У цій серії з двох частин ми демонструємо, як позначати та навчати моделі для завдань виявлення 3D-об’єктів. У частині 1 ми обговорюємо набір даних, який ми використовуємо, а також будь-які етапи попередньої обробки, щоб зрозуміти та позначити дані. У частині 2 ми розповімо, як навчити модель на вашому наборі даних і розгорнути її у виробництві.
LiDAR (виявлення світла та визначення дальності) — це метод визначення дальності шляхом наведення лазера на об’єкт або поверхню та вимірювання часу, протягом якого відбите світло повертається до приймача. Компанії, що займаються розробкою автономних транспортних засобів, зазвичай використовують датчики LiDAR для створення тривимірного розуміння навколишнього середовища навколо своїх автомобілів.
Оскільки датчики LiDAR стають доступнішими та економічно ефективнішими, клієнти все частіше використовують дані хмари точок у нових сферах, таких як робототехніка, картографування сигналів і доповнена реальність. Деякі нові мобільні пристрої навіть містять датчики LiDAR. Зростання доступності датчиків LiDAR підвищило інтерес до даних хмари точок для завдань машинного навчання (ML), таких як виявлення та відстеження 3D-об’єктів, 3D-сегментація, синтез і реконструкція 3D-об’єктів, а також використання 3D-даних для перевірки оцінки 2D-глибини.
У цій серії ми покажемо вам, як навчити модель виявлення об’єктів, яка працює на даних хмари точок, щоб передбачити розташування транспортних засобів у 3D-сцені. У цьому дописі ми зосереджуємося саме на маркуванні даних LiDAR. Стандартний вихід датчика LiDAR – це послідовність кадрів 3D хмари точок із типовою швидкістю захоплення 10 кадрів на секунду. Щоб позначити цей вихід датчика, потрібен інструмент для маркування, який може обробляти 3D-дані. Основна правда Amazon SageMaker дозволяє легко позначати об’єкти в одному 3D-кадрі або в послідовності 3D-кадрів хмари точок для створення навчальних наборів даних ML. Ground Truth також підтримує об’єднання датчиків камери та даних LiDAR із до восьми входів відеокамери.
Дані важливі для будь-якого проекту ML. Особливо складно отримати, візуалізувати та позначити 3D-дані. Ми використовуємо Набір даних A2D2 у цій публікації та проведе вас через кроки, щоб візуалізувати та позначити його.
A2D2 містить 40,000 12,499 кадрів із семантичною сегментацією та мітками хмари точок, включаючи 3 12,499 кадрів із мітками тривимірної обмежувальної рамки. Оскільки ми зосереджені на виявленні об’єктів, нас цікавлять 3 14 кадрів із мітками XNUMXD-обмежувачів. Ці анотації включають XNUMX класів, які стосуються водіння автомобіля, пішохода, вантажівки, автобуса тощо.
У наступній таблиці показано повний список класів:
індекс | Список класів |
1 | тварина |
2 | велосипед |
3 | bus |
4 | автомобіль |
5 | караванний транспортер |
6 | велосипедист |
7 | аварійний транспортний засіб |
8 | мотобайкер |
9 | мотоцикл |
10 | пішохід |
11 | трейлер |
12 | вантажівка |
13 | комунальний транспортний засіб |
14 | фургон/позашляховик |
Ми навчимо наш детектор спеціально виявляти автомобілі, оскільки це найпоширеніший клас у нашому наборі даних (32616 із 42816 об’єктів у наборі даних позначені як автомобілі).
Огляд рішення
У цій серії ми розглянемо, як візуалізувати та позначити ваші дані за допомогою Amazon SageMaker Ground Truth, і продемонструємо, як використовувати ці дані в навчальній роботі Amazon SageMaker для створення моделі виявлення об’єктів, розгорнутої на кінцевій точці Amazon SageMaker. Зокрема, ми використовуватимемо блокнот Amazon SageMaker для керування рішенням і запуску будь-яких завдань із маркування чи навчання.
На наступній діаграмі зображено загальний потік даних датчиків від маркування до навчання та розгортання:
Ви дізнаєтесь, як навчити та розгорнути модель виявлення 3D-об’єктів у реальному часі Amazon SageMaker Закріпіть правду за допомогою таких кроків:
- Завантажте та візуалізуйте набір даних хмари точок
- Підготовчі дані для мітки Інструмент хмари точок Amazon SageMaker Ground Truth
- Запустіть розповсюджене навчальне завдання Amazon SageMaker Ground Truth за допомогою MMDetection3D
- Оцініть результати своєї навчальної роботи та профілюйте використання ресурсів за допомогою Налагоджувач Amazon SageMaker
- Розгорнути асинхронний Кінцева точка SageMaker
- Виклик кінцевої точки та візуалізація прогнозів 3D-об’єктів
Сервіси AWS, які використовуються для впровадження цього рішення
Передумови
Наступна схема демонструє, як створити приватну робочу силу. Письмові покрокові інструкції див Створіть робочу силу Amazon Cognito за допомогою сторінки Маркування робочих сил.
Запуск стека AWS CloudFormation
Тепер, коли ви побачили структуру рішення, ви розгортаєте його у своєму обліковому записі, щоб можна було запустити приклад робочого процесу. Усіма етапами розгортання, пов’язаними з конвеєром маркування, керує AWS CloudFormation. Це означає, що AWS Cloudformation створює ваш екземпляр блокнота, а також будь-які ролі або сегменти Amazon S3 для підтримки запуску рішення.
Ви можете запустити стек в регіоні AWS us-east-1
на консолі AWS CloudFormation за допомогою Запустити стек
кнопку. Щоб запустити стек в іншому регіоні, скористайтеся інструкціями, які можна знайти в README файлу GitHub сховище.
Створення всіх ресурсів займає приблизно 20 хвилин. Ви можете стежити за прогресом з інтерфейсу користувача AWS CloudFormation.
Коли ваш шаблон CloudFormation буде запущено, поверніться до консолі AWS.
Відкриття блокнота
Екземпляри Notebook Amazon SageMaker — це екземпляри обчислень ML, які працюють у додатку Jupyter Notebook. Amazon SageMaker керує створенням екземплярів і відповідних ресурсів. Використовуйте блокноти Jupyter у своєму екземплярі блокнота, щоб готувати й обробляти дані, писати код для навчання моделей, розгортати моделі на хостингу Amazon SageMaker, а також тестувати чи перевіряти свої моделі.
Виконайте наступні дії, щоб отримати доступ до середовища Amazon SageMaker Notebook:
- Під пошуком послуг Amazon SageMaker.
- під ноутбуквиберіть Екземпляри ноутбуків.
- Необхідно надати екземпляр Notebook. Виберіть Відкрити лабораторія Юпітера, який розташований у правій частині попередньо підготовленого екземпляра Блокнота під Дії.
- Під час завантаження сторінки ви побачите такий значок:
- Ви будете перенаправлені на нову вкладку веб-переглядача, яка виглядає так, як наведена нижче схема.
- Коли ви перебуваєте в інтерфейсі користувача програми запуску екземплярів Amazon SageMaker Notebook. На лівій бічній панелі виберіть Git піктограму, як показано на наступній схемі.
- Select Клонуйте репозиторій варіант.
- Введіть URL-адресу GitHub(https://github.com/aws-samples/end-2-end-3d-ml) у спливаючому вікні та виберіть клон.
- Select Браузер файлів щоб побачити папку GitHub.
- Відкрийте зошит під назвою
1_visualization.ipynb.
Робота з ноутбуком
огляд
Кілька перших клітинок зошита в розділі заголовка Завантажені файли описує, як завантажити набір даних і перевірити файли в ньому. Після виконання комірок завантаження даних триває кілька хвилин.
Після завантаження ви можете переглянути файлову структуру A2D2, яка є списком сцен або дисків. Сцена — це короткий запис даних датчиків нашого автомобіля. A2D2 надає нам 18 таких сцен, на яких ми можемо тренуватися, і всі вони визначені унікальними датами. Кожна сцена містить 2D-дані камери, 2D-мітки, 3D-анотації прямокутної форми та 3D-хмари точок.
Ви можете переглянути структуру файлу для набору даних A2D2 за допомогою такого:
Налаштування датчика A2D2
У наступному розділі розглядаються деякі дані хмари точок, щоб переконатися, що ми правильно їх інтерпретуємо та можемо візуалізувати в блокноті, перш ніж спробувати перетворити їх у формат, готовий для маркування даних.
Для будь-яких налаштувань автономного водіння, де ми маємо 2D- і 3D-дані датчиків, отримання даних калібрування датчиків є важливим. Окрім необроблених даних, ми також завантажили cams_lidar.json
. Цей файл містить трансляцію та орієнтацію кожного датчика відносно системи координат транспортного засобу, це також можна назвати позицією датчика або розташуванням у просторі. Це важливо для перетворення точок із системи координат датчика в систему координат автомобіля. Іншими словами, це важливо для візуалізації 2D і 3D датчиків під час руху автомобіля. Система координат транспортного засобу визначається як статична точка в центрі транспортного засобу, з віссю x у напрямку руху транспортного засобу вперед, віссю y позначають ліворуч і праворуч, ліворуч додатне, а z- вісь, спрямована через дах автомобіля. Точка (X,Y,Z) у (5,2,1) означає, що ця точка знаходиться на 5 метрів попереду нашого транспортного засобу, на 2 метри ліворуч і на 1 метр над нашим транспортним засобом. Наявність цих калібрувань також дозволяє проектувати 3D-точки на наше 2D-зображення, що особливо корисно для завдань маркування хмари точок.
Щоб побачити налаштування датчика на автомобілі, перегляньте наступну схему.
Дані хмари точок, на яких ми навчаємося, спеціально узгоджені з передньою камерою або камерою в передньому центрі:
Це відповідає нашій візуалізації датчиків камери в 3D:
У цій частині блокнота перевіряється, чи відповідає набір даних A2D2 нашим очікуванням щодо положень датчиків і що ми можемо вирівняти дані з датчиків хмари точок у рамці камери. Не соромтеся пробігти всі клітинки через одну з назвами Проекція з 3D в 2D щоб побачити накладення даних хмари точок на наступне зображення камери.
Перетворення на Amazon SageMaker Ground Truth
Після візуалізації наших даних у блокноті ми можемо впевнено конвертувати наші хмари точок у Amazon 3D-формат SageMaker Ground Truth щоб перевірити та налаштувати наші етикетки. У цьому розділі розповідається про перетворення формату даних A2D2 у формат Amazon Файл послідовності SageMaker Ground Truth, із форматом введення, який використовується модальністю відстеження об’єктів.
Формат файлу послідовності включає формати хмари точок, зображення, пов’язані з кожною хмарою точок, і всі дані про положення та орієнтацію датчика, необхідні для вирівнювання зображень із хмарами точок. Ці перетворення виконуються з використанням інформації датчика, зчитаної з попереднього розділу. У наступному прикладі наведено формат файлу послідовності від Amazon SageMaker Ground Truth, який описує послідовність лише з одним часовим кроком.
Хмара точок для цього часового кроку знаходиться в s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/20180807145028_lidar_frontcenter_000000091.txt
і має формат <x coordinate> <y coordinate> <z coordinate>
.
З хмарою точок пов’язане одне зображення камери, розташоване на s3://sagemaker-us-east-1-322552456788/a2d2_smgt/20180807_145028_out/undistort_20180807145028_camera_frontcenter_000000091.png
. Зверніть увагу, що ми беремо файл послідовності, який визначає всі параметри камери, щоб дозволити проектування з хмари точок на камеру і назад.
Перетворення в цей формат введення вимагає від нас запису перетворення з формату даних A2D2 у формати даних, які підтримуються Amazon SageMaker Ground Truth. Це той самий процес, який повинен пройти будь-хто, коли приносить власні дані для маркування. Ми крок за кроком розповімо, як працює це перетворення. Якщо слідувати в зошиті, подивіться на назву функції a2d2_scene_to_smgt_sequence_and_seq_label
.
Перетворення хмари точок
Першим кроком є перетворення даних зі стисненого файлу у форматі Numpy (NPZ), який був створений за допомогою numpy.знати спосіб, до ан прийнятний необроблений 3D-формат для Amazon SageMaker Ground Truth. Зокрема, ми створюємо файл з одним рядком на точку. Кожна 3D-точка визначається трьома координатами X, Y і Z з плаваючою точкою. Коли ми вказуємо наш формат у файлі послідовності, ми використовуємо рядок text/xyz
для представлення цього формату. Amazon SageMaker Ground Truth також підтримує додавання значень інтенсивності або червоно-зелених синіх (RGB) точок.
Файли NPZ A2D2 містять кілька масивів Numpy, кожен з яких має власну назву. Щоб виконати перетворення, ми завантажуємо файл NPZ за допомогою Numpy загрузка метод, отримати доступ до викликаного масиву точок (тобто масив Nx3, де N — кількість точок у хмарі точок), і збережіть як текст у новому файлі за допомогою Numpy's savetxt метод.
Попередня обробка зображення
Далі готуємо файли зображень. A2D2 надає зображення PNG, а Amazon SageMaker Ground Truth підтримує зображення PNG; однак ці зображення спотворені. Спотворення часто виникають через те, що лінза, що знімає зображення, не вирівняна паралельно площині зображення, через що деякі ділянки зображення виглядають ближче, ніж очікувалося. Це спотворення описує різницю між фізичною камерою та камерою ідеалізована модель камери-обскури. Якщо спотворення не взято до уваги, Amazon SageMaker Ground Truth не зможе відобразити наші 3D-точки поверх зображень камери, що ускладнює маркування. Щоб ознайомитися з посібником з калібрування камери, перегляньте цю документацію від OpenCV.
Хоча Amazon SageMaker Ground Truth підтримує коефіцієнти викривлення у вхідному файлі, ви також можете виконати попередню обробку перед завданням маркування. Оскільки A2D2 надає допоміжний код для виконання неспотворень, ми застосовуємо його до зображення та залишаємо поля, пов’язані зі спотвореннями, поза нашим файлом послідовності. Зауважте, що пов’язані з спотворенням поля включають k1, k2, k3, k4, p1, p2 і перекіс.
Положення камери, орієнтація та перетворення проекції
Окрім файлів необроблених даних, необхідних для маркування, файлу послідовності також потрібна інформація про положення та орієнтацію камери для виконання проекції 3D-точок у зображення 2D-камери. Нам потрібно знати, куди дивиться камера в 3D-просторі, щоб з’ясувати, як 3D-мітки прямокутної форми та 3D-точки повинні відображатися поверх наших зображень.
Оскільки ми завантажили позиції наших датчиків у загальний менеджер трансформацій у розділі налаштування сенсора A2D2, ми можемо легко запитати менеджер трансформацій для отримання потрібної інформації. У нашому випадку ми розглядаємо положення автомобіля як (0, 0, 0) у кожному кадрі, оскільки ми не маємо інформації про положення датчика, наданої набором даних виявлення об’єктів A2D2. Отже, відносно нашого транспортного засобу орієнтація та положення камери описуються таким кодом:
Тепер, коли положення та орієнтацію перетворено, нам також потрібно надати значення для fx, fy, cx і cy, усі параметри для кожної камери у форматі файлу послідовності.
Ці параметри відносяться до значень у матриці камери. У той час як положення та орієнтація описують, у який бік спрямована камера, матриця камери описує поле огляду камери та те, як саме 3D-точка відносно камери перетворюється на розташування 2D-пікселя на зображенні.
A2D2 забезпечує матрицю камери. У наступному коді показано еталонну матрицю камери разом із тим, як наш блокнот індексує цю матрицю, щоб отримати відповідні поля.
З усіма полями, проаналізованими з формату A2D2, ми можемо зберегти файл послідовності та використовувати його в Amazon Вхідний файл маніфесту SageMaker Ground Truth щоб почати маркування. Це завдання з маркування дозволяє нам створювати мітки 3D-обмежувальних рамок для використання в подальшому для навчання 3D-моделей.
Запустіть усі клітинки до кінця блокнота та переконайтеся, що ви замінили workteam
ARN з Amazon SageMaker Ground Truth workteam
ARN, яку ви створили передумовою. Приблизно через 10 хвилин часу створення завдання для міток ви зможете увійти на робочий портал і скористатися маркування інтерфейсу користувача щоб візуалізувати вашу сцену.
Прибирати
Видаліть стек AWS CloudFormation, який ви розгорнули за допомогою Запустити стек назва кнопки ThreeD
у консолі AWS CloudFormation, щоб видалити всі ресурси, які використовуються в цій публікації, включаючи будь-які запущені екземпляри.
Орієнтовні витрати
Орієнтовна вартість 5$ за 2 години.
Висновок
У цій публікації ми продемонстрували, як отримати 3D-дані та перетворити їх у форму, готову для маркування в Amazon SageMaker Ground Truth. За допомогою цих кроків ви можете позначити власні 3D-дані для навчання моделей виявлення об’єктів. У наступній публікації цієї серії ми покажемо вам, як взяти A2D2 і навчити модель детектора об’єктів на мітках, які вже є в наборі даних.
Щасливої будівлі!
Про авторів
Ісаак Привітар є старшим спеціалістом із обробки даних у Лабораторія рішень машинного навчання Amazon, де він розробляє індивідуальні рішення для машинного та глибокого навчання для вирішення бізнес-проблем клієнтів. Він працює головним чином у сфері комп’ютерного бачення, зосереджуючись на тому, щоб надати клієнтам AWS можливість розподіленого навчання та активного навчання.
Від'я Сагар Равіпаті є менеджером в Лабораторія рішень машинного навчання Amazon, де він використовує свій величезний досвід у широкомасштабних розподілених системах та свою пристрасть до машинного навчання, щоб допомогти клієнтам AWS у різних галузевих галузях пришвидшити прийняття ШІ та хмарних технологій. Раніше він був інженером машинного навчання у службі підключення в Amazon, який допомагав створювати платформи персоналізації та інтелектуального обслуговування.
Джеремі Фелтракко є інженером з розробки програмного забезпечення з th Лабораторія рішень машинного навчання Amazon в Amazon Web Services. Він використовує свій досвід у сфері комп’ютерного зору, робототехніки та машинного навчання, щоб допомогти клієнтам AWS прискорити впровадження ШІ.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/using-amazon-sagemaker-with-point-clouds-part-1-ground-truth-for-3d-labeling/
- :є
- $UP
- 000
- 1
- 10
- 100
- 1996
- 2D
- 3d
- 7
- 9
- a
- Здатний
- МЕНЮ
- вище
- прискорювати
- доступ
- доступною
- рахунки
- через
- активний
- доповнення
- адреса
- Прийняття
- після
- попереду
- AI
- вирівняні
- ВСІ
- дозволяє
- вже
- Amazon
- Амазонка Когніто
- Amazon SageMaker
- Основна правда Amazon SageMaker
- Amazon Web Services
- та
- будь
- додаток
- Застосовувати
- відповідний
- приблизно
- архітектура
- ЕСТЬ
- області
- навколо
- масив
- AS
- асоційований
- At
- збільшено
- Доповнена реальність
- автономний
- наявність
- AWS
- AWS CloudFormation
- назад
- фон
- BE
- оскільки
- ставати
- перед тим
- буття
- нижче
- між
- синій
- Box
- Приведення
- браузер
- будувати
- Створюємо
- bus
- бізнес
- button
- by
- званий
- кімната
- CAN
- захоплення
- захопивши
- автомобіль
- автомобілів
- випадок
- Клітини
- Центр
- складні
- перевірка
- Вибирати
- клас
- класів
- ближче
- хмара
- прийняття хмари
- код
- загальний
- Компанії
- повний
- обчислення
- комп'ютер
- Комп'ютерне бачення
- впевнено
- зв'язок
- Консоль
- містити
- містить
- Перетворення
- конверсій
- конвертувати
- перероблений
- координувати
- Коштувати
- рентабельним
- обкладинка
- створювати
- створений
- створює
- створення
- Клієнти
- CX
- дані
- вчений даних
- набори даних
- Дати
- глибокий
- глибоке навчання
- певний
- Визначає
- демонструвати
- продемонстрований
- демонструє
- розгортання
- розгорнути
- розгортання
- глибина
- описувати
- описаний
- Виявлення
- визначення
- розробка
- розвивається
- прилади
- різниця
- різний
- важкий
- напрям
- обговорювати
- розподілений
- розподілені системи
- розподілене навчання
- документація
- Не знаю
- скачати
- водіння
- e
- кожен
- легко
- дозволяє
- Кінцева точка
- інженер
- забезпечувати
- Навколишнє середовище
- особливо
- істотний
- і т.д.
- Навіть
- точно
- приклад
- очікування
- очікуваний
- досвід
- облицювання
- кілька
- поле
- Поля
- Рисунок
- філе
- Файли
- закінчення
- Перший
- плаваючий
- потік
- Сфокусувати
- фокусування
- після
- для
- форма
- формат
- Вперед
- знайдений
- FRAME
- Безкоштовна
- від
- перед
- функція
- злиття
- FX
- породжувати
- генерується
- отримати
- GIF
- Git
- GitHub
- Go
- йде
- зелений
- Земля
- Зростання
- обробляти
- Мати
- має
- Тема
- допомога
- допоміг
- корисний
- хостинг
- ГОДИННИК
- Як
- How To
- Однак
- HTML
- HTTPS
- i
- ICON
- ідентифікований
- зображення
- зображень
- Зображеннями
- здійснювати
- важливо
- in
- В інших
- включати
- includes
- У тому числі
- збільшений
- все більше і більше
- покажчики
- промисловість
- інформація
- вхід
- екземпляр
- інструкції
- інтерес
- зацікавлений
- інтерфейс
- IT
- ЙОГО
- робота
- Джобс
- JPG
- json
- Дитина
- Знати
- етикетка
- маркування
- етикетки
- масштабний
- лазер
- запуск
- УЧИТЬСЯ
- вивчення
- Залишати
- важелі
- світло
- як
- список
- загрузка
- вантажі
- розташований
- розташування
- подивитися
- шукати
- ВИГЛЯДИ
- машина
- навчання за допомогою машини
- обслуговування
- зробити
- РОБОТИ
- вдалося
- менеджер
- управляє
- відображення
- Матриця
- засоби
- вимір
- метод
- хвилин
- ML
- Mobile
- мобільні пристрої
- модель
- Моделі
- монітор
- більше
- найбільш
- руху
- множинний
- ім'я
- Названий
- Необхідність
- Нові
- наступний
- ноутбук
- номер
- нумпі
- об'єкт
- Виявлення об'єктів
- об'єкти
- of
- on
- ONE
- відкрити
- OpenCV
- працювати
- варіант
- Інше
- вихід
- загальний
- власний
- сторінка
- Паралельні
- параметри
- частина
- приватність
- пристрасть
- шлях
- Виконувати
- Втілення
- фізичний
- трубопровід
- піксель
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- точка
- точок
- Портал
- положення
- позиції
- позитивний
- пошта
- передбачати
- Готувати
- попередній
- раніше
- в першу чергу
- приватний
- проблеми
- процес
- Production
- профілювання
- прогрес
- проект
- Проекція
- за умови
- забезпечує
- ранжування
- ставка
- Сировина
- Читати
- читання
- готовий
- реального часу
- Реальність
- запис
- червоний
- називають
- відображено
- регіон
- пов'язаний
- доречний
- решті
- видаляти
- замінювати
- представляти
- вимагається
- Вимагається
- ресурс
- ресурси
- результати
- повертати
- огляд
- RGB
- робототехніка
- ролі
- дах
- ROW
- прогін
- біг
- s
- мудрець
- то ж
- зберегти
- сцена
- сцени
- вчений
- Пошук
- другий
- розділ
- сегментація
- старший
- датчиків
- Послідовність
- Серія
- Послуги
- установка
- Короткий
- Повинен
- Показувати
- показаний
- Шоу
- сторона
- Сигнал
- з
- один
- So
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- деякі
- Source
- Простір
- пробіли
- конкретно
- стек
- standard
- старт
- Крок
- заходи
- структура
- поставка
- підтримка
- Підтриманий
- Опори
- поверхню
- Systems
- таблиця
- Приймати
- приймає
- націлювання
- завдання
- шаблон
- тест
- Що
- Команда
- інформація
- їх
- Ці
- три
- через
- час
- під назвою
- до
- інструмент
- топ
- Усього:
- Відстеження
- поїзд
- Навчання
- Перетворення
- Переклад
- лікувати
- вантажівка
- підручник
- типовий
- типово
- ui
- при
- розуміти
- розуміння
- створеного
- us
- використання
- користувач
- Інтерфейс користувача
- ПЕРЕВІР
- Цінності
- величезний
- автомобіль
- Транспортні засоби
- перевірити
- вертикалі
- Відео
- вид
- думки
- бачення
- візуалізації
- шлях..
- Web
- веб-сервіси
- ДОБРЕ
- який
- в той час як
- ВООЗ
- Вікіпедія
- волі
- з
- в
- слова
- робочий
- Трудові ресурси
- працює
- запис
- написати код
- письмовий
- X
- ямл
- Ти
- вашу
- зефірнет