V tej dvodelni seriji prikazujemo, kako označiti in usposobiti modele za naloge odkrivanja 3D-predmetov. V 1. delu razpravljamo o naboru podatkov, ki ga uporabljamo, in o vseh korakih predprocesiranja za razumevanje in označevanje podatkov. V 2. delu se sprehodimo skozi to, kako usposobiti model na vašem naboru podatkov in ga razmestiti v produkcijo.
LiDAR (light detection and ranging) je metoda za določanje dosegov z laserskim usmerjanjem predmeta ali površine in merjenjem časa, v katerem se odbita svetloba vrne v sprejemnik. Podjetja za avtonomna vozila običajno uporabljajo senzorje LiDAR za ustvarjanje 3D razumevanja okolja okoli svojih vozil.
Ker postajajo senzorji LiDAR bolj dostopni in stroškovno učinkoviti, stranke vedno pogosteje uporabljajo podatke oblakov točk v novih prostorih, kot so robotika, preslikava signalov in razširjena resničnost. Nekatere nove mobilne naprave vključujejo celo senzorje LiDAR. Naraščajoča razpoložljivost senzorjev LiDAR je povečala zanimanje za podatke oblaka točk za naloge strojnega učenja (ML), kot so zaznavanje in sledenje 3D-objekta, 3D-segmentacija, sinteza in rekonstrukcija 3D-objekta ter uporaba 3D-podatkov za potrditev 2D-ocenjevanja globine.
V tej seriji vam pokažemo, kako usposobiti model zaznavanja objektov, ki se izvaja na podatkih oblaka točk, da napove lokacijo vozil v 3D-sceni. V tej objavi se osredotočamo posebej na označevanje podatkov LiDAR. Standardni izhod senzorja LiDAR je zaporedje okvirjev 3D oblaka točk s tipično hitrostjo zajemanja 10 sličic na sekundo. Za označevanje tega izhoda senzorja potrebujete orodje za označevanje, ki lahko obravnava 3D podatke. Amazon SageMaker Ground Truth olajša označevanje predmetov v enem samem 3D okvirju ali v zaporedju okvirjev 3D oblaka točk za gradnjo naborov podatkov za usposabljanje ML. Ground Truth podpira tudi senzorsko fuzijo podatkov kamere in LiDAR z do osmimi vhodi za video kamero.
Podatki so bistveni za vsak projekt ML. Zlasti 3D podatke je težko pridobiti, vizualizirati in označiti. Uporabljamo Nabor podatkov A2D2 v tej objavi in vas vodi skozi korake za vizualizacijo in označevanje.
A2D2 vsebuje 40,000 okvirjev s semantično segmentacijo in oznakami oblaka točk, vključno z 12,499 okvirji z oznakami 3D omejevalnega polja. Ker se osredotočamo na zaznavanje objektov, nas zanima 12,499 sličic s 3D oznakami omejevalnega polja. Te opombe vključujejo 14 razredov, ki so pomembni za vožnjo, kot so avtomobil, pešec, tovornjak, avtobus itd.
Naslednja tabela prikazuje celoten seznam razredov:
Kazalo | Seznam razredov |
1 | živali |
2 | kolesa |
3 | avtobus |
4 | voziček |
5 | prikolica transporter |
6 | kolesar |
7 | sili vozilo |
8 | motorist |
9 | motorno kolo |
10 | pešce |
11 | prikolica |
12 | tovornjak |
13 | gospodarsko vozilo |
14 | kombi/SUV |
Naš detektor bomo usposobili za specifično zaznavanje avtomobilov, saj je to najpogostejši razred v našem naboru podatkov (32616 od skupno 42816 predmetov v naboru podatkov je označenih kot avtomobili).
Pregled rešitev
V tej seriji obravnavamo, kako vizualizirati in označiti svoje podatke z Amazon SageMaker Ground Truth, in prikazujemo, kako te podatke uporabiti v izobraževalnem delu Amazon SageMaker za ustvarjanje modela zaznavanja objektov, ki je nameščen na Amazon SageMaker Endpoint. Zlasti bomo uporabili prenosni računalnik Amazon SageMaker za upravljanje rešitve in zagon kakršnih koli opravil za označevanje ali usposabljanje.
Naslednji diagram prikazuje celoten tok podatkov senzorja od označevanja do usposabljanja in uvajanja:
Naučili se boste, kako usposobiti in uvesti model za zaznavanje 3D objektov v realnem času Amazon SageMaker Utemeljite resnico z naslednjimi koraki:
- Prenesite in vizualizirajte nabor podatkov oblaka točk
- Podatki za pripravo, ki bodo označeni z Orodje za oblak točk Amazon SageMaker Ground Truth
- Zaženite distribuirano usposabljanje Amazon SageMaker Ground Truth z MMDetection3D
- Ocenite svoje rezultate usposabljanja in profilirajte svojo uporabo virov z Napaka Amazon SageMaker
- Namestite asinhrono Končna točka SageMaker
- Pokličite končno točko in vizualizirajte napovedi 3D objektov
Storitve AWS, uporabljene za implementacijo te rešitve
Predpogoji
Naslednji diagram prikazuje, kako ustvariti zasebno delovno silo. Za pisna navodila po korakih glejte Ustvarite Amazon Cognito Workforce z uporabo strani za označevanje delovne sile.
Zagon sklada AWS CloudFormation
Zdaj, ko ste videli strukturo rešitve, jo namestite v svoj račun, da lahko zaženete primer poteka dela. Vse korake uvajanja, povezane s cevovodom za označevanje, upravlja AWS CloudFormation. To pomeni, da AWS Cloudformation ustvari vaš primerek prenosnega računalnika ter morebitne vloge ali segmente Amazon S3 za podporo izvajanju rešitve.
Sklop lahko zaženete v regiji AWS us-east-1
na konzoli AWS CloudFormation z uporabo Izstrelite sklad
gumb. Če želite zagnati sklad v drugi regiji, uporabite navodila v datoteki README datoteke GitHub repozitorij.
To traja približno 20 minut, da ustvarite vse vire. Napredek lahko spremljate iz uporabniškega vmesnika (UI) AWS CloudFormation.
Ko se vaša predloga CloudFormation konča z izvajanjem, se vrnite na konzolo AWS.
Odpiranje Beležnice
Primerki prenosnika Amazon SageMaker so primerki računanja ML, ki se izvajajo v aplikaciji Jupyter Notebook. Amazon SageMaker upravlja ustvarjanje primerkov in povezanih virov. Uporabite prenosne računalnike Jupyter v svojem primerku prenosnega računalnika za pripravo in obdelavo podatkov, pisanje kode za usposabljanje modelov, uvajanje modelov v gostovanje Amazon SageMaker ter testiranje ali preverjanje vaših modelov.
Za dostop do okolja Amazon SageMaker Notebook sledite naslednjim korakom:
- Pod iskanjem storitev Amazon SageMaker.
- Pod notebooktako, da izberete Primeri prenosnih računalnikov.
- Omogočiti je treba primerek Beležnice. Izberite Odpri jupyter lab, ki se nahaja na desni strani vnaprej pripravljenega primerka Beležnice pod Proces.
- Med nalaganjem strani boste videli takšno ikono:
- Preusmerjeni boste na nov zavihek brskalnika, ki je videti kot ta diagram:
- Ko ste v uporabniškem vmesniku za zaganjalnik primerkov prenosnika Amazon SageMaker. V levi stranski vrstici izberite git ikono, kot je prikazano na naslednjem diagramu.
- Izberite Klonirajte repozitorij možnost.
- Vnesite GitHub URL(https://github.com/aws-samples/end-2-end-3d-ml) v pojavnem oknu in izberite klon.
- Izberite Brskalnik datotek da vidite mapo GitHub.
- Odprite zvezek z naslovom
1_visualization.ipynb.
Upravljanje prenosnega računalnika
Pregled
Prvih nekaj celic zvezka v razdelku z naslovom Prenesene datoteke opisuje, kako prenesti nabor podatkov in pregledati datoteke v njem. Ko so celice izvedene, traja nekaj minut, da se podatki končajo s prenosom.
Po prenosu lahko pregledate datotečno strukturo A2D2, ki je seznam prizorov ali pogonov. Scena je kratek posnetek senzorskih podatkov našega vozila. A2D2 ponuja 18 od teh prizorov, na katerih lahko treniramo, in vsi so označeni z edinstvenimi datumi. Vsaka scena vsebuje podatke 2D kamere, 2D oznake, 3D opombe kvadra in 3D oblake točk.
Strukturo datoteke za nabor podatkov A2D2 si lahko ogledate z naslednjim:
Nastavitev senzorja A2D2
V naslednjem razdelku je opisano branje nekaterih podatkov oblaka točk, da se prepričate, ali jih pravilno razlagamo in jih lahko vizualiziramo v zvezku, preden jih poskušamo pretvoriti v obliko, pripravljeno za označevanje podatkov.
Za kakršno koli nastavitev avtonomne vožnje, kjer imamo 2D in 3D podatke senzorjev, je zajemanje podatkov o umerjanju senzorjev bistveno. Poleg neobdelanih podatkov smo prenesli tudi cams_lidar.json
. Ta datoteka vsebuje prevod in orientacijo vsakega senzorja glede na koordinatni okvir vozila, kar lahko imenujemo tudi položaj senzorja ali lokacija v prostoru. To je pomembno za pretvorbo točk iz koordinatnega okvira senzorja v koordinatni okvir vozila. Z drugimi besedami, pomembno je za vizualizacijo 2D in 3D senzorjev med vožnjo vozila. Koordinatni okvir vozila je definiran kot statična točka v središču vozila, pri čemer je os x v smeri gibanja vozila naprej, os y označuje levo in desno, pri čemer je leva pozitivna, z- os, ki kaže skozi streho vozila. Točka (X,Y,Z) od (5,2,1) pomeni, da je ta točka 5 metrov pred našim vozilom, 2 metra levo in 1 meter nad našim vozilom. Te kalibracije nam omogočajo tudi projiciranje 3D točk na našo 2D sliko, kar je še posebej koristno pri nalogah označevanja oblaka točk.
Če si želite ogledati nastavitev senzorja v vozilu, si oglejte naslednji diagram.
Podatki oblaka točk, na katerih se izobražujemo, so posebej usklajeni s sprednjo kamero ali kamero spredaj na sredini:
To se ujema z našo vizualizacijo senzorjev kamere v 3D:
Ta del zvezka poteka skozi preverjanje, ali se nabor podatkov A2D2 ujema z našimi pričakovanji glede položajev senzorjev in ali lahko podatke iz senzorjev oblaka točk poravnamo v okvir kamere. Vse celice poiščite skozi tisto z naslovom Projekcija iz 3D v 2D če si želite ogledati prekrivanje podatkov oblaka točk na naslednji sliki kamere.
Pretvorba v Amazon SageMaker Ground Truth
Po vizualizaciji naših podatkov v našem zvezku lahko samozavestno pretvorimo naše oblake točk v Amazon 3D format SageMaker Ground Truth da preverimo in prilagodimo naše oznake. Ta razdelek vodi skozi pretvorbo iz formata podatkov A2D2 v Amazon Zaporedna datoteka SageMaker Ground Truth, z vnosno obliko, ki jo uporablja način sledenja objektom.
Format datoteke zaporedja vključuje formate oblakov točk, slike, povezane z vsakim oblakom točk, in vse podatke o položaju in orientaciji senzorja, potrebne za poravnavo slik z oblaki točk. Te pretvorbe se izvedejo z uporabo informacij senzorja, prebranih iz prejšnjega razdelka. Naslednji primer je format datoteke zaporedja iz Amazon SageMaker Ground Truth, ki opisuje zaporedje z enim samim časovnim korakom.
Oblak točk za ta časovni korak se nahaja na s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
in ima obliko <x coordinate> <y coordinate> <z coordinate>
.
Z oblakom točk je povezana ena slika kamere, ki se nahaja na s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Upoštevajte, da vzamemo zaporedno datoteko, ki definira vse parametre kamere, da omogočimo projekcijo iz oblaka točk v kamero in nazaj.
Pretvorba v ta vhodni format zahteva, da zapišemo pretvorbo iz formata podatkov A2D2 v formate podatkov, ki jih podpira Amazon SageMaker Ground Truth. To je isti postopek, ki ga mora opraviti vsakdo, ko prinaša svoje podatke za označevanje. Korak za korakom bomo predstavili, kako ta pretvorba deluje. Če sledite v zvezku, poglejte imenovano funkcijo a2d2_scene_to_smgt_sequence_and_seq_label
.
Pretvorba oblaka točk
Prvi korak je pretvorba podatkov iz stisnjene datoteke v formatu Numpy (NPZ), ki je bila ustvarjena z numpy.vedeti metoda, do an sprejeta neobdelana 3D oblika za Amazon SageMaker Ground Truth. Natančneje, ustvarimo datoteko z eno vrstico na točko. Vsaka 3D točka je definirana s tremi koordinatami plavajoče točke X, Y in Z. Ko podamo svoj format v datoteki zaporedja, uporabimo niz text/xyz
za predstavljanje tega formata. Amazon SageMaker Ground Truth podpira tudi dodajanje vrednosti intenzivnosti ali rdeče-zeleno-modre (RGB) točk.
Datoteke NPZ A2D2 vsebujejo več nizov Numpy, od katerih ima vsak svoje ime. Za izvedbo pretvorbe naložimo datoteko NPZ s pomočjo Numpyja obremenitev metoda dostop do klicanega polja točke (tj. polje Nx3, kjer je N število točk v oblaku točk) in shranite kot besedilo v novo datoteko z uporabo Numpyjevega savetxt metoda.
Predobdelava slike
Nato pripravimo slikovne datoteke. A2D2 zagotavlja slike PNG, Amazon SageMaker Ground Truth pa podpira slike PNG; vendar so te slike popačene. Do popačenja pogosto pride, ker leča za slikanje ni poravnana vzporedno s slikovno ravnino, zaradi česar so nekatera področja na sliki videti bližje, kot je bilo pričakovano. To popačenje opisuje razliko med fizično kamero in kamero idealizirani model kamere z luknjo. Če se popačenje ne upošteva, potem Amazon SageMaker Ground Truth ne bo mogel upodobiti naših 3D točk na vrhu pogledov kamere, zaradi česar je izvajanje označevanja še težje. Za vadnico o kalibraciji kamere si oglejte to dokumentacijo od OpenCV.
Medtem ko Amazon SageMaker Ground Truth podpira koeficiente popačenja v svoji vhodni datoteki, lahko izvedete tudi predhodno obdelavo pred opravilom označevanja. Ker A2D2 nudi pomožno kodo za izvajanje nepopačenja, jo uporabimo za sliko in pustimo polja, povezana s popačenjem, iz naše datoteke zaporedja. Upoštevajte, da polja, povezana z izkrivljanjem, vključujejo k1, k2, k3, k4, p1, p2 in poševnica.
Položaj kamere, orientacija in pretvorba projekcije
Poleg neobdelanih podatkovnih datotek, potrebnih za označevanje, zaporedna datoteka zahteva tudi informacije o položaju in orientaciji kamere za izvedbo projekcije 3D točk v poglede 2D kamere. Vedeti moramo, kam gleda kamera v 3D-prostoru, da ugotovimo, kako naj bodo oznake 3D-kvadra in 3D-točke upodobljene na vrhu naših slik.
Ker smo svoje položaje senzorjev naložili v skupni upravljalnik transformacij v razdelku za nastavitev senzorja A2D2, lahko preprosto poizvedujemo upravitelja transformacij za informacije, ki jih želimo. V našem primeru obravnavamo položaj vozila kot (0, 0, 0) v vsakem okvirju, ker nimamo informacij o položaju senzorja, ki jih zagotavlja nabor podatkov za zaznavanje objektov A2D2. Glede na naše vozilo sta orientacija in položaj kamere opisana z naslednjo kodo:
Zdaj, ko sta položaj in orientacija pretvorjena, moramo zagotoviti tudi vrednosti za fx, fy, cx in cy, vse parametre za vsako kamero v formatu zaporedne datoteke.
Ti parametri se nanašajo na vrednosti v matriki kamere. Medtem ko položaj in orientacija opisujeta, v katero smer je obrnjena kamera, matrika kamere opisuje vidno polje kamere in natančno, kako se 3D-točka glede na kamero pretvori v lokacijo 2D slikovnih pik na sliki.
A2D2 zagotavlja matriko kamere. V naslednji kodi je prikazana referenčna matrika kamere, skupaj s tem, kako naš prenosni računalnik indeksira to matriko, da dobi ustrezna polja.
Ko so vsa polja razčlenjena iz formata A2D2, lahko shranimo zaporedno datoteko in jo uporabimo v Amazonu Vhodna datoteka manifesta SageMaker Ground Truth za začetek označevanja. To opravilo označevanja nam omogoča, da ustvarimo oznake 3D omejevalnih polj, ki jih bomo uporabili za usposabljanje 3D modelov.
Zaženite vse celice do konca zvezka in poskrbite, da boste zamenjali workteam
ARN z Amazon SageMaker Ground Truth workteam
ARN ste ustvarili predpogoj. Po približno 10 minutah označevanja časa ustvarjanja delovnega mesta bi se morali prijaviti v portal za delavce in uporabiti uporabniški vmesnik za označevanje da vizualizirate svoj prizor.
Čiščenje
Izbrišite sklad AWS CloudFormation, ki ste ga uvedli z uporabo Izstrelite sklad gumb z imenom ThreeD
v konzoli AWS CloudFormation, da odstranite vse vire, uporabljene v tej objavi, vključno z vsemi delujočimi primerki.
Ocenjeni stroški
Približna cena je 5 $ za 2 uri.
zaključek
V tej objavi smo pokazali, kako vzeti 3D podatke in jih pretvoriti v obliko, pripravljeno za označevanje v Amazon SageMaker Ground Truth. S temi koraki lahko označite lastne 3D podatke za usposabljanje modelov zaznavanja objektov. V naslednji objavi v tej seriji vam bomo pokazali, kako vzeti A2D2 in usposobiti model detektorja objektov na oznakah, ki so že v naboru podatkov.
Vesela stavba!
O avtorjih
Isaac Privitera je višji podatkovni znanstvenik pri Amazonski laboratorij za strojno učenje, kjer razvija rešitve strojnega učenja in globokega učenja po meri za reševanje poslovnih težav strank. Deluje predvsem na področju računalniškega vida, pri čemer se osredotoča na omogočanje strankam AWS porazdeljenega usposabljanja in aktivnega učenja.
Vidya Sagar Ravipati je vodja pri Amazonski laboratorij za strojno učenje, kjer izkorišča svoje bogate izkušnje v obsežnih porazdeljenih sistemih in svojo strast do strojnega učenja, ki strankam AWS v različnih panogah industrije pomaga pospešiti njihovo uvajanje umetne inteligence in oblakov. Prej je bil inženir strojnega učenja v storitvah povezljivosti pri Amazonu, ki je pomagal zgraditi platforme za personalizacijo in predvidevanje vzdrževanja.
Jeremy Feltracco je inženir za razvoj programske opreme s th Amazonski laboratorij za strojno učenje v Amazon Web Services. Svoje izkušnje na področju računalniškega vida, robotike in strojnega učenja uporablja za pomoč strankam AWS pri pospeševanju sprejemanja umetne inteligence.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- : je
- $GOR
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Sposobna
- O meni
- nad
- pospeši
- dostop
- dostopen
- Račun
- čez
- aktivna
- Poleg tega
- Naslov
- Sprejetje
- po
- naprej
- AI
- poravnano
- vsi
- omogoča
- že
- Amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Amazon Web Services
- in
- kdo
- aplikacija
- Uporabi
- primerno
- približno
- Arhitektura
- SE
- območja
- okoli
- Array
- AS
- povezan
- At
- Povečana
- Povečana Reality
- avtonomno
- razpoložljivost
- AWS
- Oblikovanje oblaka AWS
- nazaj
- ozadje
- BE
- ker
- postanejo
- pred
- počutje
- spodaj
- med
- Modra
- Pasovi
- Predložitev
- brskalnik
- izgradnjo
- Building
- avtobus
- poslovni
- Gumb
- by
- se imenuje
- kamera
- CAN
- zajemanje
- Zajemanje
- voziček
- avtomobili
- primeru
- Celice
- center
- izziv
- preveriti
- Izberite
- razred
- razredi
- bližje
- Cloud
- sprejem v oblak
- Koda
- Skupno
- Podjetja
- dokončanje
- Izračunajte
- računalnik
- Računalniška vizija
- samozavestno
- Povezovanje
- Konzole
- vsebujejo
- Vsebuje
- Pretvorba
- konverzije
- pretvorbo
- pretvori
- koordinate
- strošek
- stroškovno učinkovito
- pokrov
- ustvarjajo
- ustvaril
- ustvari
- Oblikovanje
- Stranke, ki so
- CX
- datum
- podatkovni znanstvenik
- nabor podatkov
- Termini
- globoko
- globoko učenje
- opredeljen
- Določa
- izkazati
- Dokazano
- dokazuje,
- razporedi
- razporejeni
- uvajanje
- globina
- opisati
- opisano
- Odkrivanje
- določanje
- Razvoj
- razvija
- naprave
- Razlika
- drugačen
- težko
- smer
- razpravlja
- porazdeljena
- porazdeljeni sistemi
- razdeljeno usposabljanje
- Dokumentacija
- dont
- prenesi
- vožnjo
- e
- vsak
- enostavno
- omogočanje
- Končna točka
- inženir
- zagotovitev
- okolje
- zlasti
- bistvena
- itd
- Tudi
- točno
- Primer
- pričakovanja
- Pričakuje
- izkušnje
- s katerimi se sooča
- Nekaj
- Polje
- Področja
- Slika
- file
- datoteke
- konča
- prva
- plavajoči
- Pretok
- Osredotočite
- osredotoča
- po
- za
- obrazec
- format
- Naprej
- je pokazala,
- FRAME
- brezplačno
- iz
- spredaj
- funkcija
- fuzija
- FX
- ustvarjajo
- ustvarila
- dobili
- gif
- git
- GitHub
- Go
- goes
- Zelen
- Igrišče
- Pridelovanje
- ročaj
- Imajo
- ob
- Postavka
- pomoč
- pomagal
- pomoč
- gostovanje
- URE
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- i
- ICON
- identificirati
- slika
- slike
- slikanje
- izvajati
- Pomembno
- in
- V drugi
- vključujejo
- vključuje
- Vključno
- povečal
- vedno
- indekse
- Industrija
- Podatki
- vhod
- primer
- Navodila
- obresti
- zainteresirani
- vmesnik
- IT
- ITS
- Job
- Delovna mesta
- jpg
- json
- Otrok
- Vedite
- label
- označevanje
- Oznake
- obsežne
- laser
- kosilo
- UČITE
- učenje
- pustite
- Leverages
- light
- kot
- Seznam
- obremenitev
- obremenitve
- nahaja
- kraj aktivnosti
- Poglej
- si
- POGLEDI
- stroj
- strojno učenje
- vzdrževanje
- Znamka
- IZDELA
- upravlja
- upravitelj
- upravlja
- kartiranje
- Matrix
- pomeni
- merjenje
- Metoda
- Minute
- ML
- Mobilni
- mobilne naprave
- Model
- modeli
- monitor
- več
- Najbolj
- Gibanje
- več
- Ime
- Imenovan
- Nimate
- Novo
- Naslednja
- prenosnik
- Številka
- otopeli
- predmet
- Zaznavanje objektov
- predmeti
- of
- on
- ONE
- odprite
- OpenCV
- deluje
- Možnost
- Ostalo
- izhod
- Splošni
- lastne
- Stran
- vzporedno
- parametri
- del
- zlasti
- strast
- pot
- Izvedite
- personalizacija
- fizično
- plinovod
- pixel
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Točka
- točke
- Portal
- Stališče
- pozicije
- pozitiven
- Prispevek
- napovedati
- Pripravimo
- prejšnja
- prej
- v prvi vrsti
- zasebna
- Težave
- Postopek
- proizvodnja
- profiliranje
- Napredek
- Projekt
- Projekcija
- če
- zagotavlja
- obsegu
- Oceniti
- Surovi
- Preberi
- reading
- pripravljen
- v realnem času
- Reality
- Snemanje
- Rdeča
- besedilu
- odsevalo
- okolica
- povezane
- pomembno
- Preostalih
- odstrani
- zamenjajte
- predstavljajo
- obvezna
- zahteva
- vir
- viri
- Rezultati
- vrnitev
- pregleda
- RGB
- robotika
- vloge
- strehe
- ROW
- Run
- tek
- s
- sagemaker
- Enako
- Shrani
- Prizor
- prizori
- Znanstvenik
- Iskalnik
- drugi
- Oddelek
- segmentacija
- višji
- senzorji
- Zaporedje
- Serija
- Storitve
- nastavitev
- Kratke Hlače
- shouldnt
- Prikaži
- pokazale
- Razstave
- strani
- Signal
- saj
- sam
- So
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- nekaj
- vir
- Vesolje
- prostori
- posebej
- sveženj
- standardna
- Začetek
- Korak
- Koraki
- Struktura
- dobavi
- podpora
- Podprti
- Podpira
- Površina
- sistemi
- miza
- Bodite
- meni
- ciljanje
- Naloge
- Predloga
- Test
- da
- O
- informacije
- njihove
- te
- 3
- skozi
- čas
- z naslovom
- do
- orodje
- vrh
- Skupaj za plačilo
- Sledenje
- Vlak
- usposabljanje
- Transform
- prevod
- zdravljenje
- tovornjak
- Navodila
- tipičen
- tipično
- ui
- pod
- razumeli
- razumevanje
- edinstven
- us
- uporaba
- uporabnik
- Uporabniški vmesnik
- POTRDI
- Vrednote
- Popravljeno
- vozilo
- Vozila
- preverjanje
- vertikale
- Video
- Poglej
- ogledov
- Vizija
- vizualizacija
- način..
- web
- spletne storitve
- Dobro
- ki
- medtem
- WHO
- Wikipedia
- bo
- z
- v
- besede
- delavec
- Delovna sila
- deluje
- pisati
- napisati kodo
- pisni
- X
- yaml
- Vi
- Vaša rutina za
- zefirnet