Bu iki bölümlük dizide, 3B nesne algılama görevleri için modellerin nasıl etiketleneceğini ve eğitileceğini gösteriyoruz. 1. bölümde, verileri anlamak ve etiketlemek için kullandığımız veri kümesinin yanı sıra tüm ön işleme adımlarını tartışıyoruz. 2. bölümde, veri kümenizde bir modeli nasıl eğiteceğinizi ve onu üretime nasıl dağıtacağınızı açıklıyoruz.
LiDAR (ışık algılama ve mesafe belirleme), bir nesneyi veya yüzeyi bir lazerle hedefleyerek ve yansıyan ışığın alıcıya geri dönme süresini ölçerek menzilleri belirleme yöntemidir. Otonom araç şirketleri, araçlarının etrafındaki ortamın 3 boyutlu bir anlayışını oluşturmak için genellikle LiDAR sensörlerini kullanır.
LiDAR sensörleri daha erişilebilir ve uygun maliyetli hale geldikçe, müşteriler nokta bulutu verilerini robotik, sinyal haritalama ve artırılmış gerçeklik gibi yeni alanlarda giderek daha fazla kullanıyor. Hatta bazı yeni mobil cihazlarda LiDAR sensörleri bulunur. LiDAR sensörlerinin artan kullanılabilirliği, 3B nesne algılama ve izleme, 3B segmentasyon, 3B nesne sentezi ve yeniden oluşturma ve 3B derinlik tahminini doğrulamak için 2B verileri kullanma gibi makine öğrenimi (ML) görevleri için nokta bulutu verilerine olan ilgiyi artırdı.
Bu seride, 3 boyutlu bir sahnede araçların konumunu tahmin etmek için nokta bulutu verileri üzerinde çalışan bir nesne algılama modelini nasıl eğiteceğinizi gösteriyoruz. Bu gönderide, özellikle LiDAR verilerini etiketlemeye odaklanıyoruz. Standart LiDAR sensör çıkışı, tipik olarak saniyede 3 kare yakalama hızına sahip bir dizi 10B nokta bulutu karesidir. Bu sensör çıktısını etiketlemek için 3D verileri işleyebilen bir etiketleme aracına ihtiyacınız vardır. Amazon SageMaker Yer Gerçeği ML eğitim veri kümeleri oluşturmak için nesneleri tek bir 3B çerçevede veya bir dizi 3B nokta bulutu çerçevesi boyunca etiketlemeyi kolaylaştırır. Ground Truth ayrıca sekiz adede kadar video kamera girişiyle kamera ve LiDAR verilerinin sensör füzyonunu destekler.
Veriler, herhangi bir makine öğrenimi projesi için gereklidir. Özellikle 3B verileri kaynaklamak, görselleştirmek ve etiketlemek zor olabilir. biz kullanıyoruz A2D2 veri kümesi bu gönderide ve onu görselleştirme ve etiketleme adımlarında size yol gösterecek.
A2D2, 40,000B sınırlayıcı kutu etiketlerine sahip 12,499 çerçeve dahil olmak üzere semantik segmentasyon ve nokta bulutu etiketlerine sahip 3 çerçeve içerir. Nesne algılamaya odaklandığımız için, 12,499B sınırlayıcı kutu etiketli 3 çerçeveyle ilgileniyoruz. Bu ek açıklamalar, araba, yaya, kamyon, otobüs vb. gibi sürüşle ilgili 14 sınıfı içerir.
Aşağıdaki tabloda tam sınıf listesi gösterilmektedir:
indeks | sınıf listesi |
1 | hayvan |
2 | bisiklet |
3 | otobüs |
4 | araba |
5 | karavan taşıyıcı |
6 | bisikletçi |
7 | acil araç |
8 | motorlu bisikletçi |
9 | motosiklet |
10 | yaya |
11 | tanıtım videosu |
12 | kamyon |
13 | yardımcı araç |
14 | minibüs/SUV |
Veri kümemizdeki en yaygın sınıf bu olduğundan (veri kümesindeki toplam 32616 nesneden 42816'sı araba olarak etiketlenmiştir) bu sınıf otomobilleri özel olarak algılaması için dedektörümüzü eğiteceğiz.
Çözüme genel bakış
Bu seride, Amazon SageMaker Ground Truth ile verilerinizi nasıl görselleştireceğinizi ve etiketleyeceğinizi ele alıyoruz ve bu verilerin bir Amazon SageMaker Endpoint'te dağıtılan bir nesne algılama modeli oluşturmak için bir Amazon SageMaker eğitim işinde nasıl kullanılacağını gösteriyoruz. Özellikle, çözümü çalıştırmak ve herhangi bir etiketleme veya eğitim işini başlatmak için bir Amazon SageMaker not defteri kullanacağız.
Aşağıdaki diyagram, etiketlemeden eğitime ve konuşlandırmaya kadar sensör verilerinin genel akışını göstermektedir:
ile gerçek zamanlı bir 3D nesne algılama modelini nasıl eğiteceğinizi ve konuşlandıracağınızı öğreneceksiniz. Amazon Adaçayı Yapıcı Aşağıdaki adımlarla Temel Gerçeği:
- Bir nokta bulutu veri kümesini indirin ve görselleştirin
- İle etiketlenecek verileri hazırlayın Amazon SageMaker Ground Truth nokta bulutu aracı
- Şunlarla dağıtılmış bir Amazon SageMaker Ground Truth eğitim işi başlatın: MMDetection3D
- Eğitim işi sonuçlarınızı değerlendirin ve kaynak kullanımınızın profilini oluşturun. Amazon SageMaker Hata Ayıklayıcısı
- Zaman uyumsuz dağıtma SageMaker uç noktası
- Uç noktayı arayın ve 3B nesne tahminlerini görselleştirin
Bu çözümü uygulamak için kullanılan AWS hizmetleri
Önkoşullar
Aşağıdaki diyagram, özel bir iş gücünün nasıl oluşturulacağını göstermektedir. Yazılı, adım adım yönergeler için bkz. Etiketleme İş Gücü Sayfasını Kullanarak bir Amazon Cognito İş Gücü Oluşturun.
AWS CloudFormation yığınını başlatma
Artık çözümün yapısını gördüğünüze göre, örnek bir iş akışı çalıştırabilmeniz için onu hesabınıza dağıtabilirsiniz. Etiketleme ardışık düzeniyle ilgili tüm devreye alma adımları, AWS CloudFormation tarafından yönetilir. Bu, AWS Cloudformation'ın dizüstü bilgisayar örneğinizi ve ayrıca çözümü çalıştırmayı desteklemek için tüm rolleri veya Amazon S3 Kovalarını oluşturduğu anlamına gelir.
Yığını AWS Bölgesinde başlatabilirsiniz us-east-1
kullanarak AWS CloudFormation konsolunda Yığını Başlat
buton. Yığını farklı bir Bölgede başlatmak için, programın BENİOKU'sunda bulunan talimatları kullanın. GitHub deposu.
Bu, tüm kaynakları oluşturmak için yaklaşık 20 dakika sürer. AWS CloudFormation kullanıcı arabiriminden (UI) ilerlemeyi izleyebilirsiniz.
CloudFormation şablonunuzun çalışması bittiğinde AWS Konsoluna geri dönün.
Not Defterini Açma
Amazon SageMaker Notebook Bulut Sunucuları, Jupyter Notebook Uygulamasında çalışan makine öğrenimi bilgi işlem bulut sunucularıdır. Amazon SageMaker, bulut sunucularının ve ilgili kaynakların oluşturulmasını yönetir. Verileri hazırlamak ve işlemek, modelleri eğitmek için kod yazmak, modelleri Amazon SageMaker barındırma hizmetine dağıtmak ve modellerinizi test etmek veya doğrulamak için not defteri bulut sunucunuzda Jupyter not defterlerini kullanın.
Amazon SageMaker Notebook ortamına erişmek için sonraki adımları izleyin:
- Hizmetler araması altında Amazon Adaçayı Yapıcı.
- Altında defterseçin Dizüstü bilgisayar örnekleri.
- Bir Notebook örneği sağlanmalıdır. Aç'ı seçin JüpyterLabaltında önceden sağlanan Notebook örneğinin sağ tarafında yer alır. İşlemler.
- Sayfa yüklenirken şuna benzer bir simge göreceksiniz:
- Aşağıdaki şemaya benzeyen yeni bir tarayıcı sekmesine yönlendirileceksiniz:
- Amazon SageMaker Notebook Instance Launcher UI'ye girdikten sonra. Sol kenar çubuğundan Git simgesi aşağıdaki şemada gösterildiği gibi.
- seç Bir Depoyu Klonla seçeneği.
- GitHub URL'sini girin(https://github.com/aws-samples/end-2-end-3d-ml) açılır pencerede seçin ve clone.
- seç Dosya Tarayıcı GitHub klasörünü görmek için.
- başlıklı not defterini açın.
1_visualization.ipynb.
Dizüstü Bilgisayarı Çalıştırma
Genel Bakış
başlıklı bölümde defterin ilk birkaç hücresi İndirilen Dosyalar veri kümesinin nasıl indirileceğini ve içindeki dosyaların nasıl inceleneceğini açıklar. Hücreler yürütüldükten sonra, verilerin indirilmesinin tamamlanması birkaç dakika alır.
İndirdikten sonra, sahnelerin veya sürücülerin bir listesi olan A2D2'nin dosya yapısını inceleyebilirsiniz. Sahne, aracımızdan alınan sensör verilerinin kısa bir kaydıdır. A2D2, üzerinde çalışmamız için bu sahnelerden 18 tanesini sağlıyor ve bunların tümü benzersiz tarihlerle tanımlanıyor. Her sahne 2B kamera verileri, 2B etiketler, 3B kübik açıklamalar ve 3B nokta bulutları içerir.
A2D2 veri kümesi için dosya yapısını aşağıdakilerle görüntüleyebilirsiniz:
A2D2 sensör kurulumu
Bir sonraki bölüm, veri etiketlemeye hazır bir biçime dönüştürmeye çalışmadan önce, doğru yorumladığımızdan ve not defterinde görselleştirebildiğimizden emin olmak için bu nokta bulutu verilerinin bazılarını okumaya yöneliktir.
2B ve 3B sensör verilerimizin olduğu her türlü otonom sürüş kurulumu için sensör kalibrasyon verilerinin alınması çok önemlidir. Ham verilere ek olarak, ayrıca indirdik cams_lidar.json
. Bu dosya, aracın koordinat çerçevesine göre her bir sensörün çevirisini ve yönünü içerir, buna sensörün pozu veya uzaydaki konumu da denebilir. Bu, noktaları bir sensörün koordinat çerçevesinden aracın koordinat çerçevesine dönüştürmek için önemlidir. Diğer bir deyişle, araç hareket ederken 2D ve 3D sensörlerin görselleştirilmesi açısından önemlidir. Aracın koordinat çerçevesi, x ekseni aracın ileri hareket yönünde, y ekseni sol ve sağı, sol pozitifi ve z- ekseni ile aracın merkezinde statik bir nokta olarak tanımlanır. aracın tavanından bakan eksen. (X,Y,Z) noktası (5,2,1), bu noktanın aracımızdan 5 metre ileride, 2 metre solda ve aracımızdan 1 metre yukarıda olduğu anlamına gelir. Bu kalibrasyonlara sahip olmak, 3B noktaları 2B görüntümüze yansıtmamıza da olanak tanır; bu, özellikle nokta bulutu etiketleme görevleri için yararlıdır.
Araçtaki sensör kurulumunu görmek için aşağıdaki şemayı kontrol edin.
Üzerinde eğitim verdiğimiz nokta bulutu verileri, öne bakan kamera veya ön merkez kam ile özel olarak hizalanmıştır:
Bu, kamera sensörlerini 3B olarak görselleştirmemizle eşleşir:
Not defterinin bu bölümü, A2D2 veri kümesinin sensör konumlarıyla ilgili beklentilerimizi karşıladığını ve nokta bulutu sensörlerinden gelen verileri kamera çerçevesine hizalayabildiğimizi doğruluyor. Tüm hücreleri başlıklı birinden geçirmekten çekinmeyin 3D'den 2D'ye Projeksiyon Aşağıdaki kamera görüntüsünde nokta bulutu veri paylaşımınızı görmek için.
Amazon SageMaker Ground Truth'a Dönüşüm
Verilerimizi not defterimizde görselleştirdikten sonra, nokta bulutlarımızı güvenle Amazon'a dönüştürebiliriz. SageMaker Ground Truth'un 3D formatı etiketlerimizi doğrulamak ve ayarlamak için. Bu bölümde, A2D2'nin veri biçiminden Amazon'a dönüştürme işlemi anlatılmaktadır SageMaker Ground Truth dizi dosyası, nesne izleme yöntemi tarafından kullanılan giriş biçimiyle.
Sekans dosyası formatı, nokta bulutu formatlarını, her bir nokta bulutu ile ilişkili görüntüleri ve görüntüleri nokta bulutlarıyla hizalamak için gereken tüm sensör konumu ve yönlendirme verilerini içerir. Bu dönüşümler, önceki bölümden okunan sensör bilgileri kullanılarak yapılır. Aşağıdaki örnek, bir diziyi yalnızca tek bir zaman adımıyla açıklayan, Amazon SageMaker Ground Truth'tan alınan bir dizi dosyası biçimidir.
Bu zaman adımı için nokta bulutu şu konumdadır: s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
ve bir biçimi vardır <x coordinate> <y coordinate> <z coordinate>
.
Nokta bulutu ile ilişkili, tek bir kamera görüntüsüdür. s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Nokta bulutundan kameraya ve geri projeksiyona izin vermek için tüm kamera parametrelerini tanımlayan dizi dosyasını aldığımıza dikkat edin.
Bu giriş biçimine dönüştürme, A2D2'nin veri biçiminden Amazon SageMaker Ground Truth tarafından desteklenen veri biçimlerine bir dönüştürme yazmamızı gerektirir. Bu, etiketleme için kendi verilerini getirirken herkesin geçmesi gereken sürecin aynısıdır. Bu dönüşümün nasıl çalıştığını adım adım inceleyeceğiz. Not defterinde takip ediyorsanız, adlı işleve bakın. a2d2_scene_to_smgt_sequence_and_seq_label
.
Nokta bulutu dönüştürme
İlk adım, verileri numpy ile oluşturulan sıkıştırılmış bir Numpy biçimli dosyadan (NPZ) dönüştürmektir.bilmek yöntem, bir kabul edilen ham 3B biçimi Amazon SageMaker Ground Truth için. Spesifik olarak, nokta başına bir satır içeren bir dosya oluşturuyoruz. Her 3B nokta, üç kayan nokta X, Y ve Z koordinatlarıyla tanımlanır. Sıralama dosyasında formatımızı belirttiğimizde, dizeyi kullanırız. text/xyz
bu formatı temsil etmek için. Amazon SageMaker Ground Truth, yoğunluk değerleri veya Kırmızı Yeşil Mavi (RGB) noktaları eklemeyi de destekler.
A2D2'nin NPZ dosyaları, her biri kendi adına sahip birden çok Numpy dizisi içerir. Bir dönüştürme gerçekleştirmek için, Numpy's kullanarak NPZ dosyasını yüklüyoruz. yük yöntemi, adlı diziye erişin noktaları (yani, N'nin nokta bulutundaki nokta sayısı olduğu bir Nx3 dizisi) ve Numpy's kullanarak yeni bir dosyaya metin olarak kaydedin kaydetxt yöntemi.
Görüntü ön işleme
Ardından resim dosyalarımızı hazırlıyoruz. A2D2, PNG görüntüleri sağlar ve Amazon SageMaker Ground Truth, PNG görüntülerini destekler; ancak, bu görüntüler bozuk. Bozulma genellikle görüntü alan merceğin görüntüleme düzlemine paralel hizalanmaması nedeniyle oluşur ve bu da görüntüdeki bazı alanların beklenenden daha yakın görünmesine neden olur. Bu bozulma, fiziksel bir kamera ile bir kamera arasındaki farkı tanımlar. idealleştirilmiş iğne deliği kamera modeli. Bozulma hesaba katılmazsa Amazon SageMaker Ground Truth, 3B noktalarımızı kamera görünümlerinin üzerinde işleyemez ve bu da etiketleme gerçekleştirmeyi daha zor hale getirir. Kamera kalibrasyonu hakkında bir eğitim için, şu adresteki belgelere bakın: OpenCV.
Amazon SageMaker Ground Truth, girdi dosyasında bozulma katsayılarını desteklerken etiketleme işinden önce ön işleme de gerçekleştirebilirsiniz. A2D2, bozulmayı gidermek için yardımcı kod sağladığından, onu görüntüye uygularız ve bozulma ile ilgili alanları sıra dosyamızın dışında bırakırız. Distorsiyonla ilgili alanların aşağıdakileri içerdiğini unutmayın: k1, k2, k3, k4, p1, p2 ve çarpıklık.
Kamera konumu, yönü ve projeksiyon dönüştürme
Sıralama dosyası, etiketleme için gereken ham veri dosyalarının ötesinde, 3B noktaların 2B kamera görünümlerine yansıtılmasını gerçekleştirmek için kamera konumu ve yönlendirme bilgilerini de gerektirir. 3B küboid etiketlerin ve 3B noktaların görüntülerimizin üzerinde nasıl işlenmesi gerektiğini anlamak için kameranın 3B alanda nereye baktığını bilmemiz gerekir.
A2D2 sensör kurulum bölümünde ortak bir dönüşüm yöneticisine sensör konumlarımızı yüklediğimiz için, istediğimiz bilgiler için dönüşüm yöneticisini kolayca sorgulayabiliyoruz. Bizim durumumuzda, A0D0'nin nesne algılama veri seti tarafından sağlanan sensörün konum bilgisine sahip olmadığımız için, her çerçevede araç konumunu (0, 2, 2) olarak ele alıyoruz. Aracımıza göre, kameranın yönü ve konumu aşağıdaki kodla açıklanır:
Artık konum ve yön dönüştürüldüğüne göre, fx, fy, cx ve cy için değerleri, her bir kamera için sıra dosyası biçimindeki tüm parametreleri sağlamamız gerekiyor.
Bu parametreler, kamera matrisindeki değerleri ifade eder. Konum ve yönlendirme kameranın hangi yöne baktığını tanımlarken, kamera matrisi kameranın görüş alanını ve kameraya göre bir 3B noktanın bir görüntüde 2B piksel konumuna tam olarak nasıl dönüştürüldüğünü açıklar.
A2D2 bir kamera matrisi sağlar. Aşağıdaki kodda bir referans kamera matrisi ve dizüstü bilgisayarımızın uygun alanları elde etmek için bu matrisi nasıl indekslediği gösterilmektedir.
A2D2 biçiminden ayrıştırılan tüm alanlar ile dizi dosyasını kaydedebilir ve bir Amazon'da kullanabiliriz. SageMaker Ground Truth girdi manifest dosyası etiketleme işine başlamak için Bu etiketleme işi, 3B model eğitimi için aşağı yönde kullanmak üzere 3B sınırlayıcı kutu etiketleri oluşturmamızı sağlar.
Tüm hücreleri not defterinin sonuna kadar çalıştırın ve değiştirdiğinizden emin olun. workteam
Amazon SageMaker Ground Truth ile ARN workteam
ARN bir önkoşul oluşturdunuz. Yaklaşık 10 dakikalık etiketleme işi oluşturma süresinden sonra, çalışan portalında oturum açabilmeli ve etiketleme kullanıcı arabirimi sahnenizi görselleştirmek için.
Temizlemek
kullanarak dağıttığınız AWS CloudFormation yığınını silin. Yığını Başlat adlı düğme ThreeD
çalışan örnekler dahil olmak üzere bu gönderide kullanılan tüm kaynakları kaldırmak için AWS CloudFormation konsolunda.
Varsayılan fiyatlar
Yaklaşık maliyeti 5 saat için 2 $ 'dır.
Sonuç
Bu gönderide, 3B verilerin nasıl alınacağını ve Amazon SageMaker Ground Truth'ta etiketlemeye hazır bir forma nasıl dönüştürüleceğini gösterdik. Bu adımlarla, nesne algılama modellerini eğitmek için kendi 3B verilerinizi etiketleyebilirsiniz. Bu dizinin bir sonraki gönderisinde, size A2D2'yi nasıl alacağınızı ve zaten veri kümesinde bulunan etiketler üzerinde bir nesne dedektörü modeli nasıl eğiteceğinizi göstereceğiz.
Mutlu Bina!
Yazarlar Hakkında
isaac özel şirketinde Kıdemli Veri Bilimcisidir. Amazon Makine Öğrenimi Çözümleri Laboratuvarı, müşterilerin iş sorunlarını ele almak için ısmarlama makine öğrenimi ve derin öğrenme çözümleri geliştirdiği yer. AWS müşterilerine dağıtılmış eğitim ve aktif öğrenme sağlamaya odaklanarak, öncelikle bilgisayarlı görü alanında çalışmaktadır.
Vidya Sagar Ravipati şirketinde müdür Amazon Makine Öğrenimi Çözümleri Laboratuvarı, farklı sektör dikeylerindeki AWS müşterilerinin yapay zeka ve bulutu benimsemelerini hızlandırmalarına yardımcı olmak için büyük ölçekli dağıtılmış sistemlerdeki engin deneyiminden ve makine öğrenimine olan tutkusundan yararlanıyor. Daha önce, Amazon'da Bağlantı Hizmetlerinde kişiselleştirme ve kestirimci bakım platformları oluşturmaya yardımcı olan bir Makine Öğrenimi Mühendisiydi.
Jeremy Feltracco ile bir Yazılım Geliştirme Mühendisi Amazon Makine Öğrenimi Çözümleri Laboratuvarı Amazon Web Services'ta. AWS müşterilerinin yapay zekayı benimseme sürecini hızlandırmasına yardımcı olmak için bilgisayar görüşü, robot bilimi ve makine öğrenimi alanındaki geçmişini kullanıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :dır-dir
- $UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Yapabilmek
- Hakkımızda
- yukarıdaki
- hızlandırmak
- erişim
- ulaşılabilir
- Hesap
- karşısında
- aktif
- ilave
- adres
- Benimseme
- Sonra
- önde
- AI
- hizalı
- Türkiye
- veriyor
- zaten
- Amazon
- Amazon Cognito'su
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Yer Gerçeği
- Amazon Web Servisleri
- ve
- kimse
- uygulamayı yükleyeceğiz
- Tamam
- uygun
- yaklaşık olarak
- mimari
- ARE
- alanlar
- etrafında
- Dizi
- AS
- ilişkili
- At
- augmented
- Artırılmış Gerçeklik
- özerk
- kullanılabilirliği
- AWS
- AWS CloudFormation
- Arka
- arka fon
- BE
- Çünkü
- müşterimiz
- önce
- olmak
- altında
- arasında
- Mavi
- kutu
- Bringing
- tarayıcı
- inşa etmek
- bina
- otobüs
- iş
- düğmesine tıklayın
- by
- denilen
- kamera
- CAN
- ele geçirmek
- Yakalama
- araba
- arabalar
- dava
- Hücreler
- Merkez
- zor
- Kontrol
- Klinik
- sınıf
- sınıflar
- yakın
- bulut
- bulut benimseme
- kod
- ortak
- Şirketler
- tamamlamak
- hesaplamak
- bilgisayar
- Bilgisayar görüşü
- kendine güvenerek
- Bağlantı
- konsolos
- içermek
- içeren
- Dönüştürme
- dönüşümler
- dönüştürmek
- dönüştürülmüş
- koordinat
- Ücret
- uygun maliyetli
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- oluşturma
- Müşteriler
- CX
- veri
- veri bilimcisi
- veri kümeleri
- Tarih
- derin
- derin öğrenme
- tanımlı
- tanımlar
- göstermek
- gösterdi
- gösteriyor
- dağıtmak
- konuşlandırılmış
- açılma
- derinlik
- tanımlamak
- tarif edilen
- Bulma
- belirlenmesi
- gelişme
- geliştirir
- Cihaz
- fark
- farklı
- zor
- yön
- tartışmak
- dağıtıldı
- dağıtılmış sistemler
- dağıtılmış eğitim
- belgeleme
- Dont
- indir
- sürme
- e
- her
- kolayca
- etkinleştirme
- Son nokta
- mühendis
- sağlamak
- çevre
- özellikle
- gerekli
- vb
- Hatta
- kesinlikle
- örnek
- beklentileri
- beklenen
- deneyim
- karşı
- az
- alan
- Alanlar
- şekil
- fileto
- dosyalar
- bitiş
- Ad
- yüzer
- akış
- odak
- odaklanma
- takip etme
- İçin
- Airdrop Formu
- biçim
- ileri
- bulundu
- ÇERÇEVE
- Ücretsiz
- itibaren
- ön
- işlev
- füzyon
- FX
- oluşturmak
- oluşturulan
- almak
- gif
- Git
- GitHub
- Go
- Goes
- Yeşil
- Zemin
- Büyüyen
- sap
- Var
- sahip olan
- Başlık
- yardım et
- yardım
- faydalı
- hosting
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- i
- ICON
- tespit
- görüntü
- görüntüleri
- Görüntüleme
- uygulamak
- önemli
- in
- Diğer
- dahil
- içerir
- Dahil olmak üzere
- artmış
- giderek
- indeksler
- sanayi
- bilgi
- giriş
- örnek
- talimatlar
- faiz
- ilgili
- arayüzey
- IT
- ONUN
- İş
- Mesleki Öğretiler
- jpg
- json
- Nezaket.
- Bilmek
- etiket
- etiketleme
- Etiketler
- büyük ölçekli
- lazer
- başlatmak
- ÖĞRENİN
- öğrenme
- Ayrılmak
- leverages
- ışık
- sevmek
- Liste
- yük
- yükler
- bulunan
- yer
- Bakın
- bakıyor
- GÖRÜNÜYOR
- makine
- makine öğrenme
- bakım
- yapmak
- YAPAR
- yönetilen
- müdür
- yönetir
- haritalama
- Matris
- anlamına geliyor
- ölçme
- yöntem
- dakika
- ML
- Telefon
- mobil cihazlar
- model
- modelleri
- izlemek
- Daha
- çoğu
- hareket
- çoklu
- isim
- adlı
- gerek
- yeni
- sonraki
- defter
- numara
- dizi
- nesne
- Nesne algılama
- nesneler
- of
- on
- ONE
- açık
- OpenCV
- işletmek
- seçenek
- Diğer
- çıktı
- tüm
- kendi
- Kanal
- Paralel
- parametreler
- Bölüm
- belirli
- tutku
- yol
- Yapmak
- Kişiselleştirme
- fiziksel
- boru hattı
- piksel
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- noktaları
- Portal
- pozisyon
- pozisyonları
- pozitif
- Çivi
- tahmin
- Hazırlamak
- önceki
- Önceden
- öncelikle
- özel
- sorunlar
- süreç
- üretim
- profilleme
- Ilerleme
- proje
- Projeksiyon
- sağlanan
- sağlar
- değişen
- oran
- Çiğ
- Okumak
- Okuma
- hazır
- gerçek zaman
- Gerçeklik
- kayıt
- Kırmızı
- Referans
- yansıtılan
- bölge
- ilgili
- uygun
- kalan
- Kaldır
- değiştirmek
- temsil etmek
- gereklidir
- gerektirir
- kaynak
- Kaynaklar
- Sonuçlar
- dönüş
- yorum
- RGB
- robotik
- rolleri
- çatı
- SIRA
- koşmak
- koşu
- s
- sagemaker
- aynı
- İndirim
- sahne
- Sahneler
- bilim adamı
- Ara
- İkinci
- Bölüm
- bölünme
- kıdemli
- sensörler
- Dizi
- Dizi
- Hizmetler
- kurulum
- kısa
- meli
- şov
- gösterilen
- Gösteriler
- yan
- işaret
- beri
- tek
- So
- Yazılım
- yazılım geliştirme
- çözüm
- Çözümler
- biraz
- Kaynak
- uzay
- alanlarda
- özellikle
- yığın
- standart
- başlama
- adım
- Basamaklar
- yapı
- arz
- destek
- destekli
- Destekler
- yüzey
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- alır
- hedefleme
- görevleri
- şablon
- test
- o
- The
- Bilgi
- ve bazı Asya
- Bunlar
- üç
- İçinden
- zaman
- başlıklı
- için
- araç
- üst
- Toplam
- Takip
- Tren
- Eğitim
- Dönüştürmek
- Çeviri
- tedavi etmek
- kamyon
- öğretici
- tipik
- tipik
- ui
- altında
- anlamak
- anlayış
- benzersiz
- us
- kullanım
- kullanıcı
- Kullanıcı Arayüzü
- DOĞRULA
- Değerler
- Geniş
- araç
- Araçlar
- doğrulamak
- sektörler
- Video
- Görüntüle
- Gösterim
- vizyonumuz
- görüntüleme
- Yol..
- ağ
- web hizmetleri
- İYİ
- hangi
- süre
- DSÖ
- Vikipedi
- irade
- ile
- içinde
- sözler
- işçi
- işgücü
- çalışır
- yazmak
- kod yaz
- yazılı
- X
- tatlım
- Sen
- zefirnet