În această serie din două părți, demonstrăm cum să etichetăm și să antrenăm modele pentru sarcinile de detectare a obiectelor 3D. În partea 1, discutăm despre setul de date pe care îl folosim, precum și despre orice pași de preprocesare, pentru a înțelege și a eticheta datele. În partea 2, vom expune cum să antrenați un model pe setul dvs. de date și să-l implementăm în producție.
LIDAR (detecția și măsurarea luminii) este o metodă pentru determinarea intervalelor prin țintirea unui obiect sau a unei suprafețe cu un laser și măsurarea timpului până când lumina reflectată să revină la receptor. Companiile de vehicule autonome folosesc de obicei senzori LiDAR pentru a genera o înțelegere 3D a mediului din jurul vehiculelor lor.
Pe măsură ce senzorii LiDAR devin mai accesibili și mai rentabili, clienții folosesc din ce în ce mai mult datele din norul de puncte în spații noi precum robotica, cartografierea semnalului și realitatea augmentată. Unele dispozitive mobile noi includ chiar senzori LiDAR. Disponibilitatea în creștere a senzorilor LiDAR a crescut interesul pentru datele din norul de puncte pentru sarcinile de învățare automată (ML), cum ar fi detectarea și urmărirea obiectelor 3D, segmentarea 3D, sinteza și reconstrucția obiectelor 3D și utilizarea datelor 3D pentru a valida estimarea adâncimii 2D.
În această serie, vă arătăm cum să antrenați un model de detectare a obiectelor care rulează pe date din norul de puncte pentru a prezice locația vehiculelor într-o scenă 3D. În această postare, ne concentrăm în mod special pe etichetarea datelor LiDAR. Ieșirea standard a senzorului LiDAR este o secvență de cadre de nor de puncte 3D, cu o rată de captură tipică de 10 cadre pe secundă. Pentru a eticheta această ieșire a senzorului, aveți nevoie de un instrument de etichetare care poate gestiona datele 3D. Amazon SageMaker Ground Adevăr facilitează etichetarea obiectelor într-un singur cadru 3D sau într-o secvență de cadre de nor de puncte 3D pentru a construi seturi de date de antrenament ML. Ground Truth acceptă, de asemenea, fuziunea senzorilor de date ale camerei și LiDAR cu până la opt intrări pentru camere video.
Datele sunt esențiale pentru orice proiect ML. Datele 3D în special pot fi dificil de sursat, vizualizat și etichetat. Noi folosim Setul de date A2D2 în această postare și vă ghidează prin pașii pentru vizualizare și etichetare.
A2D2 conține 40,000 de cadre cu segmentare semantică și etichete nor de puncte, inclusiv 12,499 de cadre cu etichete 3D cu casete de delimitare. Deoarece ne concentrăm pe detectarea obiectelor, suntem interesați de cele 12,499 de cadre cu etichete 3D de delimitare. Aceste adnotări includ 14 clase relevante pentru conducere, cum ar fi mașină, pieton, camion, autobuz etc.
Următorul tabel prezintă lista completă a claselor:
index | Lista claselor |
1 | animal |
2 | bicicletă |
3 | luați autobuzul |
4 | mașină |
5 | transportor rulote |
6 | ciclist |
7 | vehicul de urgență |
8 | motociclist |
9 | motocicletă |
10 | pietonal |
11 | remorcă |
12 | camion |
13 | vehicul utilitar |
14 | furgonetă/SUV |
Ne vom antrena detectorul pentru a detecta în mod specific mașinile, deoarece aceasta este cea mai comună clasă din setul nostru de date (32616 din totalul de 42816 obiecte din setul de date sunt etichetate ca mașini).
Prezentare generală a soluțiilor
În această serie, vom acoperi cum să vizualizați și să vă etichetați datele cu Amazon SageMaker Ground Truth și să demonstrăm cum să utilizați aceste date într-o lucrare de instruire Amazon SageMaker pentru a crea un model de detectare a obiectelor, implementat într-un punct final Amazon SageMaker. În special, vom folosi un notebook Amazon SageMaker pentru a opera soluția și pentru a lansa orice lucrări de etichetare sau formare.
Următoarea diagramă ilustrează fluxul general de date ale senzorului de la etichetare la instruire până la implementare:
Veți învăța cum să antrenați și să implementați un model de detectare a obiectelor 3D în timp real cu ajutorul Amazon SageMaker Ground Truth cu următorii pași:
- Descărcați și vizualizați un set de date nor de puncte
- Pregătiți datele pentru a fi etichetate cu Instrumentul Amazon SageMaker Ground Truth pentru nor de puncte
- Lansați o lucrare de instruire distribuită Amazon SageMaker Ground Truth cu MMDetection3D
- Evaluați rezultatele jobului dvs. de formare și profilați utilizarea resurselor dvs Debugger Amazon SageMaker
- Implementați un sistem asincron Punct final SageMaker
- Apelați punctul final și vizualizați predicțiile obiectelor 3D
Serviciile AWS folosite pentru a implementa această soluție
Cerințe preliminare
Următoarea diagramă demonstrează cum să creați o forță de muncă privată. Pentru instrucțiuni scrise, pas cu pas, consultați Creați o forță de muncă Amazon Cognito folosind pagina Etichetarea forței de muncă.
Lansarea stivei AWS CloudFormation
Acum că ați văzut structura soluției, o implementați în contul dvs., astfel încât să puteți rula un exemplu de flux de lucru. Toți pașii de implementare legate de conducta de etichetare sunt gestionați de AWS CloudFormation. Aceasta înseamnă că AWS Cloudformation vă creează instanța de notebook, precum și orice rol sau Amazon S3 Buckets pentru a sprijini rularea soluției.
Puteți lansa stiva în regiunea AWS us-east-1
pe consola AWS CloudFormation folosind Lansați Stack
buton. Pentru a lansa stiva într-o regiune diferită, utilizați instrucțiunile găsite în README-ul GitHub depozit.
Acest lucru durează aproximativ 20 de minute pentru a crea toate resursele. Puteți monitoriza progresul din interfața de utilizator (UI) AWS CloudFormation.
Odată ce șablonul CloudFormation s-a terminat de rulat, reveniți la Consola AWS.
Deschiderea Notebook-ului
Instanțele Amazon SageMaker Notebook sunt instanțe de calcul ML care rulează în aplicația Jupyter Notebook. Amazon SageMaker gestionează crearea instanțelor și a resurselor aferente. Utilizați blocnotesurile Jupyter în instanța dvs. de notebook pentru a pregăti și procesa date, pentru a scrie cod pentru a antrena modele, pentru a implementa modele pe găzduirea Amazon SageMaker și pentru a testa sau valida modelele dvs.
Urmați următorii pași pentru a accesa mediul Amazon SageMaker Notebook:
- Sub servicii căutați Amazon SageMaker.
- În Blocnotes, Selectați Instanțe de notebook.
- Ar trebui să fie furnizată o instanță de notebook. Selectați Deschidere laborator jupyter, care se află în partea dreaptă a instanței Notebook pre-provizionate sub Acţiuni.
- Veți vedea o pictogramă ca aceasta pe măsură ce pagina se încarcă:
- Veți fi redirecționat către o nouă filă de browser care arată ca următoarea diagramă:
- Odată ce vă aflați în interfața de utilizare a lansatorului de instanțe pentru notebook Amazon SageMaker. Din bara laterală din stânga, selectați merge pictograma așa cum se arată în diagrama următoare.
- Selectați Clonează un depozit opțiune.
- Introduceți adresa URL GitHub(https://github.com/aws-samples/end-2-end-3d-ml) în fereastra pop-up și alegeți clona.
- Selectați Browser de fișiere pentru a vedea folderul GitHub.
- Deschide caietul intitulat
1_visualization.ipynb.
Operarea notebook-ului
Descriere
Primele celule ale caietului din secțiunea intitulată Fișiere descărcate arată cum să descărcați setul de date și să inspectați fișierele din acesta. După ce celulele sunt executate, este nevoie de câteva minute pentru ca datele să se termine descărcarea.
Odată descărcat, puteți revizui structura fișierului A2D2, care este o listă de scene sau unități. O scenă este o scurtă înregistrare a datelor senzorului din vehiculul nostru. A2D2 oferă 18 dintre aceste scene pentru a ne antrena, toate identificate prin date unice. Fiecare scenă conține date 2D ale camerei, etichete 2D, adnotări cuboide 3D și nori de puncte 3D.
Puteți vizualiza structura fișierului pentru setul de date A2D2 cu următoarele:
Configurarea senzorului A2D2
Următoarea secțiune trece prin citirea unor date din acest nor de puncte pentru a ne asigura că le interpretăm corect și că le putem vizualiza în blocnotes înainte de a încerca să le convertim într-un format pregătit pentru etichetarea datelor.
Pentru orice tip de configurație de conducere autonomă în care avem date de senzori 2D și 3D, capturarea datelor de calibrare a senzorului este esențială. Pe lângă datele brute, am și descărcat cams_lidar.json
. Acest fișier conține translația și orientarea fiecărui senzor în raport cu cadrul de coordonate al vehiculului, aceasta poate fi numită și poziția senzorului sau locația în spațiu. Acest lucru este important pentru conversia punctelor din cadrul de coordonate al unui senzor în cadrul de coordonate al vehiculului. Cu alte cuvinte, este important pentru vizualizarea senzorilor 2D și 3D în timp ce vehiculul conduce. Cadrul de coordonate al vehiculului este definit ca un punct static în centrul vehiculului, cu axa x în direcția mișcării înainte a vehiculului, axa y indicând stânga și dreapta, stânga fiind pozitivă, iar z- axa îndreptată prin plafonul vehiculului. Un punct (X,Y,Z) de (5,2,1) înseamnă că acest punct se află la 5 metri în fața vehiculului nostru, la 2 metri la stânga și la 1 metru deasupra vehiculului nostru. Având aceste calibrări, de asemenea, ne permite să proiectăm puncte 3D pe imaginea noastră 2D, ceea ce este util în special pentru sarcinile de etichetare a norilor de puncte.
Pentru a vedea configurarea senzorului de pe vehicul, verificați următoarea diagramă.
Datele despre norul de puncte pe care ne antrenăm sunt aliniate în mod special cu camera frontală sau camera frontală:
Aceasta se potrivește cu vizualizarea noastră a senzorilor camerei în 3D:
Această porțiune a notebook-ului trece prin validarea faptului că setul de date A2D2 se potrivește așteptărilor noastre cu privire la pozițiile senzorilor și că suntem capabili să aliniem datele de la senzorii norului de puncte în cadrul camerei. Simțiți-vă liber să rulați toate celulele prin cea intitulată Proiecție de la 3D la 2D pentru a vedea suprapunerea datelor din norul de puncte pe următoarea imagine a camerei.
Conversie la Amazon SageMaker Ground Truth
După ce ne vizualizăm datele în blocnotes, ne putem converti cu încredere norii de puncte în Amazon Formatul 3D al SageMaker Ground Truth pentru a verifica și ajusta etichetele noastre. Această secțiune prezintă conversia din formatul de date A2D2 într-un Amazon Fișierul secvenței SageMaker Ground Truth, cu formatul de intrare utilizat de modalitatea de urmărire a obiectelor.
Formatul de fișier secvență include formatele norilor de puncte, imaginile asociate fiecărui nor de puncte și toate datele de poziție și orientare ale senzorului necesare pentru a alinia imaginile cu norii de puncte. Aceste conversii se fac folosind informațiile senzorului citite din secțiunea anterioară. Următorul exemplu este un format de fișier secvență de la Amazon SageMaker Ground Truth, care descrie o secvență cu un singur pas de timp.
Norul de puncte pentru acest interval de timp este situat la s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
și are un format de <x coordinate> <y coordinate> <z coordinate>
.
Asociată cu norul de puncte, este o singură imagine de cameră situată la s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Observați că luăm fișierul de secvență care definește toți parametrii camerei pentru a permite proiecția de la norul de puncte la cameră și înapoi.
Conversia la acest format de intrare necesită să scriem o conversie din formatul de date A2D2 în formate de date acceptate de Amazon SageMaker Ground Truth. Acesta este același proces pe care trebuie să îl supună oricine atunci când își aduce propriile date pentru etichetare. Vom prezenta pas cu pas modul în care funcționează această conversie. Dacă urmăriți în caiet, uitați-vă la funcția numită a2d2_scene_to_smgt_sequence_and_seq_label
.
Conversie nor de puncte
Primul pas este convertirea datelor dintr-un fișier comprimat formatat Numpy (NPZ), care a fost generat cu numpy.ști metoda, la an format 3D brut acceptat pentru Amazon SageMaker Ground Truth. Mai exact, generăm un fișier cu un rând pe punct. Fiecare punct 3D este definit de trei coordonate X, Y și Z în virgulă flotantă. Când specificăm formatul nostru în fișierul de secvență, folosim șirul text/xyz
pentru a reprezenta acest format. Amazon SageMaker Ground Truth acceptă, de asemenea, adăugarea de valori de intensitate sau puncte roșu verde albastru (RGB).
Fișierele NPZ ale A2D2 conțin mai multe matrice Numpy, fiecare cu propriul nume. Pentru a efectua o conversie, încărcăm fișierul NPZ folosind Numpy încărca metoda, accesați matricea numită puncte (adică, o matrice Nx3, unde N este numărul de puncte din norul de puncte) și salvați ca text într-un fișier nou folosind Numpy savetxt metodă.
Preprocesarea imaginii
În continuare, ne pregătim fișierele imagine. A2D2 oferă imagini PNG, iar Amazon SageMaker Ground Truth acceptă imagini PNG; cu toate acestea, aceste imagini sunt distorsionate. Distorsiunea apare adesea deoarece lentila de captare a imaginii nu este aliniată paralel cu planul de imagine, ceea ce face ca unele zone din imagine să pară mai apropiate decât se aștepta. Această distorsiune descrie diferența dintre o cameră fizică și un model idealizat de cameră pinhole. Dacă distorsiunea nu este luată în considerare, atunci Amazon SageMaker Ground Truth nu va putea reda punctele noastre 3D deasupra vizualizărilor camerei, ceea ce face mai dificilă efectuarea etichetării. Pentru un tutorial despre calibrarea camerei, consultați această documentație de la OpenCV.
În timp ce Amazon SageMaker Ground Truth acceptă coeficienți de distorsiune în fișierul său de intrare, puteți, de asemenea, să efectuați preprocesare înainte de operația de etichetare. Deoarece A2D2 oferă cod de ajutor pentru a efectua nedistorsiunea, îl aplicăm imaginii și lăsăm câmpurile legate de distorsiune din fișierul nostru de secvență. Rețineți că câmpurile legate de distorsiuni includ k1, k2, k3, k4, p1, p2 și oblic.
Poziția camerei, orientarea și conversia proiecției
Dincolo de fișierele de date brute necesare pentru etichetare, fișierul de secvență necesită, de asemenea, informații despre poziția și orientarea camerei pentru a efectua proiecția punctelor 3D în vizualizările camerei 2D. Trebuie să știm unde caută camera în spațiul 3D pentru a ne da seama cum ar trebui redate etichetele cuboide 3D și punctele 3D deasupra imaginilor noastre.
Deoarece ne-am încărcat pozițiile senzorilor într-un manager de transformare comun în secțiunea de configurare a senzorului A2D2, putem interoga cu ușurință managerul de transformare pentru informațiile pe care le dorim. În cazul nostru, tratăm poziția vehiculului ca (0, 0, 0) în fiecare cadru, deoarece nu avem informații despre poziția senzorului furnizate de setul de date de detectare a obiectelor A2D2. Deci, în raport cu vehiculul nostru, orientarea și poziția camerei sunt descrise de următorul cod:
Acum că poziția și orientarea sunt convertite, trebuie să furnizăm și valori pentru fx, fy, cx și cy, toți parametrii pentru fiecare cameră în formatul de fișier secvență.
Acești parametri se referă la valori din matricea camerei. În timp ce poziția și orientarea descriu direcția în care este orientată o cameră, matricea camerei descrie câmpul de vedere al camerei și exact modul în care un punct 3D relativ la cameră este convertit într-o locație de pixeli 2D într-o imagine.
A2D2 oferă o matrice de cameră. O matrice de referință a camerei este afișată în codul următor, împreună cu modul în care notebook-ul nostru indexează această matrice pentru a obține câmpurile corespunzătoare.
Cu toate câmpurile analizate din formatul A2D2, putem salva fișierul de secvență și îl putem folosi într-un Amazon Fișier manifest de intrare SageMaker Ground Truth pentru a începe o lucrare de etichetare. Această sarcină de etichetare ne permite să creăm etichete cu casete de delimitare 3D pentru a le folosi în aval pentru formarea modelelor 3D.
Rulați toate celulele până la sfârșitul notebook-ului și asigurați-vă că îl înlocuiți workteam
ARN cu Amazon SageMaker Ground Truth workteam
ARN ați creat o condiție prealabilă. După aproximativ 10 minute de etichetare a timpului de creare a locurilor de muncă, ar trebui să vă puteți conecta la portalul lucrătorilor și să utilizați interfata utilizator de etichetare pentru a-ți vizualiza scena.
A curăța
Ștergeți stiva AWS CloudFormation pe care ați implementat-o folosind Lansați Stack butonul numit ThreeD
în consola AWS CloudFormation pentru a elimina toate resursele utilizate în această postare, inclusiv orice instanțe care rulează.
Costuri estimate
Costul aproximativ este de 5 USD pentru 2 ore.
Concluzie
În această postare, am demonstrat cum să luăm date 3D și să le convertim într-un formular pregătit pentru etichetare în Amazon SageMaker Ground Truth. Cu acești pași, puteți eticheta propriile date 3D pentru modelele de detecție a obiectelor de antrenament. În următoarea postare din această serie, vă vom arăta cum să luați A2D2 și să antrenați un model de detector de obiecte pe etichetele deja din setul de date.
Clădire fericită!
Despre Autori
Isaac Privitera este Senior Data Scientist la Laboratorul de soluții Amazon Machine Learning Solutions, unde dezvoltă soluții personalizate de învățare automată și de deep learning pentru a aborda problemele de afaceri ale clienților. Lucrează în principal în spațiul viziunii computerizate, concentrându-se pe oferirea clienților AWS de formare distribuită și învățare activă.
Vidya Sagar Ravipati este Manager la Laboratorul de soluții Amazon Machine Learning Solutions, unde își folosește vasta experiență în sisteme distribuite pe scară largă și pasiunea sa pentru învățarea automată pentru a ajuta clienții AWS din diferite verticale ale industriei să-și accelereze adoptarea AI și cloud. Anterior, a fost inginer de învățare automată în servicii de conectivitate la Amazon, care a contribuit la construirea platformelor de personalizare și de întreținere predictivă.
Jeremy Feltracco este inginer de dezvoltare software cu th Laboratorul de soluții Amazon Machine Learning Solutions la Amazon Web Services. El își folosește experiența în viziunea computerizată, robotică și învățarea automată pentru a ajuta clienții AWS să-și accelereze adoptarea AI.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :este
- $UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Capabil
- Despre Noi
- mai sus
- accelera
- acces
- accesibil
- Cont
- peste
- activ
- plus
- adresa
- Adoptare
- După
- înainte
- AI
- aliniat
- TOATE
- permite
- deja
- Amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Ground Adevăr
- Amazon Web Services
- și
- oricine
- aplicaţia
- Aplică
- adecvat
- aproximativ
- arhitectură
- SUNT
- domenii
- în jurul
- Mulțime
- AS
- asociate
- At
- augmented
- Augmented Reality
- autonom
- disponibilitate
- AWS
- Formarea AWS Cloud
- înapoi
- fundal
- BE
- deoarece
- deveni
- înainte
- fiind
- de mai jos
- între
- Albastru
- Cutie
- Aducere
- browser-ul
- construi
- Clădire
- luați autobuzul
- afaceri
- buton
- by
- denumit
- aparat foto
- CAN
- captura
- capturarea
- mașină
- masini
- caz
- Celule
- Centru
- provocare
- verifica
- Alege
- clasă
- clase
- mai aproape
- Cloud
- adoptarea norului
- cod
- Comun
- Companii
- Completă
- Calcula
- calculator
- Computer Vision
- cu încredere
- Suport conectare
- Consoleze
- conţine
- conține
- Convertire
- conversii
- converti
- convertit
- coordona
- A costat
- cost-eficiente
- acoperi
- crea
- a creat
- creează
- creaţie
- clienţii care
- CX
- de date
- om de știință de date
- seturi de date
- Date
- adânc
- învățare profundă
- definit
- defineste
- demonstra
- demonstrat
- demonstrează
- implementa
- dislocate
- desfășurarea
- adâncime
- descrie
- descris
- Detectare
- determinarea
- Dezvoltare
- dezvoltă
- Dispozitive
- diferenţă
- diferit
- dificil
- direcţie
- discuta
- distribuite
- sisteme distribuite
- instruire distribuită
- documentaţie
- Dont
- Descarca
- conducere
- e
- fiecare
- cu ușurință
- permițând
- Punct final
- inginer
- asigura
- Mediu inconjurator
- mai ales
- esenţial
- etc
- Chiar
- exact
- exemplu
- aşteptări
- de aşteptat
- experienţă
- cu care se confruntă
- puțini
- camp
- Domenii
- Figura
- Fișier
- Fişiere
- termina
- First
- plutitor
- debit
- Concentra
- concentrându-se
- următor
- Pentru
- formă
- format
- Înainte
- găsit
- FRAME
- Gratuit
- din
- faţă
- funcţie
- fuziune
- FX
- genera
- generată
- obține
- gif
- merge
- GitHub
- Go
- Merge
- Verde
- Teren
- În creştere
- manipula
- Avea
- având în
- Rubrică
- ajutor
- a ajutat
- util
- găzduire
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- HTTPS
- i
- ICON
- identificat
- imagine
- imagini
- Imaging
- punerea în aplicare a
- important
- in
- În altele
- include
- include
- Inclusiv
- a crescut
- tot mai mult
- indexurile
- industrie
- informații
- intrare
- instanță
- instrucțiuni
- interes
- interesat
- interfaţă
- IT
- ESTE
- Loc de munca
- Locuri de munca
- jpg
- JSON
- Copil
- Cunoaște
- Etichetă
- etichetarea
- etichete
- pe scară largă
- cu laser
- lansa
- AFLAȚI
- învăţare
- Părăsi
- pîrghii
- ușoară
- ca
- Listă
- încărca
- loturile
- situat
- locaţie
- Uite
- cautati
- Se pare
- maşină
- masina de învățare
- întreținere
- face
- FACE
- gestionate
- manager
- gestionează
- cartografiere
- Matrice
- mijloace
- măsurare
- metodă
- minute
- ML
- Mobil
- dispozitive mobile
- model
- Modele
- monitor
- mai mult
- cele mai multe
- mişcare
- multiplu
- nume
- Numit
- Nevoie
- Nou
- următor
- caiet
- număr
- NumPy
- obiect
- Detectarea obiectelor
- obiecte
- of
- on
- ONE
- deschide
- OpenCV
- funcionar
- Opțiune
- Altele
- producție
- global
- propriu
- pagină
- Paralel
- parametrii
- parte
- special
- pasiune
- cale
- Efectua
- personalizare
- fizic
- conducte
- Pixel
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- puncte
- Portal
- poziţie
- poziţii
- pozitiv
- Post
- prezice
- Pregăti
- precedent
- în prealabil
- în primul rând
- privat
- probleme
- proces
- producere
- profilare
- Progres
- proiect
- Proiectare
- prevăzut
- furnizează
- variind
- rată
- Crud
- Citeste
- Citind
- gata
- în timp real
- Realitate
- înregistrare
- Roșu
- menționat
- reflectat
- regiune
- legate de
- rămas
- scoate
- înlocui
- reprezenta
- necesar
- Necesită
- resursă
- Resurse
- REZULTATE
- reveni
- revizuiască
- RGB
- robotica
- rolurile
- acoperiş
- RÂND
- Alerga
- funcţionare
- s
- sagemaker
- acelaşi
- Economisiți
- scenă
- scene
- Om de stiinta
- Caută
- Al doilea
- Secțiune
- segmentarea
- senior
- senzori
- Secvenţă
- serie
- Servicii
- configurarea
- Pantaloni scurți
- să
- Arăta
- indicat
- Emisiuni
- parte
- Semnal
- întrucât
- singur
- So
- Software
- de dezvoltare de software
- soluţie
- soluţii
- unele
- Sursă
- Spaţiu
- spații
- specific
- stivui
- standard
- Începe
- Pas
- paşi
- structura
- livra
- a sustine
- Suportat
- Sprijină
- Suprafață
- sisteme
- tabel
- Lua
- ia
- direcționare
- sarcini
- șablon
- test
- acea
- informațiile
- lor
- Acestea
- trei
- Prin
- timp
- cu denumirea
- la
- instrument
- top
- Total
- Urmărire
- Tren
- Pregătire
- Transforma
- Traducere
- trata
- camion
- tutorial
- tipic
- tipic
- ui
- în
- înţelege
- înţelegere
- unic
- us
- utilizare
- Utilizator
- User Interface
- VALIDA
- Valori
- Fixă
- vehicul
- Vehicule
- verifica
- verticalele
- Video
- Vizualizare
- vizualizari
- viziune
- vizualizare
- Cale..
- web
- servicii web
- BINE
- care
- în timp ce
- OMS
- Wikipedia
- voi
- cu
- în
- cuvinte
- lucrător
- Forta de munca
- fabrică
- scrie
- scrie cod
- scris
- X
- yaml
- Tu
- Ta
- zephyrnet