এটি AWS এবং Voxel51 দ্বারা সহ-লিখিত একটি যৌথ পোস্ট। Voxel51 হল FiftyOne-এর পিছনের কোম্পানি, উচ্চ-মানের ডেটাসেট এবং কম্পিউটার ভিশন মডেল তৈরির জন্য ওপেন-সোর্স টুলকিট।
একটি খুচরা কোম্পানি গ্রাহকদের পোশাক কিনতে সাহায্য করার জন্য একটি মোবাইল অ্যাপ তৈরি করছে৷ এই অ্যাপটি তৈরি করার জন্য, তাদের পোশাকের ছবি সম্বলিত একটি উচ্চ-মানের ডেটাসেট প্রয়োজন, যা বিভিন্ন বিভাগের লেবেলযুক্ত। এই পোস্টে, আমরা দেখাই যে কীভাবে একটি বিদ্যমান ডেটাসেটকে ডেটা ক্লিনিং, প্রিপ্রসেসিং এবং প্রাক-লেবেলিংয়ের মাধ্যমে একটি জিরো-শট ক্লাসিফিকেশন মডেলের মাধ্যমে পুনরায় ব্যবহার করা যায়। একান্ন, এবং এই লেবেলগুলির সাথে সামঞ্জস্য করা আমাজন সেজমেকার গ্রাউন্ড ট্রুথ.
আপনি আপনার ডেটা লেবেলিং প্রকল্পকে ত্বরান্বিত করতে গ্রাউন্ড ট্রুথ এবং ফিফটিওয়ান ব্যবহার করতে পারেন। উচ্চ-মানের লেবেলযুক্ত ডেটাসেট তৈরি করতে আমরা কীভাবে নিরবিচ্ছিন্নভাবে দুটি অ্যাপ্লিকেশন একসাথে ব্যবহার করতে হয় তা ব্যাখ্যা করি। আমাদের উদাহরণ ব্যবহারের ক্ষেত্রে, আমরা এর সাথে কাজ করি ফ্যাশন200K ডেটাসেট, ICCV 2017 এ প্রকাশিত হয়েছে।
সমাধান ওভারভিউ
গ্রাউন্ড ট্রুথ হল একটি সম্পূর্ণ স্ব-পরিষেধিত এবং পরিচালিত ডেটা লেবেলিং পরিষেবা যা ডেটা বিজ্ঞানী, মেশিন লার্নিং (এমএল) ইঞ্জিনিয়ার এবং গবেষকদের উচ্চ-মানের ডেটাসেট তৈরি করতে সক্ষম করে৷ একান্ন by ভক্সেল 51 কম্পিউটার ভিশন ডেটাসেটগুলি কিউরেট, ভিজ্যুয়ালাইজ এবং মূল্যায়ন করার জন্য একটি ওপেন-সোর্স টুলকিট যাতে আপনি আপনার ব্যবহারের ক্ষেত্রে ত্বরান্বিত করে আরও ভাল মডেলগুলিকে প্রশিক্ষণ এবং বিশ্লেষণ করতে পারেন৷
নিম্নলিখিত বিভাগে, আমরা নিম্নলিখিতগুলি কীভাবে করতে হয় তা প্রদর্শন করি:
- ফিফটিওয়ানে ডেটাসেটটি ভিজ্যুয়ালাইজ করুন
- ফিফটিওয়ানে ফিল্টারিং এবং ইমেজ ডিডপ্লিকেশন দিয়ে ডেটাসেট পরিষ্কার করুন
- ফিফটিওয়ানে শূন্য-শট শ্রেণিবিন্যাস সহ পরিষ্কার করা ডেটাকে প্রি-লেবেল করুন
- গ্রাউন্ড ট্রুথ দিয়ে ছোট কিউরেটেড ডেটাসেটকে লেবেল করুন
- গ্রাউন্ড ট্রুথ থেকে ফিফটিওয়ানে লেবেল করা ফলাফল ইনজেক্ট করুন এবং ফিফটিওয়ানে লেবেল করা ফলাফল পর্যালোচনা করুন
কেস ওভারভিউ ব্যবহার করুন
ধরুন আপনি একটি খুচরা কোম্পানির মালিক এবং ব্যবহারকারীদের কী পরবেন তা সিদ্ধান্ত নিতে সাহায্য করার জন্য ব্যক্তিগতকৃত সুপারিশ দেওয়ার জন্য একটি মোবাইল অ্যাপ্লিকেশন তৈরি করতে চান৷ আপনার সম্ভাব্য ব্যবহারকারীরা এমন একটি অ্যাপ্লিকেশন খুঁজছেন যা তাদের বলে যে তাদের পায়খানার কোন পোশাকগুলি একসাথে ভাল কাজ করে৷ আপনি এখানে একটি সুযোগ দেখতে পাচ্ছেন: আপনি যদি ভাল পোশাক শনাক্ত করতে পারেন তবে আপনি এটি ব্যবহার করে পোশাকের নতুন নিবন্ধ সুপারিশ করতে পারেন যা একজন গ্রাহকের ইতিমধ্যেই মালিকানাধীন পোশাকের পরিপূরক।
আপনি শেষ ব্যবহারকারীর জন্য জিনিসগুলি যতটা সম্ভব সহজ করতে চান। আদর্শভাবে, কেউ আপনার অ্যাপ্লিকেশন ব্যবহার করে শুধুমাত্র তাদের পোশাকের কাপড়ের ছবি তুলতে হবে, এবং আপনার ML মডেলগুলি পর্দার আড়ালে তাদের জাদু কাজ করে। আপনি একটি সাধারণ-উদ্দেশ্য মডেল প্রশিক্ষিত করতে পারেন বা প্রতিক্রিয়ার কিছু ফর্ম সহ প্রতিটি ব্যবহারকারীর অনন্য শৈলীতে একটি মডেলকে সূক্ষ্ম সুর করতে পারেন৷
যাইহোক, প্রথমে আপনাকে চিহ্নিত করতে হবে ব্যবহারকারী কি ধরনের পোশাক ক্যাপচার করছে। এটা কি শার্ট? প্যান্ট জোড়া? অথবা অন্য কিছু? সব পরে, আপনি সম্ভবত একাধিক পোষাক বা একাধিক টুপি আছে যে একটি সাজসরঞ্জাম সুপারিশ করতে চান না।
এই প্রাথমিক চ্যালেঞ্জ মোকাবেলা করার জন্য, আপনি বিভিন্ন প্যাটার্ন এবং শৈলী সহ পোশাকের বিভিন্ন প্রবন্ধের ছবি সমন্বিত একটি প্রশিক্ষণ ডেটাসেট তৈরি করতে চান। একটি সীমিত বাজেটের সাথে প্রোটোটাইপ করতে, আপনি একটি বিদ্যমান ডেটাসেট ব্যবহার করে বুটস্ট্র্যাপ করতে চান।
এই পোস্টে আপনাকে ব্যাখ্যা করতে এবং প্রক্রিয়াটির মধ্য দিয়ে চলার জন্য, আমরা ICCV 200-এ প্রকাশিত Fashion2017K ডেটাসেট ব্যবহার করি। এটি একটি প্রতিষ্ঠিত এবং সু-উদ্ধৃত ডেটাসেট, কিন্তু এটি আপনার ব্যবহারের ক্ষেত্রে সরাসরি উপযুক্ত নয়।
যদিও পোশাকের নিবন্ধগুলি বিভাগগুলি (এবং উপশ্রেণিগুলি) দিয়ে লেবেলযুক্ত এবং মূল পণ্যের বিবরণ থেকে নেওয়া বিভিন্ন সহায়ক ট্যাগ ধারণ করে, ডেটা পদ্ধতিগতভাবে প্যাটার্ন বা শৈলীর তথ্য দিয়ে লেবেল করা হয় না। আপনার লক্ষ্য হল এই বিদ্যমান ডেটাসেটটিকে আপনার পোশাকের শ্রেণিবিন্যাসের মডেলের জন্য একটি শক্তিশালী প্রশিক্ষণ ডেটাসেটে পরিণত করা। স্টাইল লেবেলগুলির সাথে লেবেলিং স্কিমাকে বৃদ্ধি করে আপনাকে ডেটা পরিষ্কার করতে হবে। এবং আপনি খুব দ্রুত এবং যতটা সম্ভব কম খরচ করতে চান।
স্থানীয়ভাবে ডেটা ডাউনলোড করুন
প্রথমে, women.tar জিপ ফাইল এবং লেবেল ফোল্ডার (এর সমস্ত সাবফোল্ডার সহ) ডাউনলোড করুন Fashion200K ডেটাসেট GitHub সংগ্রহস্থল. আপনি উভয়ই আনজিপ করার পরে, একটি প্যারেন্ট ডিরেক্টরি fashion200k তৈরি করুন এবং লেবেল এবং মহিলা ফোল্ডারগুলিকে এতে সরান৷ সৌভাগ্যবশত, এই ছবিগুলি ইতিমধ্যেই অবজেক্ট ডিটেকশন বাউন্ডিং বাক্সে ক্রপ করা হয়েছে, তাই আমরা অবজেক্ট ডিটেকশন নিয়ে চিন্তা না করে শ্রেণীবিভাগে ফোকাস করতে পারি।
এর মনিকারে "200K" থাকা সত্ত্বেও, আমরা যে মহিলা ডিরেক্টরিটি বের করেছি তাতে 338,339টি ছবি রয়েছে৷ অফিসিয়াল Fashion200K ডেটাসেট তৈরি করতে, ডেটাসেটের লেখকরা 300,000টিরও বেশি পণ্য অনলাইনে ক্রল করেছেন, এবং শুধুমাত্র চারটির বেশি শব্দ সম্বলিত বিবরণ সহ পণ্যগুলিই কাট করেছে৷ আমাদের উদ্দেশ্যে, যেখানে পণ্যের বিবরণ অপরিহার্য নয়, আমরা ক্রল করা সমস্ত ছবি ব্যবহার করতে পারি।
এই তথ্যটি কীভাবে সংগঠিত হয়েছে তা দেখা যাক: মহিলাদের ফোল্ডারের মধ্যে, চিত্রগুলি শীর্ষ-স্তরের নিবন্ধের ধরন (স্কার্ট, টপস, প্যান্ট, জ্যাকেট এবং পোশাক) এবং নিবন্ধের প্রকার উপশ্রেণী (ব্লাউজ, টি-শার্ট, লম্বা-হাতা) দ্বারা সাজানো হয়েছে শীর্ষ)।
উপশ্রেণি ডিরেক্টরির মধ্যে, প্রতিটি পণ্য তালিকার জন্য একটি সাব-ডিরেক্টরি রয়েছে। এগুলির প্রতিটিতে একটি পরিবর্তনশীল সংখ্যক চিত্র রয়েছে। ক্রপড_প্যান্ট উপশ্রেণি, উদাহরণস্বরূপ, নিম্নলিখিত পণ্য তালিকা এবং সংশ্লিষ্ট ছবি রয়েছে।
লেবেল ফোল্ডারে প্রতিটি টপ-লেভেল আর্টিকেল টাইপের জন্য একটি টেক্সট ফাইল রয়েছে, ট্রেন এবং টেস্ট স্প্লিট উভয়ের জন্য। এই টেক্সট ফাইলগুলির প্রতিটির মধ্যে প্রতিটি ছবির জন্য একটি পৃথক লাইন, আপেক্ষিক ফাইল পাথ, একটি স্কোর, এবং পণ্যের বিবরণ থেকে ট্যাগ উল্লেখ করে।
যেহেতু আমরা ডেটাসেটটি পুনরায় ব্যবহার করছি, আমরা সমস্ত ট্রেন এবং পরীক্ষার চিত্রগুলিকে একত্রিত করি৷ আমরা একটি উচ্চ-মানের অ্যাপ্লিকেশন-নির্দিষ্ট ডেটাসেট তৈরি করতে এগুলি ব্যবহার করি। আমরা এই প্রক্রিয়াটি সম্পূর্ণ করার পরে, আমরা ফলাফলের ডেটাসেটটিকে এলোমেলোভাবে নতুন ট্রেন এবং পরীক্ষা বিভাজনে বিভক্ত করতে পারি।
ফিফটিওয়ানে একটি ডেটাসেট ইনজেকশন, দেখুন এবং কিউরেট করুন
যদি আপনি ইতিমধ্যে এটি না করে থাকেন, তাহলে পিপ ব্যবহার করে ওপেন সোর্স ফিফটিওয়ান ইনস্টল করুন:
একটি নতুন ভার্চুয়াল (ভেনভ বা কনডা) পরিবেশের মধ্যে এটি করা একটি সর্বোত্তম অনুশীলন। তারপর প্রাসঙ্গিক মডিউল আমদানি করুন. বেস লাইব্রেরি, ফিফটিওন, ফিফটিওয়ান ব্রেইন, যাতে বিল্ট-ইন এমএল পদ্ধতি রয়েছে, ফিফটিওয়ান চিড়িয়াখানা, যেখান থেকে আমরা একটি মডেল লোড করব যা আমাদের জন্য জিরো-শট লেবেল তৈরি করবে এবং ভিউফিল্ড, যা আমাদের দক্ষতার সাথে ফিল্টার করতে দেয় আমাদের ডেটাসেটে ডেটা:
আপনি গ্লোব এবং os পাইথন মডিউলগুলিও আমদানি করতে চান, যা আমাদের ডিরেক্টরির বিষয়বস্তুর উপর পাথ এবং প্যাটার্ন ম্যাচের সাথে কাজ করতে সহায়তা করবে:
এখন আমরা ফিফটিওয়ানে ডেটাসেট লোড করার জন্য প্রস্তুত। প্রথমে, আমরা fashion200k নামে একটি ডেটাসেট তৈরি করি এবং এটিকে স্থায়ী করি, যা আমাদের গণনামূলকভাবে নিবিড় ক্রিয়াকলাপের ফলাফলগুলি সংরক্ষণ করতে দেয়, তাই আমাদের শুধুমাত্র একবার উল্লিখিত পরিমাণগুলি গণনা করতে হবে।
আমরা এখন পণ্য ডিরেক্টরির মধ্যে সমস্ত ইমেজ যোগ করে সমস্ত উপশ্রেণীর ডিরেক্টরির মাধ্যমে পুনরাবৃত্তি করতে পারি। আমরা প্রতিটি নমুনায় একটি পঞ্চাশ এক শ্রেণিবিন্যাসের লেবেল যোগ করি যার নাম article_type, চিত্রের শীর্ষ-স্তরের নিবন্ধ বিভাগ দ্বারা তৈরি করা হয়। আমরা ট্যাগ হিসাবে উভয় বিভাগ এবং উপশ্রেণি তথ্য যোগ করি:
এই মুহুর্তে, আমরা একটি সেশন চালু করে FiftyOne অ্যাপে আমাদের ডেটাসেটটি কল্পনা করতে পারি:
আমরা রান করে পাইথনে ডেটাসেটের একটি সারাংশও প্রিন্ট করতে পারি print(dataset)
:
আমরা থেকে ট্যাগ যোগ করতে পারেন labels
আমাদের ডেটাসেটে নমুনার নির্দেশিকা:
তথ্যের দিকে তাকালে কয়েকটি বিষয় পরিষ্কার হয়ে যায়:
- কিছু ছবি মোটামুটি দানাদার, কম রেজোলিউশন সহ। এটি সম্ভবত কারণ এই ছবিগুলি অবজেক্ট সনাক্তকরণ বাউন্ডিং বাক্সে প্রাথমিক চিত্রগুলি ক্রপ করে তৈরি করা হয়েছিল।
- কিছু পোশাক একজন ব্যক্তির দ্বারা পরিধান করা হয়, এবং কিছু তাদের নিজস্ব ছবি তোলা হয়। এই বিবরণ দ্বারা encapsulated হয়
viewpoint
সম্পত্তি। - একই পণ্যের অনেকগুলি চিত্র খুব একই রকম, তাই কমপক্ষে প্রাথমিকভাবে, প্রতি পণ্যের একাধিক ছবি সহ খুব বেশি ভবিষ্যদ্বাণীমূলক শক্তি যোগ করতে পারে না। বেশিরভাগ ক্ষেত্রে, প্রতিটি পণ্যের প্রথম চিত্র (এ শেষ হয়
_0.jpeg
) সবচেয়ে পরিষ্কার।
প্রাথমিকভাবে, আমরা এই চিত্রগুলির একটি নিয়ন্ত্রিত উপসেটে আমাদের পোশাক শৈলী শ্রেণীবিভাগের মডেলকে প্রশিক্ষণ দিতে চাই। এই লক্ষ্যে, আমরা আমাদের পণ্যগুলির উচ্চ-রেজোলিউশন চিত্রগুলি ব্যবহার করি এবং প্রতি পণ্যের একটি প্রতিনিধি নমুনার মধ্যে আমাদের দৃষ্টিভঙ্গি সীমাবদ্ধ করি।
প্রথমত, আমরা কম-রেজোলিউশনের ছবিগুলি ফিল্টার করি। আমরা ব্যবহার করি compute_metadata()
ডেটাসেটের প্রতিটি ছবির জন্য পিক্সেলে, ছবির প্রস্থ এবং উচ্চতা গণনা এবং সংরক্ষণ করার পদ্ধতি। আমরা তখন ফিফটিওয়ান নিয়োগ করি ViewField
ন্যূনতম অনুমোদিত প্রস্থ এবং উচ্চতার মানগুলির উপর ভিত্তি করে চিত্রগুলি ফিল্টার করতে। নিম্নলিখিত কোড দেখুন:
এই উচ্চ-রেজোলিউশন উপসেটে মাত্র 200,000 নমুনা রয়েছে৷
এই দৃশ্য থেকে, আমরা প্রতিটি পণ্যের জন্য শুধুমাত্র একটি প্রতিনিধি নমুনা (সর্বাধিক) ধারণকারী আমাদের ডেটাসেটে একটি নতুন দৃশ্য তৈরি করতে পারি। আমরা ব্যবহার করি ViewField
আবার, ফাইল পাথের জন্য প্যাটার্ন ম্যাচিং যা শেষ হয় _0.jpeg
:
আসুন এই উপসেটে চিত্রগুলির একটি এলোমেলোভাবে পরিবর্তন করা ক্রম দেখুন:
ডেটাসেটে অপ্রয়োজনীয় ছবিগুলি সরান
এই ভিউটিতে 66,297টি ছবি রয়েছে, বা আসল ডেটাসেটের 19% এর বেশি। আমরা যখন দৃষ্টিভঙ্গি দেখি, যাইহোক, আমরা দেখতে পাই যে অনেকগুলি একই রকম পণ্য রয়েছে। এই সমস্ত অনুলিপিগুলি রাখলে সম্ভবত আমাদের লেবেলিং এবং মডেল প্রশিক্ষণের খরচ যোগ হবে, কর্মক্ষমতা উল্লেখযোগ্যভাবে উন্নত না করে। পরিবর্তে, আসুন একটি ছোট ডেটাসেট তৈরি করতে কাছাকাছি সদৃশগুলি থেকে মুক্তি পান যা এখনও একই পাঞ্চ প্যাক করে।
যেহেতু এই ছবিগুলি সঠিক সদৃশ নয়, তাই আমরা পিক্সেল-ভিত্তিক সমতা পরীক্ষা করতে পারি না। সৌভাগ্যবশত, আমরা আমাদের ডেটাসেট পরিষ্কার করতে সাহায্য করতে ফিফটিওয়ান ব্রেন ব্যবহার করতে পারি। বিশেষ করে, আমরা প্রতিটি ইমেজের জন্য একটি এম্বেডিং গণনা করব—একটি নিম্ন-মাত্রিক ভেক্টর ইমেজকে প্রতিনিধিত্ব করে—এবং তারপরে এমন ছবিগুলি সন্ধান করব যার এমবেডিং ভেক্টর একে অপরের কাছাকাছি। ভেক্টর যত কাছাকাছি, চিত্রগুলি তত বেশি অনুরূপ।
আমরা প্রতিটি চিত্রের জন্য একটি 512-মাত্রিক এম্বেডিং ভেক্টর তৈরি করতে একটি CLIP মডেল ব্যবহার করি এবং আমাদের ডেটাসেটের নমুনাগুলিতে ফিল্ড এমবেডিংগুলিতে এই এম্বেডিংগুলি সংরক্ষণ করি:
তারপর আমরা ব্যবহার করে এম্বেডিংয়ের মধ্যে ঘনিষ্ঠতা গণনা করি কোসাইন মিল, এবং দাবি করুন যে যেকোন দুটি ভেক্টর যার মিল কিছু থ্রেশহোল্ডের চেয়ে বেশি তাদের সদৃশের কাছাকাছি হওয়ার সম্ভাবনা রয়েছে। কোসাইন সাদৃশ্য স্কোর সীমার মধ্যে থাকে [0, 1], এবং ডেটার দিকে তাকালে, থ্রেশ=0.5 এর একটি থ্রেশহোল্ড স্কোর প্রায় সঠিক বলে মনে হয়। আবার, এই নিখুঁত হতে হবে না. কিছু কাছাকাছি-সদৃশ ইমেজ আমাদের ভবিষ্যদ্বাণী করার ক্ষমতা নষ্ট করার সম্ভাবনা নেই, এবং কিছু অ-সদৃশ ছবি ছুঁড়ে ফেলা মডেলের কার্যকারিতাকে বস্তুগতভাবে প্রভাবিত করে না।
আমরা কথিত সদৃশগুলি দেখতে পারি তা যাচাই করতে যে সেগুলি প্রকৃতপক্ষে অপ্রয়োজনীয়:
যখন আমরা ফলাফলের সাথে খুশি হই এবং বিশ্বাস করি যে এই ছবিগুলি প্রকৃতপক্ষে সদৃশগুলির কাছাকাছি, তখন আমরা একই ধরনের নমুনার প্রতিটি সেট থেকে একটি নমুনা বাছাই করতে পারি এবং অন্যটিকে উপেক্ষা করতে পারি:
এখন এই ভিউ 3,729 ইমেজ আছে. ডেটা পরিষ্কার করে এবং Fashion200K ডেটাসেটের একটি উচ্চ-মানের উপসেট শনাক্ত করার মাধ্যমে, FiftyOne আমাদের ফোকাসকে 300,000-এর বেশি ছবি থেকে মাত্র 4,000-এর নীচে সীমাবদ্ধ করতে দেয়, যা 98% হ্রাসের প্রতিনিধিত্ব করে৷ শুধুমাত্র কাছাকাছি-সদৃশ চিত্রগুলি সরানোর জন্য এমবেডিং ব্যবহার করে আমাদের মোট চিত্রের সংখ্যা 90%-এরও বেশি কমিয়ে এনেছে, এই ডেটাতে প্রশিক্ষিত কোনও মডেলের উপর কোনও প্রভাব থাকলে সামান্যই৷
এই উপসেটটিকে প্রাক-লেবেল করার আগে, আমরা ইতিমধ্যে গণনা করা এমবেডিংগুলিকে ভিজ্যুয়ালাইজ করে ডেটা আরও ভালভাবে বুঝতে পারি। আমরা ফিফটিওয়ান ব্রেইনের বিল্ট-ইন ব্যবহার করতে পারি compute_visualization(
) পদ্ধতি, যা 512-ডাইমেনশনাল এমবেডিং ভেক্টরকে দ্বি-মাত্রিক স্পেসে প্রজেক্ট করার জন্য ইউনিফর্ম ম্যানিফোল্ড অ্যাপ্রোক্সিমেশন (UMAP) কৌশল ব্যবহার করে যাতে আমরা তাদের কল্পনা করতে পারি:
আমরা একটি নতুন খুলি এম্বেডিং প্যানেল FiftyOne অ্যাপে এবং নিবন্ধের ধরন অনুসারে রঙ করা, এবং আমরা দেখতে পাচ্ছি যে এই এমবেডিংগুলি মোটামুটিভাবে নিবন্ধের প্রকারের একটি ধারণা এনকোড করে (অন্যান্য জিনিসগুলির মধ্যে!)
এখন আমরা এই ডেটা প্রি-লেবেল করার জন্য প্রস্তুত।
এই অত্যন্ত অনন্য, উচ্চ-রেজোলিউশন চিত্রগুলি পরিদর্শন করে, আমরা আমাদের প্রাক-লেবেলিং জিরো-শট শ্রেণীবিভাগে ক্লাস হিসাবে ব্যবহার করার জন্য শৈলীগুলির একটি শালীন প্রাথমিক তালিকা তৈরি করতে পারি। এই ছবিগুলিকে প্রাক-লেবেল করার ক্ষেত্রে আমাদের লক্ষ্য অগত্যা প্রতিটি ছবিকে সঠিকভাবে লেবেল করা নয়৷ বরং, আমাদের লক্ষ্য হ'ল মানব টীকাকারদের জন্য একটি ভাল সূচনা বিন্দু প্রদান করা যাতে আমরা লেবেল করার সময় এবং খরচ কমাতে পারি।
তারপরে আমরা এই অ্যাপ্লিকেশনটির জন্য একটি শূন্য-শট শ্রেণিবিন্যাসের মডেল ইনস্ট্যান্ট করতে পারি। আমরা একটি CLIP মডেল ব্যবহার করি, যা একটি সাধারণ-উদ্দেশ্য মডেল যা চিত্র এবং প্রাকৃতিক ভাষা উভয়ের উপর প্রশিক্ষিত। আমরা "শৈলীতে পোশাক" টেক্সট প্রম্পট সহ একটি CLIP মডেল ইনস্ট্যান্টিয়েট করি যাতে একটি চিত্র দেওয়া হলে, মডেলটি সেই শ্রেণীটিকে আউটপুট করবে যার জন্য "শৈলীতে পোশাক [শ্রেণীর]" সবচেয়ে উপযুক্ত। CLIP খুচরা বা ফ্যাশন-নির্দিষ্ট ডেটাতে প্রশিক্ষিত নয়, তাই এটি নিখুঁত হবে না, তবে এটি আপনাকে লেবেলিং এবং টীকা খরচে বাঁচাতে পারে।
তারপরে আমরা এই মডেলটি আমাদের হ্রাস করা উপসেটে প্রয়োগ করি এবং ফলাফলগুলি একটিতে সংরক্ষণ করি article_style
ক্ষেত্র:
FiftyOne অ্যাপটি আবার চালু করে, আমরা এই পূর্বাভাসিত শৈলী লেবেলগুলির সাহায্যে চিত্রগুলিকে কল্পনা করতে পারি৷ আমরা ভবিষ্যদ্বাণী আত্মবিশ্বাস অনুসারে সাজাই তাই আমরা প্রথমে সবচেয়ে আত্মবিশ্বাসী শৈলী ভবিষ্যদ্বাণীগুলি দেখি:
আমরা দেখতে পাচ্ছি যে সর্বোচ্চ আত্মবিশ্বাসের ভবিষ্যদ্বাণীগুলি "জার্সি", "প্রাণীর ছাপ", "পোলকা ডট" এবং "অক্ষরযুক্ত" শৈলীগুলির জন্য বলে মনে হচ্ছে। এটি অর্থপূর্ণ, কারণ এই শৈলীগুলি তুলনামূলকভাবে স্বতন্ত্র। এটাও মনে হচ্ছে, বেশিরভাগ অংশের জন্য, ভবিষ্যদ্বাণী করা শৈলী লেবেলগুলি সঠিক।
আমরা সর্বনিম্ন-আস্থার শৈলী ভবিষ্যদ্বাণীগুলিও দেখতে পারি:
এই ছবিগুলির কিছুর জন্য, উপযুক্ত শৈলী বিভাগটি প্রদত্ত তালিকায় রয়েছে এবং পোশাকের নিবন্ধটি ভুলভাবে লেবেল করা হয়েছে৷ গ্রিডের প্রথম চিত্রটি, উদাহরণস্বরূপ, পরিষ্কারভাবে "ছদ্মবেশ" হওয়া উচিত এবং "শেভরন" নয়। অন্যান্য ক্ষেত্রে, যাইহোক, পণ্যগুলি শৈলী বিভাগগুলিতে সুন্দরভাবে মাপসই করে না। উদাহরণস্বরূপ, দ্বিতীয় সারির দ্বিতীয় চিত্রের পোশাকটি ঠিক "ডোরাকাটা" নয়, তবে একই লেবেলিংয়ের বিকল্পগুলি দেওয়া হলে, একজন মানব টীকাকারও বিরোধিত হতে পারে। আমরা যখন আমাদের ডেটাসেট তৈরি করি, তখন আমাদের সিদ্ধান্ত নিতে হবে যে এই ধরনের এজ কেসগুলি সরিয়ে ফেলতে হবে, নতুন শৈলীর বিভাগগুলি যোগ করতে হবে, বা ডেটাসেটকে বৃদ্ধি করতে হবে।
FiftyOne থেকে চূড়ান্ত ডেটাসেট রপ্তানি করুন
নিম্নলিখিত কোড সহ চূড়ান্ত ডেটাসেট রপ্তানি করুন:
আমরা একটি ছোট ডেটাসেট রপ্তানি করতে পারি, উদাহরণস্বরূপ, 16টি ছবি, ফোল্ডারে 200kFashionDatasetExportResult-16Images
. আমরা এটি ব্যবহার করে একটি গ্রাউন্ড ট্রুথ অ্যাডজাস্টমেন্ট কাজ তৈরি করি:
সংশোধিত ডেটাসেট আপলোড করুন, লেবেল ফর্ম্যাটটিকে গ্রাউন্ড ট্রুথে রূপান্তর করুন, Amazon S3 এ আপলোড করুন এবং সামঞ্জস্য কাজের জন্য একটি ম্যানিফেস্ট ফাইল তৈরি করুন
আমরা ডেটাসেটের লেবেলগুলিকে এর সাথে মেলে রূপান্তর করতে পারি আউটপুট ম্যানিফেস্ট স্কিমা একটি গ্রাউন্ড ট্রুথ বাউন্ডিং বক্স কাজ, এবং একটি ইমেজ আপলোড আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) একটি বালতি চালু করতে স্থল সত্য সমন্বয় কাজ:
নিম্নলিখিত কোড সহ Amazon S3 এ ম্যানিফেস্ট ফাইল আপলোড করুন:
গ্রাউন্ড ট্রুথ দিয়ে সংশোধন করা শৈলীযুক্ত লেবেল তৈরি করুন
গ্রাউন্ড ট্রুথ ব্যবহার করে শৈলী লেবেল সহ আপনার ডেটা টীকা করতে, একটি বাউন্ডিং বক্স লেবেল কাজ শুরু করার জন্য প্রয়োজনীয় পদক্ষেপগুলি সম্পূর্ণ করুন গ্রাউন্ড ট্রুথ দিয়ে শুরু করা একই S3 বালতিতে ডেটাসেট সহ নির্দেশিকা।
- সেজমেকার কনসোলে, একটি গ্রাউন্ড ট্রুথ লেবেলিং কাজ তৈরি করুন।
- স্থির কর ইনপুট ডেটাসেট অবস্থান যা আমরা পূর্ববর্তী ধাপে তৈরি করেছি।
- এর জন্য একটি S3 পথ নির্দিষ্ট করুন আউটপুট ডেটাসেট অবস্থান.
- জন্য আইএএম ভূমিকানির্বাচন একটি কাস্টম IAM ভূমিকা লিখুন ARN, তারপর ভূমিকা লিখুন ARN.
- জন্য কার্য বিভাগনির্বাচন ভাবমূর্তি এবং নির্বাচন করুন সীমান্ত বক্স.
- বেছে নিন পরবর্তী.
- মধ্যে ওয়ার্কার্স বিভাগে, আপনি যে ধরনের কর্মশক্তি ব্যবহার করতে চান তা চয়ন করুন।
আপনি মাধ্যমে একটি কর্মশক্তি নির্বাচন করতে পারেন অ্যামাজন যান্ত্রিক তুর্ক, তৃতীয় পক্ষের বিক্রেতা, বা আপনার নিজের ব্যক্তিগত কর্মীবাহিনী। আপনার কর্মশক্তি বিকল্প সম্পর্কে আরও বিশদ বিবরণের জন্য, দেখুন কর্মীবাহিনী তৈরি এবং পরিচালনা করুন. - বিস্তৃত করা বিদ্যমান-লেবেল প্রদর্শনের বিকল্প এবং নির্বাচন করুন আমি এই কাজের জন্য ডেটাসেট থেকে বিদ্যমান লেবেলগুলি প্রদর্শন করতে চাই।
- জন্য লেবেল বৈশিষ্ট্য নাম, আপনার ম্যানিফেস্ট থেকে এমন নাম নির্বাচন করুন যা লেবেলগুলির সাথে সামঞ্জস্যপূর্ণ যা আপনি সামঞ্জস্যের জন্য প্রদর্শন করতে চান৷
আপনি শুধুমাত্র লেবেলগুলির জন্য লেবেল বৈশিষ্ট্যের নাম দেখতে পাবেন যা আপনার পূর্ববর্তী ধাপে নির্বাচিত টাস্ক টাইপের সাথে মেলে। - ম্যানুয়ালি জন্য লেবেল লিখুন বাউন্ডিং বক্স লেবেলিং টুল.
লেবেলগুলিতে অবশ্যই পাবলিক ডেটাসেটে ব্যবহৃত একই লেবেল থাকতে হবে। আপনি নতুন লেবেল যোগ করতে পারেন. নিচের স্ক্রিনশটটি দেখায় কিভাবে আপনি কর্মী বাছাই করতে পারেন এবং আপনার লেবেলিং কাজের জন্য টুল কনফিগার করতে পারেন। - বেছে নিন প্রি ছবি এবং মূল টীকাগুলির পূর্বরূপ দেখতে।
আমরা এখন গ্রাউন্ড ট্রুথ-এ একটি লেবেলিং কাজ তৈরি করেছি। আমাদের কাজ শেষ হওয়ার পরে, আমরা নতুন তৈরি করা লেবেলযুক্ত ডেটা ফিফটিওয়ানে লোড করতে পারি। গ্রাউন্ড ট্রুথ একটি গ্রাউন্ড ট্রুথ আউটপুট ম্যানিফেস্টে আউটপুট ডেটা তৈরি করে। আউটপুট ম্যানিফেস্ট ফাইলের আরো বিস্তারিত জানার জন্য, দেখুন বাউন্ডিং বক্স জব আউটপুট. নিম্নলিখিত কোড এই আউটপুট ম্যানিফেস্ট বিন্যাসের একটি উদাহরণ দেখায়:
FiftyOne-এ গ্রাউন্ড ট্রুথ থেকে লেবেলযুক্ত ফলাফল পর্যালোচনা করুন
কাজ শেষ হওয়ার পরে, Amazon S3 থেকে লেবেলিং কাজের আউটপুট ম্যানিফেস্ট ডাউনলোড করুন।
আউটপুট ম্যানিফেস্ট ফাইল পড়ুন:
একটি FiftyOne ডেটাসেট তৈরি করুন এবং ম্যানিফেস্ট লাইনগুলিকে ডেটাসেটের নমুনায় রূপান্তর করুন:
আপনি এখন FiftyOne-এ গ্রাউন্ড ট্রুথ থেকে উচ্চ-মানের লেবেলযুক্ত ডেটা দেখতে পাবেন।
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি কিভাবে এর পাওয়ার একত্রিত করে উচ্চ-মানের ডেটাসেট তৈরি করা যায় একান্ন by ভক্সেল 51, একটি ওপেন-সোর্স টুলকিট যা আপনাকে আপনার ডেটাসেট পরিচালনা, ট্র্যাক, ভিজ্যুয়ালাইজ এবং কিউরেট করতে দেয় এবং গ্রাউন্ড ট্রুথ, একটি ডেটা লেবেলিং পরিষেবা যা আপনাকে একাধিক বিল্ট অ্যাক্সেস প্রদান করে এমএল সিস্টেম প্রশিক্ষণের জন্য প্রয়োজনীয় ডেটাসেটগুলিকে দক্ষতার সাথে এবং সঠিকভাবে লেবেল করতে দেয়। - টাস্ক টেমপ্লেটে এবং মেকানিক্যাল তুর্ক, তৃতীয় পক্ষের বিক্রেতা বা আপনার নিজের ব্যক্তিগত কর্মীবাহিনীর মাধ্যমে একটি বৈচিত্র্যময় কর্মশক্তিতে অ্যাক্সেস।
আমরা আপনাকে একটি FiftyOne ইন্সট্যান্স ইনস্টল করে এবং শুরু করতে গ্রাউন্ড ট্রুথ কনসোল ব্যবহার করে এই নতুন কার্যকারিতাটি চেষ্টা করার জন্য উত্সাহিত করি। গ্রাউন্ড ট্রুথ সম্পর্কে আরও জানতে, পড়ুন লেবেল ডেটা, Amazon SageMaker ডেটা লেবেলিং FAQs, এবং এডাব্লুএস মেশিন লার্নিং ব্লগ.
সাথে যোগাযোগ করুন মেশিন লার্নিং এবং এআই সম্প্রদায় যদি আপনার কোন প্রশ্ন বা প্রতিক্রিয়া থাকে!
ফিফটিওয়ান সম্প্রদায়ে যোগ দিন!
কম্পিউটার ভিশনের সবচেয়ে চ্যালেঞ্জিং কিছু সমস্যার সমাধান করতে ইতিমধ্যেই ফিফটিওয়ান ব্যবহার করে হাজার হাজার প্রকৌশলী এবং ডেটা বিজ্ঞানীদের সাথে যোগ দিন!
লেখক সম্পর্কে
শালেন্দ্র ছাবরা বর্তমানে অ্যামাজন সেজমেকার হিউম্যান-ইন-দ্য-লুপ (এইচআইএল) পরিষেবাগুলির জন্য পণ্য ব্যবস্থাপনার প্রধান। পূর্বে, শালেন্দ্র মাইক্রোসফ্ট টিম মিটিংয়ের জন্য ভাষা এবং কথোপকথনমূলক বুদ্ধিমত্তার সূচনা করেন এবং নেতৃত্ব দেন, অ্যামাজন অ্যালেক্সা টেকস্টার্স স্টার্টআপ অ্যাক্সিলারেটরে ইআইআর ছিলেন, প্রোডাক্ট এবং মার্কেটিং-এর ভিপি আলোচনা.io, ক্লিপবোর্ডে পণ্য ও বিপণনের প্রধান (সেলসফোর্স দ্বারা অর্জিত), এবং সোয়াইপে প্রধান পণ্য ব্যবস্থাপক (নুয়ান্স দ্বারা অর্জিত)। সামগ্রিকভাবে, শালেন্দ্র এমন পণ্য তৈরি, জাহাজে ও বাজারজাত করতে সাহায্য করেছে যা এক বিলিয়নেরও বেশি মানুষের জীবন স্পর্শ করেছে।
জ্যাকব মার্কস Voxel51-এর একজন মেশিন লার্নিং ইঞ্জিনিয়ার এবং ডেভেলপার ইভানজেলিস্ট, যেখানে তিনি বিশ্বের ডেটাতে স্বচ্ছতা এবং স্বচ্ছতা আনতে সাহায্য করেন। Voxel51-এ যোগ দেওয়ার আগে, জ্যাকব উদীয়মান সঙ্গীতজ্ঞদের ভক্তদের সাথে সংযোগ স্থাপন এবং সৃজনশীল বিষয়বস্তু ভাগ করতে সাহায্য করার জন্য একটি স্টার্টআপ প্রতিষ্ঠা করেছিলেন। এর আগে তিনি গুগল এক্স, স্যামসাং রিসার্চ এবং ওলফ্রাম রিসার্চে কাজ করেছেন। অতীত জীবনে, জ্যাকব ছিলেন একজন তাত্ত্বিক পদার্থবিদ, স্ট্যানফোর্ডে পিএইচডি সম্পন্ন করেন, যেখানে তিনি পদার্থের কোয়ান্টাম পর্যায়গুলি তদন্ত করেছিলেন। তার অবসর সময়ে, জ্যাকব আরোহণ, দৌড়ানো এবং কল্পবিজ্ঞান উপন্যাস পড়তে উপভোগ করেন।
জেসন করসো তিনি Voxel51-এর সহ-প্রতিষ্ঠাতা এবং সিইও, যেখানে তিনি অত্যাধুনিক নমনীয় সফ্টওয়্যারের মাধ্যমে বিশ্বের ডেটাতে স্বচ্ছতা এবং স্বচ্ছতা আনতে সাহায্য করার কৌশল পরিচালনা করেন। তিনি মিশিগান বিশ্ববিদ্যালয়ের রোবোটিক্স, ইলেকট্রিক্যাল ইঞ্জিনিয়ারিং এবং কম্পিউটার সায়েন্সের একজন অধ্যাপক, যেখানে তিনি কম্পিউটার দৃষ্টি, প্রাকৃতিক ভাষা এবং শারীরিক প্ল্যাটফর্মের সংযোগস্থলে অত্যাধুনিক সমস্যাগুলির উপর ফোকাস করেন। তার অবসর সময়ে, জেসন তার পরিবারের সাথে সময় কাটানো, পড়া, প্রকৃতিতে থাকা, বোর্ড গেম খেলা এবং সব ধরণের সৃজনশীল কার্যকলাপ উপভোগ করে।
ব্রায়ান মুর তিনি Voxel51-এর সহ-প্রতিষ্ঠাতা এবং CTO, যেখানে তিনি প্রযুক্তিগত কৌশল এবং দৃষ্টিভঙ্গির নেতৃত্ব দেন। তিনি মিশিগান ইউনিভার্সিটি থেকে ইলেক্ট্রিক্যাল ইঞ্জিনিয়ারিংয়ে পিএইচডি করেছেন, যেখানে তার গবেষণা কম্পিউটার ভিশন অ্যাপ্লিকেশনের উপর বিশেষ জোর দিয়ে বড় আকারের মেশিন লার্নিং সমস্যার জন্য দক্ষ অ্যালগরিদমের উপর দৃষ্টি নিবদ্ধ করেছিল। তার অবসর সময়ে, তিনি ব্যাডমিন্টন, গল্ফ, হাইকিং এবং তার যমজ ইয়র্কশায়ার টেরিয়ারদের সাথে খেলা উপভোগ করেন।
ঝুলিং বাই অ্যামাজন ওয়েব সার্ভিসেসের একজন সফটওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার। তিনি মেশিন লার্নিং সমস্যা সমাধানের জন্য বৃহৎ মাপের বিতরণ ব্যবস্থার উন্নয়নে কাজ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
- PREIPO® এর সাথে PRE-IPO কোম্পানিতে শেয়ার কিনুন এবং বিক্রি করুন। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/create-high-quality-datasets-with-amazon-sagemaker-ground-truth-and-fiftyone/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 000
- 1
- 10
- 11
- 110
- 13
- 14
- 20
- 200
- 2017
- 23
- 24
- 250
- 28
- 30
- 500
- 66
- 7
- 8
- 9
- a
- সম্পর্কে
- দ্রুততর করা
- ত্বরক
- বেগবর্ধক ব্যক্তি
- প্রবেশ
- সঠিক
- সঠিক
- অর্জিত
- ক্রিয়াকলাপ
- যোগ
- যোগ
- ঠিকানা
- স্থায়ী
- সমন্বয়
- পর
- আবার
- AI
- আলেক্সা
- আলগোরিদিম
- সব
- অনুমতি
- একা
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আজারবাইজান আলেক্সা
- আমাজন সেজমেকার
- আমাজন সেজমেকার গ্রাউন্ড ট্রুথ
- অ্যামাজন ওয়েব সার্ভিসেস
- মধ্যে
- an
- বিশ্লেষণ করা
- এবং
- পশু
- কোন
- অ্যাপ্লিকেশন
- আবেদন
- অ্যাপ্লিকেশন
- প্রয়োগ করা
- যথাযথ
- রয়েছি
- আয়োজিত
- প্রবন্ধ
- প্রবন্ধ
- AS
- যুক্ত
- At
- লেখক
- দূরে
- ডেস্কটপ AWS
- ভিত্তি
- ভিত্তি
- BE
- কারণ
- পরিণত
- হয়েছে
- আগে
- পিছনে
- দৃশ্যের অন্তরালে
- হচ্ছে
- বিশ্বাস করা
- সর্বোত্তম
- উত্তম
- মধ্যে
- বিলিয়ন
- তক্তা
- বোর্ড গেম
- হাড়
- বুটস্ট্র্যাপ
- উভয়
- বক্স
- বক্স
- মস্তিষ্ক
- বিরতি
- আনা
- আনীত
- বাজেট
- নির্মাণ করা
- ভবন
- বিল্ট-ইন
- কিন্তু
- কেনা
- by
- CAN
- ক্যাপচার
- কেস
- মামলা
- বিভাগ
- বিভাগ
- সিইও
- চ্যালেঞ্জ
- চ্যালেঞ্জিং
- চেক
- বেছে নিন
- নির্মলতা
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- পরিস্কার করা
- পরিষ্কার
- পরিষ্কারভাবে
- মক্কেল
- আরোহণ
- ঘনিষ্ঠ
- কাছাকাছি
- বস্ত্র
- বস্ত্র
- সহ - প্রতিষ্ঠাতা
- কোড
- মেশা
- মিশ্রন
- কোম্পানি
- পূরক
- সম্পূর্ণ
- পরিপূরক
- গনা
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- কম্পিউটার ভিশন
- কম্পিউটার ভিশন অ্যাপ্লিকেশন
- বিশ্বাস
- সুনিশ্চিত
- সংযোগ করা
- বিবেচনা
- গঠিত
- কনসোল
- ধারণ
- বিষয়বস্তু
- সুখী
- নিয়ন্ত্রিত
- কথ্য
- রূপান্তর
- কপি
- মূল
- সংশোধিত
- অনুরূপ
- মূল্য
- খরচ
- সৃষ্টি
- নির্মিত
- সৃজনী
- পরিচয়পত্র
- CTO
- প্লেলিস্টে যোগ করা
- নিরাময়
- এখন
- প্রথা
- ক্রেতা
- গ্রাহকদের
- কাটা
- কাটিং-এজ
- উপাত্ত
- ডেটাসেট
- সিদ্ধান্ত নেন
- প্রদর্শন
- ডেনিম
- গভীরতা
- বিবরণ
- বিস্তারিত
- সনাক্তকরণ
- বিকাশকারী
- উন্নয়নশীল
- উন্নয়ন
- বিভিন্ন
- সরাসরি
- ডিরেক্টরি
- প্রদর্শন
- স্বতন্ত্র
- বণ্টিত
- বিতরণ সিস্টেম
- বিচিত্র
- do
- না
- কুকুর
- করছেন
- সম্পন্ন
- Dont
- DOT
- নিচে
- ডাউনলোড
- সদৃশ
- e
- প্রতি
- সহজ
- প্রান্ত
- প্রভাব
- দক্ষ
- দক্ষতার
- বৈদ্যুতিক প্রকৌশলী
- এম্বেডিং
- শিরীষের গুঁড়ো
- জোর
- নিয়োগ
- ক্ষমতা
- এনক্যাপসুলেটেড
- উত্সাহিত করা
- শেষ
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- প্রবেশ করান
- পরিবেশ
- সমতা
- অপরিহার্য
- প্রতিষ্ঠিত
- থার (eth)
- মূল্যায়নের
- ধর্মপ্রচারক
- ঠিক
- উদাহরণ
- বিদ্যমান
- রপ্তানি
- নিরপেক্ষভাবে
- পরিবার
- ভক্ত
- প্রতিক্রিয়া
- কয়েক
- উপন্যাস
- ক্ষেত্র
- ক্ষেত্রসমূহ
- ফাইল
- নথি পত্র
- ছাঁকনি
- ফিল্টারিং
- চূড়ান্ত
- প্রথম
- ফিট
- নমনীয়
- কেন্দ্রবিন্দু
- দৃষ্টি নিবদ্ধ করা
- গুরুত্ত্ব
- অনুসরণ
- জন্য
- ফর্ম
- বিন্যাস
- ভাগ্যক্রমে
- উদিত
- চার
- বিনামূল্যে
- থেকে
- সম্পূর্ণরূপে
- কার্যকারিতা
- গেম
- সাধারন ক্ষেত্রে
- উত্পাদন করা
- উত্পন্ন
- পাওয়া
- GitHub
- দাও
- প্রদত্ত
- লক্ষ্য
- গলফ
- ভাল
- গুগল
- বৃহত্তর
- গ্রিড
- স্থল
- গ্রুপ
- কৌশল
- খুশি
- আছে
- he
- মাথা
- উচ্চতা
- সাহায্য
- সাহায্য
- সহায়ক
- সাহায্য
- এখানে
- উচ্চ গুনসম্পন্ন
- উচ্চ রেজল্যুশন
- সর্বোচ্চ
- অত্যন্ত
- হাইকিং
- তার
- ঝুলিতে
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- মানবীয়
- i
- আমি
- ID
- সনাক্ত করা
- চিহ্নিতকরণের
- আইডি
- if
- ভাবমূর্তি
- চিত্র
- প্রভাব
- আমদানি
- উন্নতি
- in
- অন্যান্য
- সুদ্ধ
- ভুল
- incubated
- তথ্য
- প্রারম্ভিক
- প্রাথমিকভাবে
- ইনস্টল
- ইনস্টল করার
- উদাহরণ
- পরিবর্তে
- নির্দেশাবলী
- বুদ্ধিমত্তা
- ছেদ
- মধ্যে
- IT
- এর
- জার্সি
- কাজ
- যোগদান
- যৌথ
- JSON
- মাত্র
- রাখা
- পালন
- লেবেল
- লেবেল
- লেবেলগুলি
- ভাষা
- বড় আকারের
- শুরু করা
- চালু করা
- নেতৃত্ব
- বিশালাকার
- শিখতে
- শিক্ষা
- অন্তত
- বরফ
- বাম
- যাক
- লাইব্রেরি
- জীবন
- মত
- সম্ভবত
- LIMIT টি
- সীমিত
- লাইন
- লাইন
- তালিকা
- তালিকা
- তালিকা
- সামান্য
- লাইভস
- বোঝা
- দেখুন
- খুঁজছি
- অনেক
- কম
- মেশিন
- মেশিন লার্নিং
- প্রণীত
- জাদু
- করা
- তৈরি করে
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- অনেক
- মানচিত্র
- বাজার
- Marketing
- ম্যাচ
- ম্যাচিং
- বস্তুগতভাবে
- ব্যাপার
- মে..
- যান্ত্রিক
- মিডিয়া
- সভা
- মেটা
- মেটাডাটা
- পদ্ধতি
- পদ্ধতি
- মিশিগান
- মাইক্রোসফট
- মাইক্রোসফ্ট দল
- হতে পারে
- সর্বনিম্ন
- ML
- মোবাইল
- মোবাইল অ্যাপ
- মডেল
- মডেল
- মডিউল
- অধিক
- সেতু
- পদক্ষেপ
- অনেক
- বহু
- সঙ্গীতশিল্পীদের
- অবশ্যই
- নাম
- নামে
- নাম
- প্রাকৃতিক
- স্বভাবিক ভাষা
- প্রকৃতি
- কাছাকাছি
- অগত্যা
- প্রয়োজনীয়
- প্রয়োজন
- চাহিদা
- নতুন
- লক্ষণীয়ভাবে
- ধারণা
- এখন
- সামান্য পার্থক্য
- সংখ্যা
- লক্ষ্য
- বস্তু সনাক্তকরণ
- বস্তু
- of
- কর্মকর্তা
- on
- একদা
- ONE
- অনলাইন
- কেবল
- খোলা
- ওপেন সোর্স
- অপারেশনস
- সুযোগ
- অপশন সমূহ
- or
- সংগঠিত
- মূল
- OS
- অন্যান্য
- অন্যরা
- আমাদের
- বাইরে
- রূপরেখা
- আউটপুট
- শেষ
- নিজের
- মালিক
- প্যাক
- জোড়া
- অংশ
- বিশেষ
- গত
- পথ
- প্যাটার্ন
- নিদর্শন
- নির্ভুল
- কর্মক্ষমতা
- ব্যক্তি
- ব্যক্তিগতকৃত
- পদার্থের পর্যায়
- শারীরিক
- বাছাই
- ছবি
- প্লেড
- সমভূমি
- প্ল্যাটফর্ম
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- বিন্দু
- জনবহুল
- সম্ভব
- পোস্ট
- ক্ষমতা
- অনুশীলন
- পূর্বাভাস
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- প্রি
- আগে
- পূর্বে
- প্রিন্ট
- পূর্বে
- ব্যক্তিগত
- সম্ভবত
- সমস্যা
- প্রক্রিয়া
- পণ্য
- পণ্য ব্যবস্থাপনা
- পণ্য ব্যবস্থাপক
- পণ্য
- অধ্যাপক
- প্রকল্প
- সম্পত্তি
- সম্ভাব্য
- প্রোটোটাইপ
- প্রদান
- প্রদত্ত
- প্রদানের
- প্রকাশ্য
- মুষ্ট্যাঘাত
- উদ্দেশ্য
- পাইথন
- পরিমাণ
- প্রশ্ন
- দ্রুত
- পরিসর
- বরং
- পড়া
- প্রস্তুত
- সুপারিশ করা
- সুপারিশ
- হ্রাস করা
- হ্রাসপ্রাপ্ত
- হ্রাস
- অপেক্ষাকৃতভাবে
- মুক্ত
- প্রাসঙ্গিক
- অপসারণ
- প্রতিনিধি
- প্রতিনিধিত্বমূলক
- প্রয়োজনীয়
- গবেষণা
- গবেষকরা
- সমাধান
- সীমাবদ্ধ করা
- ফল
- ফলে এবং
- ফলাফল
- খুচরা
- প্রত্যাবর্তন
- এখানে ক্লিক করুন
- পরিত্রাণ
- রোবোটিক্স
- শক্তসমর্থ
- ভূমিকা
- মোটামুটিভাবে
- সারিটি
- ধ্বংস
- দৌড়
- ঋষি নির্মাতা
- বলেছেন
- বিক্রয় বল
- একই
- স্যামসাং
- সংরক্ষণ করুন
- লোকচক্ষুর
- বিজ্ঞান
- কল্পবিজ্ঞান
- বিজ্ঞানীরা
- স্কোর
- নির্বিঘ্নে
- দ্বিতীয়
- অধ্যায়
- বিভাগে
- দেখ
- মনে
- মনে হয়
- নির্বাচিত
- অনুভূতি
- আলাদা
- সেবা
- সেবা
- সেশন
- সেট
- শেয়ার
- সে
- উচিত
- প্রদর্শনী
- শো
- সিম
- অনুরূপ
- সহজ
- ক্ষুদ্রতর
- So
- সফটওয়্যার
- সফটওয়্যার উন্নয়ন
- সমাধান
- কিছু
- কেউ
- কিছু
- স্থান
- ব্যয় করা
- খরচ
- বিভক্ত করা
- টুকরা
- স্ট্যানফোর্ড
- শুরু
- শুরু
- শুরু হচ্ছে
- প্রারম্ভকালে
- স্টার্টআপ এক্সিলারেটর
- রাষ্ট্র-এর-শিল্প
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- এখনো
- স্টোরেজ
- দোকান
- কৌশল
- শৈলী
- শৈলী
- সংক্ষিপ্তসার
- সমর্থিত
- সিস্টেম
- গ্রহণ করা
- কার্য
- দল
- কারিগরী
- টেক স্টারস
- বলে
- টেমপ্লেট
- পরীক্ষা
- চেয়ে
- যে
- সার্জারির
- তাদের
- তাহাদিগকে
- তারপর
- তত্ত্বীয়
- সেখানে।
- এইগুলো
- তারা
- কিছু
- মনে
- তৃতীয় পক্ষের
- এই
- হাজার হাজার
- গোবরাট
- দ্বারা
- নিক্ষেপ
- সময়
- থেকে
- একসঙ্গে
- টুল
- টুলকিট
- শীর্ষ
- উপরের স্তর
- সমাজের সারাংশ
- মোট
- ছোঁয়া
- পথ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- স্বচ্ছতা
- সত্য
- সত্য
- চালু
- দুই
- আদর্শ
- ধরনের
- অধীনে
- বোঝা
- অনন্য
- বিশ্ববিদ্যালয়
- মিশিগান বিশ্ববিদ্যালয়ে
- আপডেট
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারী
- ব্যবহার
- মানগুলি
- বৈচিত্র্য
- বিভিন্ন
- বিক্রেতারা
- যাচাই
- খুব
- মাধ্যমে
- চেক
- ভার্চুয়াল
- দৃষ্টি
- প্রয়োজন
- ছিল
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- ছিল
- কি
- কখন
- কিনা
- যে
- উইকিপিডিয়া
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- নারী
- শব্দ
- হয়া যাই ?
- কাজ করছে
- শ্রমিকদের
- কর্মীসংখ্যার
- কাজ
- বিশ্বের
- চিন্তা
- would
- লেখা
- X
- আপনি
- আপনার
- zephyrnet
- ফ্যাস্ শব্দ
- চিড়িয়াখানা