Estimarea poziției este o tehnică de viziune computerizată care detectează un set de puncte pe obiecte (cum ar fi persoane sau vehicule) în imagini sau videoclipuri. Estimarea poziția are aplicații reale în sport, robotică, securitate, realitate augmentată, media și divertisment, aplicații medicale și multe altele. Modelele de estimare a poziției sunt antrenate pe imagini sau videoclipuri care sunt adnotate cu un set consistent de puncte (coordonate) definite de o platformă. Pentru a antrena modele precise de estimare a poziției, mai întâi trebuie să achiziționați un set mare de date de imagini adnotate; multe seturi de date au zeci sau sute de mii de imagini adnotate și necesită resurse semnificative pentru a le construi. Greșelile de etichetare sunt importante de identificat și prevenit, deoarece performanța modelului pentru modelele de estimare a poziției este puternic influențată de calitatea datelor etichetate și de volumul de date.
În această postare, arătăm cum puteți utiliza un flux de lucru de etichetare personalizat Amazon SageMaker Ground Adevăr conceput special pentru etichetarea punctelor cheie. Acest flux de lucru personalizat ajută la eficientizarea procesului de etichetare și la minimizarea erorilor de etichetare, reducând astfel costul obținerii de etichete de înaltă calitate.
Importanța datelor de înaltă calitate și reducerea erorilor de etichetare
Datele de înaltă calitate sunt fundamentale pentru formarea unor modele de estimare a poziției robuste și fiabile. Precizia acestor modele este direct legată de corectitudinea și precizia etichetelor atribuite fiecărui punct cheie de poziție, care, la rândul său, depinde de eficacitatea procesului de adnotare. În plus, având un volum substanțial de date diverse și bine adnotate, se asigură că modelul poate învăța o gamă largă de ipostaze, variații și scenarii, ceea ce duce la o generalizare și performanță îmbunătățite în diferite aplicații din lumea reală. Achiziția acestor seturi de date mari, adnotate implică adnotatori umani care etichetează cu atenție imaginile cu informații despre poziție. În timp ce etichetați punctele de interes din imagine, este util să vedeți structura scheletică a obiectului în timpul etichetării, pentru a oferi îndrumare vizuală adnotatorului. Acest lucru este util pentru identificarea erorilor de etichetare înainte ca acestea să fie încorporate în setul de date, cum ar fi schimburile stânga-dreapta sau etichetele greșite (cum ar fi marcarea unui picior ca umăr). De exemplu, o eroare de etichetare, cum ar fi schimbarea stânga-dreapta făcută în exemplul următor, poate fi identificată cu ușurință prin încrucișarea liniilor scheletului și nepotrivirea culorilor. Aceste indicii vizuale ajută etichetatorii să recunoască greșelile și vor avea ca rezultat un set mai curat de etichete.
Datorită naturii manuale a etichetării, obținerea de seturi de date etichetate mari și precise poate fi prohibitivă și cu atât mai mult cu un sistem de etichetare ineficient. Prin urmare, eficiența și acuratețea etichetării sunt esențiale atunci când vă proiectați fluxul de lucru de etichetare. În această postare, demonstrăm cum să folosiți un flux de lucru personalizat de etichetare SageMaker Ground Truth pentru a adnota rapid și precis imaginile, reducând sarcina dezvoltării de seturi mari de date pentru fluxurile de lucru de estimare a poziției.
Prezentare generală a soluției
Această soluție oferă un portal web online în care forța de muncă de etichetare poate folosi un browser web pentru a se autentifica, accesa lucrări de etichetare și adnota imagini folosind interfața de utilizator (UI) crowd-2d-skeleton, o interfață de utilizator personalizată concepută pentru etichetarea punctelor cheie și a pozițiilor folosind SageMaker Ground Adevăr. Adnotările sau etichetele create de forța de muncă de etichetare sunt apoi exportate într-un Serviciul Amazon de stocare simplă (Amazon S3), unde pot fi utilizate pentru procese din aval, cum ar fi formarea modelelor de viziune computerizată pentru învățare profundă. Această soluție vă arată cum să configurați și să implementați componentele necesare pentru a crea un portal web, precum și cum să creați joburi de etichetare pentru acest flux de lucru de etichetare.
Următoarea este o diagramă a arhitecturii generale.
Această arhitectură este compusă din mai multe componente cheie, fiecare dintre ele explicată mai detaliat în secțiunile următoare. Această arhitectură oferă forței de muncă de etichetare un portal web online găzduit de SageMaker Ground Truth. Acest portal permite fiecărui etichetator să se conecteze și să-și vadă joburile de etichetare. După ce s-au conectat, etichetatorul poate selecta o lucrare de etichetare și poate începe să adnoteze imagini folosind interfața de utilizare personalizată găzduită de Amazon CloudFront. Folosim AWS Lambdas funcții pentru prelucrarea datelor pre-adnotare și post-adnotare.
Următoarea captură de ecran este un exemplu de interfață de utilizare.
Etichetatorul poate marca anumite puncte cheie pe imagine folosind interfața de utilizare. Liniile dintre punctele cheie vor fi desenate automat pentru utilizator pe baza unei definiții de platformă schelet pe care o folosește UI. Interfața de utilizare permite multe personalizări, cum ar fi următoarele:
- Nume personalizate de puncte cheie
- Culori configurabile ale punctelor cheie
- Culori configurabile ale liniilor de platformă
- Structuri configurabile ale scheletului și platformei
Fiecare dintre acestea sunt caracteristici specifice pentru a îmbunătăți ușurința și flexibilitatea etichetării. Detalii specifice de personalizare a interfeței de utilizare pot fi găsite în GitHub repo și sunt rezumate mai târziu în această postare. Rețineți că, în această postare, folosim estimarea poziției umane ca sarcină de bază, dar o puteți extinde pentru a eticheta poziția obiectului cu o platformă predefinită și pentru alte obiecte, cum ar fi animale sau vehicule. În exemplul următor, arătăm cum se poate aplica acest lucru pentru a eticheta punctele unui camion cu cutie.
SageMaker Ground Adevăr
În această soluție, folosim SageMaker Ground Truth pentru a oferi forței de muncă de etichetare un portal online și o modalitate de a gestiona joburile de etichetare. Această postare presupune că sunteți familiarizat cu SageMaker Ground Truth. Pentru mai multe informații, consultați Amazon SageMaker Ground Adevăr.
Distribuție CloudFront
Pentru această soluție, interfața de utilizare de etichetare necesită o componentă JavaScript personalizată numită componenta crowd-2d-skeleton. Această componentă poate fi găsită pe GitHub ca parte a inițiativelor open source ale Amazon. Distribuția CloudFront va fi utilizată pentru a găzdui crowd-2d-skeleton.js, care este nevoie de SageMaker Ground Truth UI. Distribuției CloudFront i se va atribui o identitate de acces la origine, care va permite distribuției CloudFront să acceseze crowd-2d-skeleton.js care se află în compartimentul S3. Bucket-ul S3 va rămâne privat și niciun alt obiect din acest compartiment nu va fi disponibil prin distribuția CloudFront din cauza restricțiilor pe care le punem asupra identității de acces la origine printr-o politică de compartiment. Aceasta este o practică recomandată pentru respectarea principiului cel mai mic privilegiu.
găleată Amazon S3
Folosim compartimentul S3 pentru a stoca fișierele manifest de intrare și ieșire SageMaker Ground Truth, șablonul personalizat de interfață de utilizare, imagini pentru lucrările de etichetare și codul JavaScript necesar pentru interfața de utilizare personalizată. Această găleată va fi privată și nu este accesibilă publicului. Bucket-ul va avea, de asemenea, o politică de compartiment care restricționează distribuția CloudFront la posibilitatea de a accesa doar codul JavaScript necesar pentru UI. Acest lucru împiedică distribuția CloudFront să găzduiască orice alt obiect din compartimentul S3.
Funcția Lambda de pre-adnotare
Lucrările de etichetare SageMaker Ground Truth folosesc de obicei un fișier manifest de intrare, care este în format JSON Lines. Acest fișier manifest de intrare conține metadate pentru un job de etichetare, acționează ca referință la datele care trebuie etichetate și ajută la configurarea modului în care datele ar trebui să fie prezentate adnotatorilor. Funcția Lambda de pre-adnotare prelucrează elementele din fișierul manifest de intrare înainte ca datele manifestului să fie introduse în șablonul UI personalizat. Aici se pot face orice formatare sau modificări speciale ale elementelor înainte de a prezenta datele adnotatorilor în UI. Pentru mai multe informații despre funcțiile Lambda de pre-adnotare, consultați Pre-adnotare Lambda.
Funcția Lambda post-adnotare
Similar cu funcția Lambda de pre-adnotare, funcția de post-adnotare gestionează procesarea suplimentară a datelor pe care poate doriți să o faceți după ce toți etichetatorii au terminat etichetarea, dar înainte de a scrie rezultatele finale ale adnotării. Această procesare este realizată de o funcție Lambda, care este responsabilă de formatarea datelor pentru rezultatele lucrării de etichetare. În această soluție, pur și simplu o folosim pentru a returna datele în formatul de ieșire dorit. Pentru mai multe informații despre funcțiile Lambda post-adnotare, consultați Lambda post-adnotare.
Rolul funcției Lambda post-adnotare
Folosim un Gestionarea identității și accesului AWS (IAM) pentru a oferi funcției Lambda post-adnotare acces la compartimentul S3. Acest lucru este necesar pentru a citi rezultatele adnotărilor și pentru a face orice modificări înainte de a scrie rezultatele finale în fișierul manifest de ieșire.
Rolul SageMaker Ground Truth
Folosim acest rol IAM pentru a oferi jobului de etichetare SageMaker Ground Truth capacitatea de a invoca funcțiile Lambda și de a citi imaginile, fișierele manifest și șablonul UI personalizat din compartimentul S3.
Cerințe preliminare
Pentru această prezentare generală, ar trebui să aveți următoarele condiții prealabile:
Pentru această soluție, folosim AWS CDK pentru a implementa arhitectura. Apoi creăm un exemplu de lucrare de etichetare, folosim portalul de adnotare pentru a eticheta imaginile din lucrarea de etichetare și examinăm rezultatele etichetării.
Creați stiva AWS CDK
După ce completați toate cerințele preliminare, sunteți gata să implementați soluția.
Configurați-vă resursele
Parcurgeți următorii pași pentru a vă configura resursele:
- Descărcați exemplul de stivă din GitHub repo.
- Utilizați comanda cd pentru a vă schimba în depozit.
- Creați-vă mediul Python și instalați pachetele necesare (consultați depozitul README.md pentru mai multe detalii).
- Cu mediul dvs. Python activat, rulați următoarea comandă:
- Rulați următoarea comandă pentru a implementa AWS CDK:
- Rulați următoarea comandă pentru a rula scriptul post-implementare:
Creați o lucrare de etichetare
După ce v-ați configurat resursele, sunteți gata să creați o lucrare de etichetare. În scopul acestei postări, creăm un job de etichetare folosind exemple de scripturi și imagini furnizate în depozit.
- CD în
scripts
directorul din depozit. - Descărcați exemplele de imagini de pe internet rulând următorul cod:
Acest script descarcă un set de 10 imagini, pe care le folosim în exemplul nostru de etichetare. Analizăm cum să utilizați propriile date de intrare personalizate mai târziu în această postare.
- Creați un job de etichetare rulând la următorul cod:
Acest script ia ca argument un ARN privat al forței de muncă SageMaker Ground Truth, care ar trebui să fie ARN-ul pentru forța de muncă pe care o aveți în același cont în care ați implementat această arhitectură. Scriptul va crea fișierul manifest de intrare pentru jobul nostru de etichetare, îl va încărca pe Amazon S3 și va crea o lucrare de etichetare personalizată SageMaker Ground Truth. Vom arunca o privire mai profundă în detaliile acestui script mai târziu în această postare.
Etichetați setul de date
După ce ați lansat exemplul de lucru de etichetare, acesta va apărea pe consola SageMaker, precum și pe portalul forței de muncă.
În portalul forței de muncă, selectați jobul de etichetare și alegeți Incepe munca.
Vi se va prezenta o imagine din setul de date exemplu. În acest moment, puteți utiliza interfața personalizată crowd-2d-skeleton pentru a adnota imaginile. Vă puteți familiariza cu interfața de utilizare crowd-2d-skeleton, referindu-vă la Prezentare generală a interfeței cu utilizatorul. Folosim definiția platformei din Provocarea setului de date de detectare a punctelor cheie COCO ca platforma de poză umană. Pentru a reitera, puteți personaliza acest lucru fără componenta noastră personalizată UI pentru a elimina sau adăuga puncte în funcție de cerințele dvs.
Când ați terminat de adnotat o imagine, alegeți Trimite mesaj. Aceasta vă va duce la următoarea imagine din setul de date până când toate imaginile sunt etichetate.
Accesați rezultatele etichetării
Când ați terminat de etichetat toate imaginile din lucrarea de etichetare, SageMaker Ground Truth va invoca funcția Lambda post-adnotare și va produce un fișier output.manifest care conține toate adnotările. Acest output.manifest
va fi stocat în găleată S3. În cazul nostru, locația manifestului de ieșire ar trebui să urmeze calea URI S3 s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. Fișierul output.manifest este un fișier JSON Lines, în care fiecare linie corespunde unei singure imagini și adnotărilor acesteia din forța de muncă de etichetare. Fiecare element JSON Lines este un obiect JSON cu multe câmpuri. Domeniul care ne interesează se numește label-results
. Valoarea acestui câmp este un obiect care conține următoarele câmpuri:
- dataset_object_id – ID-ul sau indexul elementului manifest introdus
- data_object_s3_uri – URI-ul Amazon S3 al imaginii
- nume_fișier_imagine – Numele fișierului imaginii
- imagine_s3_location – URL-ul Amazon S3 al imaginii
- adnotări_originale – Adnotările originale (setate și utilizate numai dacă utilizați un flux de lucru înainte de adnotare)
- adnotări_actualizate – Adnotările pentru imagine
- worker_id – Muncitorul care a făcut adnotările
- nicio_schimbări_necesare – Dacă a fost bifată caseta de validare fără modificări necesare
- a fost_modificat – Dacă datele de adnotare diferă de datele de intrare originale
- total_time_in_secunde – Timpul necesar lucrătorului pentru a adnota imaginea
Cu aceste câmpuri, puteți accesa rezultatele adnotărilor pentru fiecare imagine și puteți face calcule precum timpul mediu pentru a eticheta o imagine.
Creați-vă propriile joburi de etichetare
Acum că am creat un exemplu de job de etichetare și înțelegeți procesul general, vă prezentăm codul responsabil pentru crearea fișierului manifest și lansarea jobului de etichetare. Ne concentrăm asupra părților cheie ale scriptului pe care poate doriți să le modificați pentru a vă lansa propriile joburi de etichetare.
Acoperim fragmente de cod din create_example_labeling_job.py
scriptul situat în GitHub depozit. Scriptul începe prin a seta variabile care sunt utilizate mai târziu în script. Unele dintre variabile sunt codificate pentru simplitate, în timp ce altele, care depind de stivă, vor fi importate dinamic în timpul rulării prin preluarea valorilor create din stiva noastră AWS CDK.
Prima secțiune cheie din acest script este crearea fișierului manifest. Amintiți-vă că fișierul manifest este un fișier de linii JSON care conține detaliile pentru o lucrare de etichetare SageMaker Ground Truth. Fiecare obiect JSON Lines reprezintă un element (de exemplu, o imagine) care trebuie etichetat. Pentru acest flux de lucru, obiectul ar trebui să conțină următoarele câmpuri:
- sursa-ref – URI-ul Amazon S3 la imaginea pe care doriți să o etichetați.
- adnotări – O listă de obiecte de adnotare, care este utilizată pentru fluxurile de lucru de pre-adnotare. Vezi documentație crowd-2d-scheletul pentru mai multe detalii despre valorile așteptate.
Scriptul creează o linie manifest pentru fiecare imagine din directorul de imagini folosind următoarea secțiune de cod:
Dacă doriți să utilizați imagini diferite sau să indicați un director de imagini diferit, puteți modifica acea secțiune a codului. În plus, dacă utilizați un flux de lucru înainte de adnotare, puteți actualiza matricea de adnotări cu un șir JSON format din matrice și toate obiectele de adnotare ale acestuia. Detaliile formatului acestei matrice sunt documentate în documentul documentație crowd-2d-scheletul.
Cu elementele rând de manifest create acum, puteți crea și încărca fișierul manifest în compartimentul S3 pe care l-ați creat mai devreme:
Acum că ați creat un fișier manifest care conține imaginile pe care doriți să le etichetați, puteți crea o lucrare de etichetare. Puteți crea jobul de etichetare în mod programatic utilizând SDK AWS pentru Python (Boto3). Codul pentru a crea un job de etichetare este următorul:
Aspectele acestui cod pe care poate doriți să le modificați sunt LabelingJobName
, TaskTitle
, și TaskDescription
. LabelingJobName
este numele unic al jobului de etichetare pe care SageMaker îl va folosi pentru a face referire la jobul dumneavoastră. Acesta este și numele care va apărea pe consola SageMaker. TaskTitle
servește unui scop similar, dar nu trebuie să fie unic și va fi numele jobului care apare în portalul forței de muncă. Poate doriți să le faceți mai specifice pentru ceea ce etichetați sau pentru ce este lucrarea de etichetare. În cele din urmă, avem TaskDescription
camp. Acest câmp apare în portalul forței de muncă pentru a oferi un context suplimentar etichetatorilor cu privire la ce este sarcina, cum ar fi instrucțiuni și îndrumări pentru sarcină. Pentru mai multe informații despre aceste câmpuri, precum și despre celelalte, consultați documentație create_labeling_job.
Faceți ajustări la interfața de utilizare
În această secțiune, trecem peste câteva dintre modalitățile prin care puteți personaliza interfața de utilizare. Următoarea este o listă cu cele mai frecvente personalizări potențiale ale interfeței de utilizare pentru a o ajusta la sarcina dvs. de modelare:
- Puteți defini ce puncte cheie pot fi etichetate. Aceasta include numele punctului cheie și culoarea acestuia.
- Puteți schimba structura scheletului (care puncte cheie sunt conectate).
- Puteți schimba culorile liniilor pentru anumite linii între anumite puncte cheie.
Toate aceste personalizări ale interfeței de utilizare sunt configurabile prin argumente transmise în componenta crowd-2d-skeleton, care este componenta JavaScript utilizată în acest șablon de flux de lucru personalizat. În acest șablon, veți găsi modul de utilizare a componentei crowd-2d-scheleton. O versiune simplificată este prezentată în următorul cod:
În exemplul de cod precedent, puteți vedea următoarele atribute pe componentă: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
, și intialValues
. Descriem scopul fiecărui atribut în secțiunile următoare, dar personalizarea interfeței de utilizare este la fel de simplă ca schimbarea valorilor pentru aceste atribute, salvarea șablonului și reluarea post_deployment_script.py
am folosit anterior.
atributul imgSrc
imgSrc
atributul controlează ce imagine să fie afișată în interfața de utilizare la etichetare. De obicei, se folosește o imagine diferită pentru fiecare element rând manifest, astfel încât acest atribut este adesea populat dinamic, folosind funcția încorporată Lichid limbajul de modelare. Puteți vedea în exemplul de cod anterior că valoarea atributului este setată la {{ task.input.image_s3_uri | grant_read_access }}
, care este variabila șablon lichid care va fi înlocuită cu cea actuală image_s3_uri
valoare atunci când șablonul este redat. Procesul de randare începe atunci când utilizatorul deschide o imagine pentru adnotare. Acest proces preia un element rând din fișierul manifest de intrare și îl trimite la funcția Lambda de pre-adnotare ca un event.dataObject
. Funcția de pre-adnotare preia informațiile de care are nevoie din elementul rând și returnează a taskInput
dicționar, care este apoi transmis motorului de randare Liquid, care va înlocui orice variabile Liquid din șablonul dvs. De exemplu, să presupunem că aveți un fișier manifest cu următoarea linie:
Aceste date vor fi transmise funcției de pre-adnotare. Următorul cod arată modul în care funcția extrage valorile din obiectul eveniment:
Obiectul returnat de la funcție în acest caz ar arăta ca următorul cod:
Datele returnate de la funcție sunt apoi disponibile pentru motorul de șablon Liquid, care înlocuiește valorile șablonului din șablon cu valorile datelor returnate de funcție. Rezultatul ar fi ceva de genul următor cod:
atributul keypointClasses
keypointClasses
Atributul definește ce puncte cheie vor apărea în interfața de utilizare și vor fi utilizate de adnotatori. Acest atribut preia un șir JSON care conține o listă de obiecte. Fiecare obiect reprezintă un punct cheie. Fiecare obiect punct cheie trebuie să conțină următoarele câmpuri:
- id – O valoare unică pentru a identifica acel punct cheie.
- culoare – Culoarea punctului cheie reprezentată ca o culoare HTML hex.
- etichetă – Numele sau clasa de puncte cheie.
- x – Acest atribut opțional este necesar doar dacă doriți să utilizați funcționalitatea de desenare a scheletului în interfața de utilizare. Valoarea acestui atribut este poziția x a punctului cheie în raport cu caseta de delimitare a scheletului. Această valoare este obținută de obicei de Instrumentul Skeleton Rig Creator. Dacă faceți adnotări puncte cheie și nu trebuie să desenați un schelet întreg simultan, puteți seta această valoare la 0.
- y – Acest atribut opțional este similar cu x, dar pentru dimensiunea verticală.
Pentru mai multe informații cu privire la keypointClasses
atribut, vezi documentația keypointClass.
atributul skeletonRig
skeletonRig
atributul controlează punctele cheie care ar trebui să aibă linii trasate între ele. Acest atribut preia un șir JSON care conține o listă de perechi de etichete de puncte cheie. Fiecare pereche informează interfața de utilizare care puncte cheie între care să tragă linii. De exemplu, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
informează UI să tragă linii între "left_ankle"
și "left_knee"
și trage linii între "left_knee"
și "left_hip"
. Aceasta poate fi generată de Instrumentul Skeleton Rig Creator.
atributul skeletonBoundingBox
skeletonBoundingBox
atributul este opțional și este necesar numai dacă doriți să utilizați funcționalitatea de desenare a scheletului în interfața de utilizare. Funcționalitatea de desenare a scheletului este capacitatea de a adnota schelete întregi cu o singură acțiune de adnotare. Nu acoperim această caracteristică în această postare. Valoarea acestui atribut este dimensiunile casetei de delimitare ale scheletului. Această valoare este obținută de obicei de Instrumentul Skeleton Rig Creator. Dacă faceți adnotări de puncte cheie și nu trebuie să desenați un schelet întreg simultan, puteți seta această valoare la null. Este recomandat să utilizați instrumentul Skeleton Rig Creator pentru a obține această valoare.
atributul initialValues
initialValues
atributul este utilizat pentru a prepopula interfața de utilizare cu adnotări obținute dintr-un alt proces (cum ar fi un alt job de etichetare sau un model de învățare automată). Acest lucru este util atunci când efectuați lucrări de ajustare sau revizuire. Datele pentru acest câmp sunt de obicei populate dinamic în aceeași descriere pentru imgSrc
atribut. Mai multe detalii pot fi găsite în documentație crowd-2d-scheletul.
A curăța
Pentru a evita costurile viitoare, ar trebui să ștergeți obiectele din compartimentul S3 și să ștergeți stiva AWS CDK. Vă puteți șterge obiectele S3 prin consola Amazon SageMaker sau prin intermediul Interfața liniei de comandă AWS (AWS CLI). După ce ați șters toate obiectele S3 din găleată, puteți distruge AWS CDK rulând următorul cod:
Aceasta va elimina resursele pe care le-ați creat mai devreme.
Considerații
Este posibil să fie necesari pași suplimentari pentru a vă produce fluxul de lucru. Iată câteva considerații în funcție de profilul de risc al organizației dvs.:
- Adăugarea accesului și înregistrarea aplicațiilor
- Adăugarea unui firewall pentru aplicații web (WAF)
- Ajustarea permisiunilor IAM pentru a urma cel mai mic privilegiu
Concluzie
În această postare, am împărtășit importanța eficienței și acurateței etichetării în construirea seturilor de date de estimare a poziției. Pentru a vă ajuta cu ambele articole, am arătat cum puteți utiliza SageMaker Ground Truth pentru a construi fluxuri de lucru de etichetare personalizate pentru a sprijini sarcinile de etichetare a pozițiilor bazate pe schelet, având ca scop îmbunătățirea eficienței și preciziei în timpul procesului de etichetare. Am arătat cum puteți extinde codul și exemplele la diferite cerințe de etichetare pentru estimarea poziției personalizate.
Vă încurajăm să utilizați această soluție pentru sarcinile dvs. de etichetare și să contactați AWS pentru asistență sau întrebări legate de fluxurile de lucru personalizate de etichetare.
Despre Autori
Arthur Putnam este un Data Scientist Full-Stack în AWS Professional Services. Expertiza lui Arthur se concentrează pe dezvoltarea și integrarea tehnologiilor front-end și back-end în sistemele AI. În afara serviciului, lui Arthur îi place să exploreze cele mai recente progrese în tehnologie, să petreacă timp cu familia sa și să se bucure de aer liber.
Ben Fenker este Senior Data Scientist în AWS Professional Services și a ajutat clienții să construiască și să implementeze soluții ML în industrii, de la sport la asistență medicală și la producție. Are un doctorat. în fizică de la Texas A&M University și 6 ani de experiență în industrie. Lui Ben îi place baseballul, să citească și să-și crească copiii.
Jarvis Lee este un senior Data Scientist cu AWS Professional Services. Lucrează la AWS de peste șase ani, lucrând cu clienții pe probleme de învățare automată și de viziune pe computer. În afara serviciului, îi place să meargă pe biciclete.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- capacitate
- Capabil
- acces
- accesibil
- Cont
- precizie
- precis
- precis
- dobândi
- achiziție
- peste
- Acțiune
- Acte
- curent
- adăuga
- Suplimentar
- În plus,
- Ajustare
- ajustări
- progresele
- După
- AI
- Sisteme AI
- Urmarind
- TOATE
- permite
- permite
- de asemenea
- Amazon
- Amazon SageMaker
- Amazon SageMaker Ground Adevăr
- Amazon Web Services
- an
- și
- animale
- O alta
- Orice
- apărea
- apare
- aplicație
- aplicatii
- aplicat
- arhitectură
- SUNT
- argument
- argumente
- în jurul
- Mulțime
- Arthur
- AS
- aspecte
- alocate
- Asistență
- presupune
- At
- atribute
- augmented
- Augmented Reality
- în mod automat
- disponibil
- in medie
- evita
- AWS
- Servicii profesionale AWS
- Back-end
- Baseball
- bazat
- De bază
- BE
- deoarece
- fost
- înainte
- începe
- fiind
- ben
- între
- atât
- Cutie
- larg
- browser-ul
- construi
- Clădire
- construit-in
- povară
- dar
- by
- calcule
- denumit
- CAN
- cu grijă
- caz
- CD
- centrat
- Schimbare
- Modificări
- schimbarea
- taxe
- verifica
- Alege
- clasă
- curat
- cli
- client
- cod
- culoare
- vine
- Comun
- Completă
- component
- componente
- Compus
- calculator
- Computer Vision
- legat
- Considerații
- consistent
- Constând
- Consoleze
- conţine
- conține
- context
- controale
- corespunde
- A costat
- acoperi
- crea
- a creat
- creează
- Crearea
- creaţie
- creator
- critic
- trecere
- mulţime
- personalizat
- Personalizat-a construit
- clienţii care
- personalizare
- personaliza
- de date
- de prelucrare a datelor
- om de știință de date
- seturi de date
- datetime
- adânc
- învățare profundă
- Mai adânc
- defini
- definit
- defineste
- definiție
- demonstra
- Dependent/ă
- În funcție
- depinde de
- implementa
- dislocate
- descrie
- descriere
- proiectat
- proiect
- dorit
- distruge
- detaliu
- detalii
- Detectare
- în curs de dezvoltare
- diagramă
- diferit
- Dimensiune
- Dimensiuni
- direct
- director
- distribuire
- scufunda
- diferit
- do
- Nu
- face
- făcut
- Dont
- download-uri
- a desena
- elaborate
- două
- în timpul
- dinamic
- fiecare
- Mai devreme
- uşura
- cu ușurință
- eficacitate
- eficiență
- încuraja
- angaja
- Motor
- spori
- se bucură de
- asigură
- Divertisment
- Întreg
- Mediu inconjurator
- eroare
- Erori
- Chiar
- eveniment
- examina
- exemplu
- exemple
- Extinde
- de aşteptat
- experienţă
- expertiză
- Explica
- Explorarea
- extinde
- suplimentar
- extracte
- familiar
- familiariza
- familie
- Caracteristică
- DESCRIERE
- camp
- Domenii
- Fișier
- Fişiere
- final
- Găsi
- firewall
- First
- Flexibilitate
- Concentra
- urma
- următor
- urmează
- Picior
- Pentru
- format
- găsit
- din
- funcţie
- funcționalitate
- funcții
- fundamental
- mai mult
- viitor
- generată
- obține
- gif
- GitHub
- Da
- Go
- Teren
- îndrumare
- Mânere
- Avea
- având în
- he
- de asistență medicală
- puternic
- ajutor
- a ajutat
- util
- ajută
- aici
- HEX
- de înaltă calitate
- lui
- gazdă
- găzduit
- găzduire
- Cum
- Cum Pentru a
- HTML
- http
- HTTPS
- uman
- sute
- ID
- identificat
- identifica
- identificarea
- Identitate
- if
- imagine
- imagini
- importanță
- important
- îmbunătăţi
- îmbunătățit
- in
- include
- Incorporated
- index
- industrii
- industrie
- ineficace
- influențat
- informații
- informează
- inițiative
- intrare
- Cereri
- instala
- instrucțiuni
- integrarea
- interes
- interesat
- interfaţă
- Internet
- în
- implică
- IT
- articole
- ESTE
- JavaScript
- Loc de munca
- Locuri de munca
- jpg
- JSON
- Cheie
- Detectarea punctelor cheie
- copii
- Etichetă
- etichetarea
- etichete
- limbă
- mare
- în cele din urmă
- mai tarziu
- Ultimele
- lansa
- a lansat
- lansare
- conducere
- AFLAȚI
- învăţare
- cel mai puțin
- Permite
- ca
- Linie
- linii
- Lichid
- Listă
- situat
- locaţie
- log
- autentificat
- Uite
- arată ca
- maşină
- masina de învățare
- făcut
- face
- administra
- manual
- de fabricaţie
- multe
- marca
- marcare
- Mai..
- poate
- Mass-media
- medical
- Aplicații medicale
- Metadata
- minimaliza
- greşeli
- ML
- model
- modelare
- Modele
- modificările aduse
- modifica
- mai mult
- cele mai multe
- nume
- Natură
- necesar
- Nevoie
- necesar
- nevoilor
- următor
- Nu.
- nota
- acum
- obiect
- obiecte
- obținut
- obținerea
- of
- de multe ori
- on
- dată
- ONE
- on-line
- afară
- deschide
- open-source
- deschide
- or
- comandă
- organizații
- origine
- original
- OS
- Altele
- Altele
- al nostru
- afară
- în aer liber
- producție
- exterior
- peste
- global
- propriu
- ofertele
- pereche
- perechi
- parte
- piese
- Trecut
- cale
- oameni
- performanță
- permisiuni
- Fizică
- Loc
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- puncte
- Politica
- populat
- Portal
- pune
- Estimarea pozitiei
- ridică
- poziţie
- Post
- potenţial
- practică
- precedent
- Precizie
- premise
- prezentat
- prezentarea
- împiedica
- previne
- precedent
- în prealabil
- principiu
- privat
- probleme
- proces
- procese
- prelucrare
- produce
- profesional
- Profil
- furniza
- prevăzut
- furnizează
- public
- scop
- scopuri
- Piton
- calitate
- repede
- ridicare
- gamă
- variind
- Citeste
- Citind
- gata
- lumea reală
- Realitate
- recunoaște
- recomandat
- reducerea
- trimite
- referință
- legate de
- relativ
- de încredere
- rămâne
- scoate
- prestate
- tencuială
- înlocui
- înlocuiește
- depozit
- reprezentate
- reprezintă
- necesar
- Cerinţe
- Necesită
- Resurse
- răspuns
- responsabil
- restricții
- rezultat
- REZULTATE
- reveni
- Returnează
- revizuiască
- călărie
- instalație
- Risc
- robotica
- robust
- Rol
- Alerga
- funcţionare
- Runtime
- sagemaker
- acelaşi
- probă
- economisire
- Spune
- scenarii
- Om de stiinta
- scenariu
- script-uri
- sdk
- Secțiune
- secțiuni
- securitate
- vedea
- selecta
- trimite
- senior
- servește
- Servicii
- set
- instalare
- câteva
- comun
- să
- Arăta
- a arătat
- indicat
- Emisiuni
- semnificativ
- asemănător
- simplu
- simplitate
- simplificată
- pur şi simplu
- singur
- SIX
- So
- soluţie
- soluţii
- unele
- ceva
- Sursă
- special
- specific
- specific
- Cheltuire
- Sportul
- stivui
- începe
- paşi
- depozitare
- stoca
- stocate
- simplu
- simplifica
- Şir
- structura
- substanțial
- astfel de
- a sustine
- schimba
- Swap-urile
- sistem
- sisteme
- Lua
- ia
- vizate
- Sarcină
- sarcini
- tehnică
- Tehnologii
- Tehnologia
- șablon
- zeci
- Texas
- acea
- informațiile
- Linia
- lor
- Lor
- apoi
- astfel
- prin urmare
- Acestea
- ei
- acest
- mii
- Prin
- legat
- timp
- la
- a luat
- instrument
- Tren
- dresat
- Pregătire
- a declanșat
- camion
- adevărat
- Adevăr
- ÎNTORCĂ
- tipic
- ui
- înţelege
- unic
- universitate
- până la
- Actualizează
- Folosire
- utilizare
- utilizat
- util
- Utilizator
- User Interface
- utilizări
- folosind
- obișnuit
- valoare
- Valori
- variabil
- variații
- diverse
- Vehicule
- versiune
- vertical
- de
- Video
- viziune
- vizual
- volum
- W
- umbla
- plimbări
- walkthrough
- vrea
- a fost
- Cale..
- modalități de
- we
- web
- aplicatie web
- browser web
- servicii web
- BINE
- Ce
- cand
- întrucât
- dacă
- care
- în timp ce
- OMS
- voi
- dori
- cu
- în
- fără
- Apartamente
- lucrător
- flux de lucru
- fluxuri de lucru
- Forta de munca
- de lucru
- ar
- scris
- X
- ani
- Tu
- Ta
- te
- zephyrnet