mas para a dimensão vertical.
Para mais informações sobre o keypointClasses
atributo, veja o Documentação de keypointClasses.
Atributo esqueletoRig
A skeletonRig
O atributo controla quais pontos-chave devem ter linhas desenhadas entre eles. Este atributo usa uma string JSON contendo uma lista de pares de rótulos de pontos-chave. Cada par informa à IU quais pontos-chave devem ser traçados. Por exemplo, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
informa a UI para desenhar linhas entre "left_ankle"
e "left_knee"
e desenhe linhas entre "left_knee"
e "left_hip"
. Isto pode ser gerado pelo Ferramenta Skeleton Rig Creator.
Atributo esqueletoBoundingBox
A skeletonBoundingBox
O atributo é opcional e necessário apenas se você quiser usar a funcionalidade de desenho de esqueleto na interface do usuário. A funcionalidade desenhar esqueleto é a capacidade de anotar esqueletos inteiros com uma única ação de anotação. Não abordamos esse recurso nesta postagem. O valor deste atributo são as dimensões da caixa delimitadora do esqueleto. Este valor geralmente é obtido pelo Ferramenta Skeleton Rig Creator. Se você estiver fazendo anotações de pontos-chave e não precisar desenhar um esqueleto inteiro de uma só vez, poderá definir esse valor como nulo. Recomenda-se usar a ferramenta Skeleton Rig Creator para obter esse valor.
Atributo inicialValues
A initialValues
O atributo é usado para preencher previamente a UI com anotações obtidas de outro processo (como outro trabalho de rotulagem ou modelo de aprendizado de máquina). Isto é útil ao realizar trabalhos de ajuste ou revisão. Os dados desse campo geralmente são preenchidos dinamicamente na mesma descrição do campo imgSrc
atributo. Mais detalhes podem ser encontrados no Documentação do esqueleto crowd-2d.
limpar
Para evitar cobranças futuras, você deve excluir os objetos em seu bucket S3 e excluir sua pilha AWS CDK. Você pode excluir seus objetos do S3 por meio do console do Amazon SageMaker ou do Interface de linha de comando da AWS (AWS CLI). Depois de excluir todos os objetos S3 do bucket, você poderá destruir o AWS CDK executando o seguinte código:
Isso removerá os recursos que você criou anteriormente.
Considerações
Talvez sejam necessárias etapas adicionais para produzir seu fluxo de trabalho. Aqui estão algumas considerações dependendo do perfil de risco da sua organização:
- Adicionando acesso e registro de aplicativos
- Adicionando um firewall de aplicativo web (WAF)
- Ajustando as permissões do IAM para seguir o menor privilégio
Conclusão
Nesta postagem, compartilhamos a importância da eficiência e precisão da rotulagem na construção de conjuntos de dados de estimativa de pose. Para ajudar com ambos os itens, mostramos como você pode usar o SageMaker Ground Truth para criar fluxos de trabalho de etiquetagem personalizados para dar suporte a tarefas de etiquetagem de pose baseadas em esqueleto, com o objetivo de aumentar a eficiência e a precisão durante o processo de etiquetagem. Mostramos como você pode estender ainda mais o código e os exemplos para vários requisitos de rotulagem de estimativa de pose personalizada.
Incentivamos você a usar esta solução para suas tarefas de etiquetagem e a entrar em contato com a AWS para obter assistência ou consultas relacionadas a fluxos de trabalho de etiquetagem personalizados.
Sobre os autores
Arthur Putnam é cientista de dados full-stack em serviços profissionais da AWS. A experiência de Arthur está centrada no desenvolvimento e integração de tecnologias front-end e back-end em sistemas de IA. Fora do trabalho, Arthur gosta de explorar os mais recentes avanços em tecnologia, passar tempo com sua família e aproveitar o ar livre.
Ben Fenker é um cientista de dados sênior em serviços profissionais da AWS e ajudou clientes a criar e implantar soluções de ML em setores que variam de esportes a saúde e manufatura. Ele tem um Ph.D. em física pela Texas A&M University e 6 anos de experiência na indústria. Ben gosta de beisebol, ler e criar seus filhos.
Jarvis Lee é cientista de dados sênior da AWS Professional Services. Ele está na AWS há mais de seis anos, trabalhando com clientes em problemas de aprendizado de máquina e visão computacional. Fora do trabalho, ele gosta de andar de bicicleta.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- habilidade
- Capaz
- Acesso
- acessível
- Conta
- precisão
- preciso
- exatamente
- adquirir
- aquisição
- em
- Açao Social
- atos
- real
- adicionar
- Adicional
- Adicionalmente
- Ajustamento
- ajustes
- avanços
- Depois de
- AI
- Sistemas de IA
- Visando
- Todos os Produtos
- permitir
- permite
- tb
- Amazon
- Amazon Sage Maker
- Verdade no solo do Amazon SageMaker
- Amazon Web Services
- an
- e
- animais
- Outro
- qualquer
- aparecer
- aparece
- Aplicação
- aplicações
- aplicado
- arquitetura
- SOMOS
- argumento
- argumentos
- por aí
- Ordem
- Arthur
- AS
- aspectos
- atribuído
- Assistência
- assume
- At
- atributos
- aumentado
- Realidade Aumentada
- automaticamente
- disponível
- média
- evitar
- AWS
- Serviços Profissionais AWS
- Back-end
- Beisebol
- baseado
- Linha de Base
- BE
- Porque
- sido
- antes
- começar
- ser
- ben
- entre
- ambos
- Caixa
- amplo
- navegador
- construir
- Prédio
- construídas em
- carga
- mas a
- by
- cálculos
- chamado
- CAN
- cuidadosamente
- casas
- CD
- centralizado
- alterar
- Alterações
- mudança
- acusações
- verificar
- Escolha
- classe
- limpador
- cli
- cliente
- código
- cor
- vem
- comum
- completar
- componente
- componentes
- Composto
- computador
- Visão de Computador
- conectado
- Considerações
- consistente
- Consistindo
- cônsul
- não contenho
- contém
- contexto
- controles
- corresponde
- Custo
- cobrir
- crio
- criado
- cria
- Criar
- criação
- criador
- crítico
- cruzamento
- multidão
- personalizadas
- Feito sob encomenda
- Clientes
- personalização
- personalizar
- dados,
- informática
- cientista de dados
- conjuntos de dados
- datetime
- profundo
- deep learning
- mais profunda
- definir
- definido
- Define
- definição
- demonstrar
- dependente
- Dependendo
- depende
- implantar
- implantado
- descreve
- descrição
- projetado
- concepção
- desejado
- destruir
- detalhe
- detalhes
- Detecção
- em desenvolvimento
- diagrama
- diferente
- Dimensão
- dimensões
- diretamente
- anuário
- distribuição
- mergulho
- diferente
- do
- Não faz
- fazer
- feito
- não
- de downloads
- desenhar
- desenhado
- dois
- durante
- dinamicamente
- cada
- Mais cedo
- facilidade
- facilmente
- eficácia
- eficiência
- encorajar
- engajar
- Motor
- aumentar
- desfrutando
- garante
- Entretenimento
- Todo
- Meio Ambiente
- erro
- erros
- Mesmo
- Evento
- examinar
- exemplo
- exemplos
- Expandir
- esperado
- vasta experiência
- experiência
- Explicação
- Explorando
- estender
- extra
- Extractos
- familiar
- familiarizar
- família
- Característica
- Funcionalidades
- campo
- Campos
- Envie o
- Arquivos
- final
- Encontre
- firewall
- Primeiro nome
- Flexibilidade
- Foco
- seguir
- seguinte
- segue
- Pé
- Escolha
- formato
- encontrado
- da
- função
- funcionalidade
- funções
- fundamental
- mais distante
- futuro
- gerado
- ter
- gif
- GitHub
- OFERTE
- Go
- Solo
- orientações
- Alças
- Ter
- ter
- he
- saúde
- fortemente
- ajudar
- ajudou
- útil
- ajuda
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- HEX
- alta qualidade
- sua
- hospedeiro
- hospedado
- hospedagem
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- http
- HTTPS
- humano
- Centenas
- ID
- identificado
- identificar
- identificar
- Identidade
- if
- imagem
- imagens
- importância
- importante
- melhorar
- melhorado
- in
- inclui
- Incorporado
- índice
- indústrias
- indústria
- ineficiente
- influenciado
- INFORMAÇÕES
- Informa
- iniciativas
- entrada
- Inquéritos
- instalar
- instruções
- Integração
- interesse
- interessado
- Interface
- Internet
- para dentro
- envolve
- IT
- Unid
- ESTÁ
- JavaScript
- Trabalho
- Empregos
- jpg
- json
- Chave
- Detecção de ponto-chave
- crianças
- O rótulo
- marcação
- Rótulos
- língua
- grande
- por último
- mais tarde
- mais recente
- lançamento
- lançado
- de lançamento
- principal
- APRENDER
- aprendizagem
- mínimo
- Permite
- como
- Line
- linhas
- Líquido
- Lista
- localizado
- localização
- log
- registrado
- olhar
- parece
- máquina
- aprendizado de máquina
- moldadas
- fazer
- gerencia
- manual
- fabrica
- muitos
- marca
- marca��o
- Posso..
- talvez
- Mídia
- médico
- Aplicações Médicas
- metadados
- minimizar
- erros
- ML
- modelo
- modelagem
- modelos
- modificações
- modificar
- mais
- a maioria
- nome
- Natureza
- necessário
- você merece...
- necessário
- Cria
- Próximo
- não
- nota
- agora
- objeto
- objetos
- obtido
- obtendo
- of
- frequentemente
- on
- uma vez
- ONE
- online
- só
- aberto
- open source
- abre
- or
- ordem
- organizações
- origem
- original
- OS
- Outros
- Outros
- A Nossa
- Fora
- ao ar livre
- saída
- lado de fora
- Acima de
- global
- próprio
- pacotes
- par
- pares
- parte
- peças
- passou
- caminho
- Pessoas
- atuação
- permissões
- Física
- Lugar
- platão
- Inteligência de Dados Platão
- PlatãoData
- ponto
- pontos
- Privacidade
- populosa
- Portal
- pose
- Estimativa de pose
- coloca
- posição
- Publique
- potencial
- prática
- precedente
- Precisão
- pré-requisitos
- apresentado
- apresentando
- evitar
- impede
- anterior
- anteriormente
- princípio
- privado
- problemas
- processo
- processos
- em processamento
- produzir
- profissional
- Perfil
- fornecer
- fornecido
- fornece
- público
- propósito
- fins
- Python
- qualidade
- rapidamente
- elevando
- alcance
- variando
- Leia
- Leitura
- pronto
- mundo real
- Realidade
- reconhecer
- Recomenda
- redução
- referir
- referência
- relacionado
- relativo
- confiável
- permanecem
- remover
- renderizado
- representação
- substituir
- substituído
- repositório
- representado
- representa
- requeridos
- Requisitos
- exige
- Recursos
- resposta
- responsável
- restrições
- resultar
- Resultados
- retorno
- Retorna
- rever
- equitação
- equipamento
- Risco
- robótica
- uma conta de despesas robusta
- Tipo
- Execute
- corrida
- tempo de execução
- sábio
- mesmo
- amostra
- poupança
- dizer
- cenários
- Cientista
- escrita
- Scripts
- Sdk
- Seção
- seções
- segurança
- Vejo
- selecionar
- envia
- senior
- serve
- Serviços
- conjunto
- contexto
- vários
- compartilhado
- rede de apoio social
- mostrar
- mostrou
- mostrando
- Shows
- periodo
- semelhante
- simples
- simplicidade
- simplificada
- simplesmente
- solteiro
- SIX
- So
- solução
- Soluções
- alguns
- algo
- fonte
- especial
- específico
- especificamente
- Passar
- Esportes
- pilha
- começa
- Passos
- armazenamento
- loja
- armazenadas
- franco
- simplificar
- Tanga
- estrutura
- substancial
- tal
- ajuda
- trocar
- swaps
- .
- sistemas
- Tire
- toma
- visadas
- Tarefa
- tarefas
- técnica
- Tecnologias
- Tecnologia
- modelo
- dezenas
- texas
- que
- A
- as informações
- A linha
- deles
- Eles
- então
- assim
- assim sendo
- Este
- deles
- isto
- milhares
- Através da
- Amarrado
- tempo
- para
- levou
- ferramenta
- Trem
- treinado
- Training
- desencadeado
- caminhão
- verdadeiro
- Verdade
- VIRAR
- tipicamente
- ui
- compreender
- único
- universidade
- até
- Atualizar
- Uso
- usar
- usava
- útil
- Utilizador
- Interface de Usuário
- usos
- utilização
- geralmente
- valor
- Valores
- variável
- variações
- vário
- Veículos
- versão
- vertical
- via
- VÍDEOS
- visão
- visual
- volume
- W
- andar
- anda
- Passo a passo
- queremos
- foi
- Caminho..
- maneiras
- we
- web
- Aplicativo da Web
- navegador web
- serviços web
- BEM
- O Quê
- quando
- enquanto que
- se
- qual
- enquanto
- QUEM
- precisarão
- desejo
- de
- dentro
- sem
- Atividades:
- trabalhador
- de gestão de documentos
- fluxos de trabalho
- Força de trabalho
- trabalhar
- seria
- escrita
- X
- anos
- Vocês
- investimentos
- você mesmo
- zefirnet