See on ühine postitus, mille on kirjutanud AWS ja Voxel51. Voxel51 on ettevõte FiftyOne, avatud lähtekoodiga tööriistakomplekti kvaliteetsete andmekogumite ja arvutinägemismudelite loomiseks.
Jaemüügiettevõte loob mobiilirakendust, mis aitab klientidel riideid osta. Selle rakenduse loomiseks vajavad nad kvaliteetset andmestikku, mis sisaldab erinevate kategooriatega märgistatud rõivapilte. Selles postituses näitame, kuidas olemasolevat andmekogumit andmete puhastamise, eeltöötlemise ja eelmärgistamise abil nullkaadri klassifitseerimismudeliga uuesti kasutada. Viiskümmend üksja kohandades neid silte Amazon SageMaker Ground Truth.
Saate kasutada Ground Truthi ja FiftyOne'i andmete märgistamise projekti kiirendamiseks. Näitame, kuidas kahte rakendust sujuvalt koos kasutada kvaliteetsete märgistatud andmekogumite loomiseks. Meie näite kasutusjuhtumi puhul töötame koos Fashion200K andmestik, välja antud ICCV 2017.
Lahenduse ülevaade
Ground Truth on täielikult iseteenindav ja hallatav andmesilditeenus, mis annab andmeteadlastele, masinõppe (ML) inseneridele ja teadlastele võimaluse luua kvaliteetseid andmekogumeid. Viiskümmend üks by voksel51 on avatud lähtekoodiga tööriistakomplekt arvutinägemise andmekogumite kureerimiseks, visualiseerimiseks ja hindamiseks, et saaksite oma kasutusjuhtumeid kiirendades treenida ja analüüsida paremaid mudeleid.
Järgmistes jaotistes näitame, kuidas teha järgmist.
- Visualiseerige andmestik FiftyOne'is
- Puhastage andmestik FiftyOne'i filtreerimise ja kujutiste dubleerimisega
- Eelmärgistage puhastatud andmed FiftyOne'i nullkaadri klassifikatsiooniga
- Märgistage väiksem kureeritud andmekogum Ground Truthiga
- Sisestage Ground Truthi märgistatud tulemused FiftyOne'i ja vaadake märgistatud tulemusi FiftyOne'is
Kasutusjuhtumi ülevaade
Oletame, et teil on jaemüügiettevõte ja soovite luua mobiilirakenduse, et anda isikupärastatud soovitusi, mis aitavad kasutajatel otsustada, mida kanda. Teie potentsiaalsed kasutajad otsivad rakendust, mis ütleb neile, millised riideesemed nende kapis töötavad hästi. Siin näete võimalust: kui suudate tuvastada häid rõivaid, saate seda kasutada uute rõivaesemete soovitamiseks, mis täiendavad kliendil juba olemasolevaid riideid.
Soovite teha asjad lõppkasutaja jaoks võimalikult lihtsaks. Ideaalis peab keegi teie rakendust kasutama ainult oma garderoobis olevaid riideid pildistama ja teie ML-mudelid töötavad kulisside taga oma võlu. Võite treenida üldotstarbelist mudelit või viimistleda mudelit iga kasutaja ainulaadse stiili järgi, kasutades tagasisidet.
Kõigepealt peate siiski kindlaks tegema, millist tüüpi riideid kasutaja pildistab. Kas see on särk? Püksid? Või midagi muud? Lõppude lõpuks ei taha te tõenäoliselt soovitada riietust, millel on mitu kleiti või mitu mütsi.
Selle esialgse väljakutse lahendamiseks soovite luua koolitusandmestiku, mis koosneb mitmesuguste mustrite ja stiilidega rõivaesemete piltidest. Piiratud eelarvega prototüübi loomiseks soovite alglaadimiseks kasutada olemasolevat andmekogumit.
Selle postituse protsessi illustreerimiseks ja läbiviimiseks kasutame Fashion200K andmestikku, mis avaldati ICCV 2017. See on väljakujunenud ja hästi tsiteeritud andmestik, kuid see ei sobi teie kasutusjuhtumiks otseselt.
Kuigi rõivaesemed on märgistatud kategooriatega (ja alamkategooriatega) ja sisaldavad mitmesuguseid kasulikke silte, mis on välja võetud algsetest tootekirjeldustest, ei märgita andmeid süstemaatiliselt mustri või stiili teabega. Teie eesmärk on muuta see olemasolev andmestik teie rõivaste klassifitseerimismudelite jaoks tugevaks treeningandmeteks. Peate andmed puhastama, täiendades märgistusskeemi stiilisiltidega. Ja soovite seda teha kiiresti ja võimalikult väikeste kulutustega.
Laadige andmed alla kohapeal
Esmalt laadige alla ZIP-fail women.tar ja siltide kaust (koos kõigi selle alamkaustadega), järgides jaotises esitatud juhiseid. Fashion200K andmestiku GitHubi hoidla. Kui olete need mõlemad lahti pakkinud, looge ülemkataloog fashion200k ning teisaldage sildid ja naiste kaustad sellesse. Õnneks on need pildid juba kärbitud objektituvastuse piirdekastideni, nii et saame keskenduda klassifitseerimisele, mitte muretseda objekti tuvastamise pärast.
Vaatamata tähises olevale "200K"-le sisaldab meie ekstraktitud naistekataloog 338,339 200 pilti. Ametliku Fashion300,000K andmestiku loomiseks roomasid andmestiku autorid veebis üle XNUMX XNUMX toote ja ainult need tooted, mille kirjeldused sisaldavad rohkem kui neli sõna, langesid läbi. Kui tootekirjeldus pole oluline, saame kasutada kõiki roomatud pilte.
Vaatame, kuidas need andmed on korraldatud: naiste kaustas on pildid järjestatud tipptaseme artiklitüüpide (seelikud, topid, püksid, jakid ja kleidid) ja artiklitüübi alamkategooria (pluusid, t-särgid, pikkade varrukatega) järgi pealsed).
Alamkategooriate kataloogides on iga tooteloendi jaoks alamkataloog. Igaüks neist sisaldab muutuvat arvu pilte. Näiteks alamkategooria cropped_pants sisaldab järgmisi tooteloendeid ja seotud pilte.
Siltide kaust sisaldab tekstifaili iga ülataseme artiklitüübi jaoks nii koolituse kui ka testjaotuse jaoks. Igas neis tekstifailis on iga pildi jaoks eraldi rida, mis määrab suhtelise failitee, hinde ja tootekirjelduse sildid.
Kuna me muudame andmekogumit, ühendame kõik rongi- ja testpildid. Kasutame neid kvaliteetse rakendusepõhise andmestiku loomiseks. Pärast selle protsessi lõpuleviimist saame saadud andmestiku juhuslikult jagada uuteks rongi- ja testijaotusteks.
Sisestage, vaadake ja kureerige andmestikku FiftyOne'is
Kui te pole seda veel teinud, installige avatud lähtekoodiga FiftyOne, kasutades pip:
Parim tava on teha seda uues virtuaalses (venv või conda) keskkonnas. Seejärel importige vastavad moodulid. Importige baasteek fiftyone, FiftyOne Brain, millel on sisseehitatud ML-meetodid, FiftyOne Zoo, kust laadime mudeli, mis genereerib meie jaoks nullkaadri silte, ja ViewField, mis võimaldab meil tõhusalt filtreerida andmed meie andmekogumis:
Samuti soovite importida glob- ja os Pythoni mooduleid, mis aitavad meil töötada kataloogi sisu teede ja mustrite sobitamisega:
Nüüd oleme valmis andmestiku FiftyOne'i laadima. Esiteks loome andmestiku nimega fashion200k ja muudame selle püsivaks, mis võimaldab meil salvestada arvutusmahukate toimingute tulemused, seega peame need kogused arvutama vaid ühe korra.
Nüüd saame itereerida läbi kõik alamkategooria kataloogid, lisades kõik tootekataloogides olevad pildid. Lisame igale proovile FiftyOne'i klassifikatsioonisildi välja nimega article_type, mis täidetakse pildi kõrgeima taseme artiklikategooriaga. Samuti lisame märgenditena nii kategooria kui ka alamkategooria teabe:
Sel hetkel saame visualiseerida oma andmestikku rakenduses FiftyOne, käivitades seansi:
Samuti saame käivitades Pythonis andmestiku kokkuvõtte välja printida print(dataset)
:
Saame lisada ka silte labels
meie andmestiku proovide kataloog:
Andmeid vaadates saavad selgeks mõned asjad:
- Mõned pildid on üsna teralised ja madala eraldusvõimega. See on tõenäoline, kuna need pildid loodi esialgsete kujutiste kärpimisel objekti tuvastamise piirdekastides.
- Mõnda riiet kannab inimene, osa aga pildistatakse ise. Need detailid on kapseldatud
viewpoint
vara. - Paljud sama toote kujutised on väga sarnased, nii et vähemalt esialgu ei pruugi toote kohta rohkem kui ühe pildi lisamine palju ennustamisjõudu lisada. Enamasti iga toote esimene pilt (lõpeb numbriga
_0.jpeg
) on kõige puhtam.
Esialgu võiksime oma riietumisstiili klassifikatsiooni mudelit treenida nende piltide kontrollitud alamhulga jaoks. Selleks kasutame oma toodetest kõrge eraldusvõimega pilte ja piirdume ühe esindusliku näidisega toote kohta.
Esiteks filtreerime välja madala eraldusvõimega pildid. Me kasutame compute_metadata()
meetod pildi laiuse ja kõrguse arvutamiseks ja salvestamiseks pikslites iga andmestiku pildi jaoks. Seejärel kasutame FiftyOne'i ViewField
piltide filtreerimiseks minimaalse lubatud laiuse ja kõrguse väärtuste alusel. Vaadake järgmist koodi:
Sellel kõrge eraldusvõimega alamhulgal on veidi alla 200,000 XNUMX proovi.
Sellest vaatest saame luua oma andmekogumisse uue vaate, mis sisaldab iga toote kohta ainult ühte tüüpilist näidist (maksimaalselt). Me kasutame ViewField
taaskord mustrite sobitamine failiteedele, mis lõpevad tähega _0.jpeg
:
Vaatame selle alamhulga piltide juhuslikult segatud järjestust:
Eemaldage andmestikust üleliigsed pildid
See vaade sisaldab 66,297 19 pilti ehk veidi üle XNUMX% algsest andmekogumist. Vaadet vaadates näeme aga, et väga sarnaseid tooteid on palju. Kõigi nende koopiate säilitamine suurendab tõenäoliselt ainult meie märgistamise ja mudelikoolituse kulusid, ilma et see parandaks oluliselt jõudlust. Selle asemel vabaneme peaaegu duplikaatidest, et luua väiksem andmestik, mis sisaldab endiselt sama löögi.
Kuna need pildid ei ole täpsed duplikaadid, ei saa me pikslitevahelist võrdsust kontrollida. Õnneks saame andmestiku puhastamiseks kasutada FiftyOne Braini. Eelkõige arvutame iga pildi jaoks välja manustamise – pilti esindava madalama mõõtmega vektori – ja seejärel otsime pilte, mille manustamisvektorid on üksteise lähedal. Mida lähemal on vektorid, seda sarnasemad on pildid.
Kasutame CLIP-mudelit, et luua iga pildi jaoks 512-mõõtmeline manustamisvektorid ja salvestada need manustused meie andmestiku näidiste väljade manustesse:
Seejärel arvutame manustuste vahelise läheduse, kasutades koosinuse sarnasus, ja kinnitada, et mis tahes kaks vektorit, mille sarnasus on suurem kui mõni lävi, on tõenäoliselt duplikaatide lähedal. Koosinussarnasuse skoorid jäävad vahemikku [0, 1] ja andmeid vaadates näib läviväärtus thresh=0.5 olevat õige. Jällegi, see ei pea olema täiuslik. Mõned peaaegu dubleerivad pildid ei riku tõenäoliselt meie ennustamisvõimet ja mõne mitteduplikaatpildi äraviskamine ei mõjuta oluliselt mudeli jõudlust.
Saame vaadata väidetavaid duplikaate, et kontrollida, kas need on tõepoolest üleliigsed:
Kui oleme tulemusega rahul ja usume, et need kujutised on tõepoolest peaaegu duplikaadid, saame valida igast sarnaste proovide komplektist ühe proovi, mida säilitada, ja ignoreerida teisi.
Nüüd on sellel vaatel 3,729 pilti. Andmete puhastamisega ja Fashion200K andmestiku kvaliteetse alamhulga tuvastamisega võimaldab FiftyOne piirata meie fookuse üle 300,000 4,000 pildilt veidi alla 98 pildile, mis tähendab 90% vähenemist. Ainuüksi manustamiste kasutamine peaaegu dubleerivate piltide eemaldamiseks vähendas meie vaatlusaluste piltide koguarvu enam kui XNUMX% võrra, mõjutades vähe või üldse mitte ühtegi mudelit, mida nende andmete põhjal koolitatakse.
Enne selle alamhulga eelmärgistamist saame andmeid paremini mõista, visualiseerides juba arvutatud manuseid. Saame kasutada FiftyOne Braini sisseehitatud compute_visualization(
) meetod, mis kasutab ühtse kollektori lähenduse (UMAP) tehnikat, et projitseerida 512-mõõtmelised manustamisvektorid kahemõõtmelisse ruumi, et saaksime neid visualiseerida:
Avame uue Manustuste paneel rakenduses FiftyOne ja värvimine artikli tüübi järgi ning näeme, et need manused kodeerivad umbkaudu artikli tüübi mõistet (muu hulgas!).
Nüüd oleme valmis need andmed eelsildistama.
Neid ülimalt ainulaadseid kõrge eraldusvõimega pilte kontrollides saame luua korraliku algse stiilide loendi, mida kasutada klassidena meie märgistamise eelses nullkaadri klassifikatsioonis. Meie eesmärk nende piltide eelmärgistamisel ei ole tingimata igale pildile õigesti sildistada. Pigem on meie eesmärk pakkuda inimannotaatoritele hea lähtepunkt, et saaksime lühendada märgistamise aega ja kulusid.
Seejärel saame selle rakenduse jaoks luua nullkaadri klassifitseerimismudeli. Kasutame CLIP-mudelit, mis on üldotstarbeline mudel, mis on koolitatud nii piltide kui ka loomuliku keele järgi. Eksperimenteerime CLIP-mudeli tekstiviiaga „Clothing in the style”, nii et kujutist arvestades väljastab mudel klassi, mille jaoks „Clothing in the style [class]” sobib kõige paremini. CLIP ei ole koolitatud jaemüügi- ega moespetsiifiliste andmete alal, seega pole see täiuslik, kuid see võib säästa sildistamise ja märkuste tegemise kulusid.
Seejärel rakendame selle mudeli oma vähendatud alamhulgale ja salvestame tulemused an article_style
väli:
Rakenduse FiftyOne taas käivitamisel saame visualiseerida pilte nende ennustatud stiilisiltidega. Sorteerime ennustuste usaldusväärsuse alusel, nii et vaatame kõigepealt kõige kindlamad stiiliennustused:
Näeme, et kõige usaldusväärsemad ennustused näivad olevat "jersey", "loomprint", "polka dot" ja "kiri" stiilide puhul. See on mõistlik, kuna need stiilid on suhteliselt erinevad. Samuti tundub, et ennustatud stiilisildid on enamasti täpsed.
Võime vaadata ka madalaima usaldusega stiili ennustusi:
Mõnede nende piltide jaoks on esitatud loendis sobiv stiilikategooria ja rõivaese on valesti märgistatud. Näiteks ruudustiku esimene pilt peaks selgelt olema "kamuflaaž", mitte "sevron". Muudel juhtudel aga ei mahu tooted ilusti stiilikategooriatesse. Näiteks teise rea teisel pildil olev kleit ei ole täpselt "triibuline", kuid samade märgistamisvõimaluste korral võis ka inimannotaator olla vastuolus. Andmestiku koostamisel peame otsustama, kas eemaldada sellised servajuhtumid, lisada uusi stiilikategooriaid või täiendada andmestikku.
Eksportige FiftyOne'ist lõplik andmestik
Eksportige lõplik andmestik järgmise koodiga:
Saame kausta eksportida väiksema andmestiku, näiteks 16 pilti 200kFashionDatasetExportResult-16Images
. Loome selle abil Ground Truthi reguleerimistöö:
Laadige üles muudetud andmestik, teisendage sildivorming Ground Truthiks, laadige üles Amazon S3-sse ja looge kohandamistöö jaoks manifesti fail
Saame teisendada andmestiku sildid vastavaks väljundi manifesti skeem Ground Truthi piirdekasti tööst ja laadige pildid üles Amazoni lihtne salvestusteenus (Amazon S3) kopp käivitamiseks a Ground Truthi reguleerimise töö:
Laadige manifesti fail Amazon S3-sse üles järgmise koodiga:
Looge Ground Truthiga parandatud stiiliga silte
Andmetele laadisiltide lisamiseks Ground Truthi abil tehke piirdekasti sildistamise töö alustamiseks vajalikud toimingud, järgides juhendis kirjeldatud protseduuri. Ground Truthiga alustamine juhend koos andmestikuga samas S3 ämbris.
- Looge SageMakeri konsoolis Ground Truthi märgistustöö.
- Määrake Sisestage andmestiku asukoht olema manifest, mille lõime eelmistes etappides.
- Määrake S3 tee Väljundandmestiku asukoht.
- eest IAM-i roll, vali Sisestage kohandatud IAM-i roll RNA, seejärel sisestage roll ARN.
- eest Ülesande kategooria, vali pilt ja valige Ümbritsev kast.
- Vali järgmine.
- aasta Töötajad jaotises valige tööjõu tüüp, mida soovite kasutada.
Tööjõu saate valida läbi Amazon Mehaaniline Türk, kolmandatest osapooltest müüjad või teie isiklik tööjõud. Tööjõuvalikute kohta lisateabe saamiseks vt Looge ja hallake tööjõudu. - Laiendama Olemasolevate siltide kuvamisvalikud ja valige Soovin kuvada selle töö jaoks olemasolevaid silte andmestikust.
- eest Sildi atribuut nimi, valige manifestist nimi, mis vastab siltidele, mida soovite kohandamiseks kuvada.
Sildi atribuutide nimesid näete ainult nende siltide puhul, mis vastavad eelmistes sammudes valitud ülesande tüübile. - Sisestage sildid käsitsi Piirdekarbi märgistamise tööriist.
Sildid peavad sisaldama samu silte, mida kasutatakse avalikus andmekogumis. Saate lisada uusi silte. Järgmine ekraanipilt näitab, kuidas saate valida töötajaid ja konfigureerida tööriista oma märgistamistöö jaoks. - Vali Eelvaade pildi ja originaalmärkuste eelvaateks.
Oleme nüüd Ground Truthis loonud sildistamise töökoha. Kui meie töö on lõpetatud, saame laadida äsja loodud märgistatud andmed FiftyOne'i. Ground Truth toodab väljundandmeid Ground Truthi väljundmanifestis. Väljundi manifesti faili kohta lisateabe saamiseks vt Piirdekasti töö väljund. Järgmine kood näitab selle väljundi manifesti vormingu näidet:
Vaadake üle märgistatud tulemused Ground Truthist rakenduses FiftyOne
Pärast töö lõpetamist laadige Amazon S3-st alla märgistustöö väljundmanifest.
Lugege väljundi manifesti faili:
Looge FiftyOne'i andmestik ja teisendage manifesti read andmestiku näidisteks:
Nüüd näete rakenduses FiftyOne Ground Truthi kvaliteetseid märgistatud andmeid.
Järeldus
Selles postituses näitasime, kuidas luua kvaliteetseid andmekogumeid, ühendades nende võimsuse Viiskümmend üks by voksel51, avatud lähtekoodiga tööriistakomplekt, mis võimaldab teil hallata, jälgida, visualiseerida ja kureerida oma andmekogumit, ja Ground Truth, andmesilditeenus, mis võimaldab tõhusalt ja täpselt märgistada ML-süsteemide koolitamiseks vajalikke andmekogumeid, pakkudes juurdepääsu mitmele ehitatud - ülesandemallides ja juurdepääs mitmekesisele tööjõule Mechanical Turki, kolmandate osapoolte tarnijate või teie isikliku tööjõu kaudu.
Soovitame teil seda uut funktsiooni proovida, installides FiftyOne'i eksemplari ja kasutades alustamiseks konsooli Ground Truth. Ground Truthi kohta lisateabe saamiseks vaadake Sildi andmed, Amazon SageMakeri andmete märgistamise KKKJa AWS-i masinõppe ajaveeb.
Ühendage Masinõppe ja AI kogukond kui teil on küsimusi või tagasisidet!
Liituge kogukonnaga FiftyOne!
Liituge tuhandete inseneride ja andmeteadlastega, kes juba kasutavad FiftyOne'i, et lahendada tänapäeval arvutinägemise kõige keerulisemaid probleeme!
Autoritest
Shalendra Chhabra on praegu Amazon SageMaker Human-in-the-Loop (HIL) teenuste tootehalduse juht. Varem inkubeeris ja juhtis Shalendra Microsoft Teamsi koosolekute keele- ja vestlusluuret, oli Amazon Alexa Techstars Startup Acceleratori EIR, toote- ja turunduse asepresident Discuss.io, Clipboardi toote- ja turundusjuht (ostis Salesforce) ja Swype'i juhtiv tootejuht (ostis Nuance). Kokku on Shalendra aidanud ehitada, tarnida ja turustada tooteid, mis on puudutanud enam kui miljardit elu.
Jacob Marks on masinõppeinsener ja arendaja evangelist ettevõttes Voxel51, kus ta aitab tuua maailma andmetesse läbipaistvust ja selgust. Enne Voxel51-ga liitumist asutas Jacob idufirma, et aidata tärkavatel muusikutel fännidega suhelda ja loomingulist sisu jagada. Enne seda töötas ta ettevõtetes Google X, Samsung Research ja Wolfram Research. Eelmises elus oli Jacob teoreetiline füüsik, lõpetades doktorikraadi Stanfordis, kus ta uuris aine kvantfaase. Vabal ajal meeldib Jacobile ronida, joosta ja lugeda ulmeromaane.
Jason Corso on Voxel51 kaasasutaja ja tegevjuht, kus ta juhib strateegiat, mis aitab kaasa maailma andmetele läbipaistvuse ja selguse toomiseks kaasaegse paindliku tarkvara abil. Ta on ka Michigani ülikooli robootika, elektrotehnika ja arvutiteaduse professor, kus ta keskendub tipptasemel probleemidele arvutinägemise, loomuliku keele ja füüsiliste platvormide ristumiskohas. Vabal ajal veedab Jason meelsasti perega aega, loeb, looduses viibib, mängib lauamänge ja tegeleb igasuguste loominguliste tegevustega.
Brian Moore on Voxel51 kaasasutaja ja CTO, kus ta juhib tehnilist strateegiat ja visiooni. Tal on Michigani ülikoolis doktorikraad elektrotehnika alal, kus tema uurimistöö keskendus tõhusatele algoritmidele suuremahuliste masinõppeprobleemide lahendamiseks, pöörates erilist tähelepanu arvuti nägemise rakendustele. Vabal ajal naudib ta sulgpalli, golfi, matkamist ja mängib oma kaksikute Yorkshire terjeritega.
Zhuling Bai on Amazon Web Services tarkvaraarenduse insener. Ta töötab suuremahuliste hajutatud süsteemide väljatöötamisega, et lahendada masinõppeprobleeme.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Ostke ja müüge IPO-eelsete ettevõtete aktsiaid koos PREIPO®-ga. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/create-high-quality-datasets-with-amazon-sagemaker-ground-truth-and-fiftyone/
- :on
- :on
- :mitte
- : kus
- $ UP
- 000
- 1
- 10
- 11
- 110
- 13
- 14
- 20
- 200
- 2017
- 23
- 24
- 250
- 28
- 30
- 500
- 66
- 7
- 8
- 9
- a
- MEIST
- kiirendama
- kiirendades
- kiirendi
- juurdepääs
- täpne
- täpselt
- omandatud
- tegevus
- lisama
- lisades
- aadress
- Kohandatud
- Korrigeerimine
- pärast
- jälle
- AI
- Alexa
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- üksi
- juba
- Ka
- Amazon
- amazon alexa
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Amazon Web Services
- vahel
- an
- analüüsima
- ja
- loom
- mistahes
- app
- taotlus
- rakendused
- kehtima
- asjakohane
- OLEME
- korraldatud
- artikkel
- kaubad
- AS
- seotud
- At
- autorid
- ära
- AWS
- baas
- põhineb
- BE
- sest
- muutuma
- olnud
- enne
- taga
- kaamerate taga
- on
- Uskuma
- BEST
- Parem
- vahel
- Miljard
- juhatus
- Lauamängud
- KOND
- Bootstrap
- mõlemad
- Kast
- karbid
- Aju
- Murdma
- tooma
- tõi kaasa
- eelarve
- ehitama
- Ehitus
- sisseehitatud
- kuid
- ostma
- by
- CAN
- Püüdmine
- juhul
- juhtudel
- kategooriad
- Kategooria
- tegevjuht
- väljakutse
- raske
- kontrollima
- Vali
- selgus
- klass
- klassid
- klassifikatsioon
- puhastamine
- selge
- selgelt
- klient
- Ronimine
- lähedal
- lähemale
- riideid
- Riided
- Asutaja
- kood
- ühendama
- kombineerimine
- ettevõte
- Täiendus
- täitma
- lõpetamist
- Arvutama
- arvuti
- Arvutiteadus
- Arvuti visioon
- Arvutinägemise rakendused
- usaldus
- kindel
- Võta meiega ühendust
- tasu
- Koosneb
- konsool
- sisaldab
- sisu
- sisu
- kontrollitud
- jutukas
- muutma
- koopiad
- tuum
- Parandatud
- vastab
- Maksma
- kulud
- looma
- loodud
- Loominguline
- volikiri
- CTO
- kureeritud
- curating
- Praegu
- tava
- klient
- Kliendid
- lõigatud
- viimase peal
- andmed
- andmekogumid
- otsustama
- näitama
- Denim
- sügavus
- kirjeldus
- detailid
- Detection
- arendaja
- arenev
- & Tarkvaraarendus
- erinev
- otse
- kataloogid
- Ekraan
- eristatav
- jagatud
- hajutatud süsteemid
- mitu
- do
- Ei tee
- koer
- teeme
- tehtud
- Ära
- DOT
- alla
- lae alla
- duplikaadid
- e
- iga
- lihtne
- serv
- mõju
- tõhus
- tõhusalt
- Elektrotehnika
- kinnistamine
- smirgel
- rõhk
- töötab
- annab volitusi
- kapseldatud
- julgustama
- lõpp
- insener
- Inseneriteadus
- Inseneride
- sisene
- keskkond
- võrdsus
- oluline
- asutatud
- Eeter (ETH)
- hindamine
- Evangelist
- täpselt
- näide
- olemasolevate
- eksport
- õiglaselt
- pere
- fännid
- tagasiside
- vähe
- Ilukirjandus
- väli
- Valdkonnad
- fail
- Faile
- filtreerida
- filtreerimine
- lõplik
- esimene
- sobima
- paindlik
- Keskenduma
- keskendunud
- keskendub
- Järel
- eest
- vorm
- formaat
- Õnneks
- Rajatud
- neli
- tasuta
- Alates
- täielikult
- funktsionaalsus
- Mängud
- Üldine otstarve
- tekitama
- loodud
- saama
- GitHub
- Andma
- antud
- eesmärk
- golf
- hea
- suurem
- võre
- Maa
- Grupp
- suunata
- õnnelik
- Olema
- he
- juhataja
- kõrgus
- aitama
- aitas
- kasulik
- aitab
- siin
- kvaliteetne
- kõrgresolutsiooniga
- kõrgeim
- kõrgelt
- matkamine
- tema
- omab
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- inim-
- i
- IAM
- ID
- identifitseerima
- identifitseerimiseks
- IDd
- if
- pilt
- pildid
- mõju
- import
- Paranemist
- in
- Teistes
- Kaasa arvatud
- valesti
- inkubeeritud
- info
- esialgne
- esialgu
- paigaldama
- paigaldamine
- Näiteks
- selle asemel
- juhised
- Intelligentsus
- ristmik
- sisse
- IT
- ITS
- Jersey
- töö
- liitumine
- ühine
- Json
- lihtsalt
- hoidma
- pidamine
- silt
- märgistamine
- Labels
- keel
- suuremahuline
- algatama
- käivitamine
- viima
- Leads
- Õppida
- õppimine
- kõige vähem
- Led
- lahkus
- Lets
- Raamatukogu
- elu
- nagu
- Tõenäoliselt
- LIMIT
- piiratud
- joon
- liinid
- nimekiri
- loetelu
- Näita
- vähe
- Elab
- koormus
- Vaata
- otsin
- Partii
- Madal
- masin
- masinõpe
- tehtud
- maagiline
- tegema
- TEEB
- juhtima
- juhitud
- juhtimine
- juht
- palju
- kaart
- Turg
- Turundus
- Vastama
- sobitamine
- materiaalselt
- küsimus
- mai..
- mehaaniline
- Meedia
- kohtumised
- Meta
- Metaandmed
- meetod
- meetodid
- Michigan
- Microsoft
- microsoft meeskonnad
- võib
- miinimum
- ML
- mobiilne
- mobiilirakenduse
- mudel
- mudelid
- Moodulid
- rohkem
- kõige
- liikuma
- palju
- mitmekordne
- muusikud
- peab
- nimi
- Nimega
- nimed
- Natural
- Loomulik keel
- loodus
- Lähedal
- tingimata
- vajalik
- Vajadus
- vajadustele
- Uus
- märgatavalt
- Mõiste
- nüüd
- Nuance
- number
- objekt
- Objekti tuvastamine
- esemeid
- of
- ametlik
- on
- kunagi
- ONE
- Internetis
- ainult
- avatud
- avatud lähtekoodiga
- Operations
- Võimalus
- Valikud
- or
- Korraldatud
- originaal
- OS
- Muu
- teised
- meie
- välja
- välja toodud
- väljund
- üle
- enda
- omab
- Pakendis
- paaristatud
- osa
- eriline
- minevik
- tee
- Muster
- mustrid
- täiuslik
- jõudlus
- inimene
- Isikliku
- Aine faasid
- füüsiline
- valima
- Pildid
- TASUTA
- tavaline
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- Punkt
- asustatud
- võimalik
- post
- võim
- tava
- ennustada
- ennustus
- Ennustused
- Eelvaade
- eelmine
- varem
- trükk
- Eelnev
- era-
- tõenäoliselt
- probleeme
- protsess
- Toode
- tootehaldus
- tootejuht
- Toodet
- Õpetaja
- projekt
- kinnisvara
- prospektiivne
- prototüüp
- anda
- tingimusel
- pakkudes
- avalik
- punch
- eesmärkidel
- Python
- Kvant
- Küsimused
- kiiresti
- valik
- pigem
- Lugemine
- valmis
- soovitama
- soovitused
- vähendama
- Lühendatud
- vähendamine
- suhteliselt
- vabastatud
- asjakohane
- kõrvaldama
- esindaja
- esindavad
- nõutav
- teadustöö
- Teadlased
- resolutsioon
- piirata
- kaasa
- tulemuseks
- Tulemused
- jaemüük
- tagasipöördumine
- läbi
- Rid
- robootika
- jõuline
- Roll
- ligikaudu
- ROW
- häving
- jooksmine
- salveitegija
- Ütlesin
- müügijõud
- sama
- Samsung
- Säästa
- stseenide
- teadus
- Ulme
- teadlased
- skoor
- sujuvalt
- Teine
- Osa
- lõigud
- vaata
- tundub
- tundub
- väljavalitud
- tunne
- eri
- teenus
- Teenused
- istung
- komplekt
- Jaga
- ta
- peaks
- näitama
- Näitused
- JAH
- sarnane
- lihtne
- väiksem
- So
- tarkvara
- tarkvaraarenduse
- LAHENDAGE
- mõned
- Keegi
- midagi
- Ruum
- kulutama
- Kulutused
- jagada
- Poolitab
- Stanford
- algus
- alustatud
- Käivitus
- käivitamisel
- käivituskiirendi
- modernne
- Sammud
- Veel
- ladustamine
- salvestada
- Strateegia
- stiil
- stiilid
- KOKKUVÕTE
- Toetatud
- süsteemid
- Võtma
- Ülesanne
- meeskonnad
- Tehniline
- TechStaarid
- ütleb
- malle
- test
- kui
- et
- .
- oma
- Neile
- SIIS
- teoreetiline
- Seal.
- Need
- nad
- asjad
- mõtlema
- kolmanda osapoole
- see
- tuhandeid
- künnis
- Läbi
- Viskamine
- aeg
- et
- kokku
- tööriist
- Käsiraamat
- ülemine
- tipptasemel
- tops
- Summa
- puudutatud
- jälgida
- Rong
- koolitatud
- koolitus
- Muutma
- läbipaistvus
- tõsi
- Tõde
- Pöörake
- kaks
- tüüp
- liigid
- all
- mõistma
- ainulaadne
- Ülikool
- University of Michigan
- Värskendused
- us
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutaja
- Kasutajad
- kasutamine
- Väärtused
- sort
- eri
- müüjad
- kontrollima
- väga
- kaudu
- vaade
- virtuaalne
- nägemus
- tahan
- oli
- we
- web
- veebiteenused
- Hästi
- olid
- M
- millal
- kas
- mis
- Wikipedia
- will
- koos
- jooksul
- ilma
- Naised
- sõnad
- Töö
- töötas
- töötajate
- Tööjõud
- töötab
- maailma
- muretsema
- oleks
- kirjutama
- X
- sa
- Sinu
- sephyrnet
- Tõmblukk
- ZOO