یہ AWS اور Voxel51 کی مشترکہ تحریر ہے۔ Voxel51 FiftyOne کے پیچھے ایک کمپنی ہے، جو اعلیٰ معیار کے ڈیٹا سیٹس اور کمپیوٹر ویژن ماڈلز بنانے کے لیے اوپن سورس ٹول کٹ ہے۔
ایک خوردہ کمپنی صارفین کو کپڑے خریدنے میں مدد کرنے کے لیے ایک موبائل ایپ بنا رہی ہے۔ اس ایپ کو بنانے کے لیے، انہیں ایک اعلیٰ معیار کے ڈیٹاسیٹ کی ضرورت ہے جس میں لباس کی تصاویر ہوں، جس پر مختلف زمروں کا لیبل لگا ہو۔ اس پوسٹ میں، ہم دکھاتے ہیں کہ ڈیٹا کی صفائی، پری پروسیسنگ، اور پہلے سے لیبلنگ کے ذریعے زیرو شاٹ کلاسیفکیشن ماڈل کے ذریعے موجودہ ڈیٹاسیٹ کو کیسے دوبارہ استعمال کیا جائے۔ اکیاون، اور ان لیبلز کو اس کے ساتھ ایڈجسٹ کرنا ایمیزون سیج میکر گراؤنڈ ٹروتھ.
آپ اپنے ڈیٹا لیبلنگ پروجیکٹ کو تیز کرنے کے لیے گراؤنڈ ٹروتھ اور ففٹی ون کا استعمال کر سکتے ہیں۔ ہم واضح کرتے ہیں کہ اعلیٰ معیار کے لیبل والے ڈیٹاسیٹس بنانے کے لیے دونوں ایپلیکیشنز کو ایک ساتھ استعمال کرنے کا طریقہ۔ ہمارے مثال کے طور پر استعمال کے معاملے کے لیے، ہم اس کے ساتھ کام کرتے ہیں۔ فیشن200K ڈیٹاسیٹ، ICCV 2017 میں جاری کیا گیا۔
حل جائزہ
گراؤنڈ ٹروتھ ایک مکمل طور پر خود خدمت اور منظم ڈیٹا لیبلنگ سروس ہے جو ڈیٹا سائنسدانوں، مشین لرننگ (ML) انجینئرز، اور محققین کو اعلیٰ معیار کے ڈیٹا سیٹس بنانے کے لیے بااختیار بناتی ہے۔ اکیاون by ووکسیل 51 کمپیوٹر ویژن ڈیٹاسیٹس کو کیورٹنگ، ویژولائز کرنے اور جانچنے کے لیے ایک اوپن سورس ٹول کٹ ہے تاکہ آپ اپنے استعمال کے کیسز کو تیز کر کے بہتر ماڈلز کی تربیت اور تجزیہ کر سکیں۔
مندرجہ ذیل حصوں میں، ہم دکھاتے ہیں کہ درج ذیل کام کیسے کریں:
- FiftyOne میں ڈیٹا سیٹ کا تصور کریں۔
- FiftyOne میں فلٹرنگ اور امیج ڈیڈپلیکیشن کے ساتھ ڈیٹاسیٹ کو صاف کریں۔
- ففٹی ون میں زیرو شاٹ کی درجہ بندی کے ساتھ صاف کیے گئے ڈیٹا کو پہلے سے لیبل کریں۔
- گراؤنڈ ٹروتھ کے ساتھ چھوٹے کیوریٹڈ ڈیٹاسیٹ کو لیبل کریں۔
- گراؤنڈ ٹروتھ سے لیبل والے نتائج کو ففٹی ون میں داخل کریں اور ففٹی ون میں لیبل لگے نتائج کا جائزہ لیں
کیس کا جائزہ استعمال کریں۔
فرض کریں کہ آپ ایک ریٹیل کمپنی کے مالک ہیں اور صارفین کو یہ فیصلہ کرنے میں مدد کرنے کے لیے ذاتی نوعیت کی سفارشات دینے کے لیے ایک موبائل ایپلیکیشن بنانا چاہتے ہیں کہ کیا پہننا ہے۔ آپ کے ممکنہ صارفین ایک ایسی ایپلی کیشن کی تلاش کر رہے ہیں جو انہیں بتائے کہ ان کی الماری میں کون سے لباس کے سامان ایک ساتھ کام کرتے ہیں۔ آپ کو یہاں ایک موقع نظر آتا ہے: اگر آپ اچھے ملبوسات کی شناخت کر سکتے ہیں، تو آپ اس کا استعمال ایسے کپڑوں کے نئے آرٹیکلز کی تجویز کرنے کے لیے کر سکتے ہیں جو ایک گاہک کے پاس پہلے سے موجود لباس کی تکمیل کرتے ہوں۔
آپ آخری صارف کے لیے چیزوں کو ہر ممکن حد تک آسان بنانا چاہتے ہیں۔ مثالی طور پر، آپ کی ایپلی کیشن استعمال کرنے والے کو صرف اپنی الماری میں کپڑوں کی تصاویر لینے کی ضرورت ہوتی ہے، اور آپ کے ML ماڈل پردے کے پیچھے اپنا جادو چلاتے ہیں۔ آپ کسی عام مقصد کے ماڈل کو تربیت دے سکتے ہیں یا فیڈ بیک کی کسی شکل کے ساتھ ہر صارف کے منفرد انداز کے مطابق ماڈل کو ٹھیک کر سکتے ہیں۔
تاہم، سب سے پہلے، آپ کو یہ شناخت کرنے کی ضرورت ہے کہ صارف کس قسم کے لباس کو پکڑ رہا ہے۔ کیا یہ قمیض ہے؟ پتلون کا ایک جوڑا؟ یا کچھ اور؟ بہر حال، آپ شاید کسی ایسے لباس کی سفارش نہیں کرنا چاہتے جس میں ایک سے زیادہ کپڑے یا ایک سے زیادہ ٹوپیاں ہوں۔
اس ابتدائی چیلنج سے نمٹنے کے لیے، آپ ایک تربیتی ڈیٹاسیٹ بنانا چاہتے ہیں جس میں مختلف نمونوں اور طرزوں کے ساتھ لباس کے مختلف مضامین کی تصاویر شامل ہوں۔ ایک محدود بجٹ کے ساتھ پروٹو ٹائپ کرنے کے لیے، آپ موجودہ ڈیٹاسیٹ کا استعمال کرتے ہوئے بوٹسٹریپ کرنا چاہتے ہیں۔
اس پوسٹ میں عمل کی وضاحت کرنے اور آپ کو بتانے کے لیے، ہم ICCV 200 میں جاری کردہ Fashion2017K ڈیٹاسیٹ کا استعمال کرتے ہیں۔ یہ ایک قائم شدہ اور اچھی طرح سے حوالہ دیا گیا ڈیٹاسیٹ ہے، لیکن یہ براہ راست آپ کے استعمال کے معاملے کے لیے موزوں نہیں ہے۔
اگرچہ لباس کے مضامین کو زمرہ جات (اور ذیلی زمرہ جات) کے ساتھ لیبل کیا جاتا ہے اور اس میں مختلف قسم کے مددگار ٹیگز ہوتے ہیں جو اصل پروڈکٹ کی تفصیل سے اخذ کیے جاتے ہیں، ڈیٹا کو منظم طریقے سے پیٹرن یا طرز کی معلومات کے ساتھ لیبل نہیں کیا جاتا ہے۔ آپ کا مقصد اس موجودہ ڈیٹاسیٹ کو اپنے لباس کی درجہ بندی کے ماڈلز کے لیے ایک مضبوط تربیتی ڈیٹاسیٹ میں تبدیل کرنا ہے۔ آپ کو ڈیٹا کو صاف کرنے کی ضرورت ہے، اسٹائل لیبلز کے ساتھ لیبلنگ اسکیما کو بڑھانا۔ اور آپ اتنی جلدی اور کم خرچ کے ساتھ کرنا چاہتے ہیں۔
مقامی طور پر ڈیٹا ڈاؤن لوڈ کریں۔
سب سے پہلے women.tar زپ فائل اور لیبل فولڈر کو ڈاؤن لوڈ کریں (اس کے تمام ذیلی فولڈرز کے ساتھ) Fashion200K ڈیٹاسیٹ GitHub ذخیرہ. ان دونوں کو ان زپ کرنے کے بعد، ایک پیرنٹ ڈائرکٹری fashion200k بنائیں، اور لیبلز اور خواتین کے فولڈرز کو اس میں منتقل کریں۔ خوش قسمتی سے، ان تصاویر کو پہلے ہی آبجیکٹ کا پتہ لگانے والے باؤنڈنگ بکس میں کاٹا جا چکا ہے، لہذا ہم آبجیکٹ کی کھوج کے بارے میں فکر کرنے کی بجائے درجہ بندی پر توجہ مرکوز کر سکتے ہیں۔
اس کے مانیکر میں "200K" کے باوجود، ہم نے جو خواتین کی ڈائرکٹری نکالی ہے اس میں 338,339 تصاویر ہیں۔ آفیشل Fashion200K ڈیٹاسیٹ بنانے کے لیے، ڈیٹاسیٹ کے مصنفین نے 300,000 سے زیادہ پروڈکٹس کو آن لائن کرال کیا، اور صرف چار الفاظ سے زیادہ پر مشتمل تفصیل والی مصنوعات نے کٹ بنایا۔ ہمارے مقاصد کے لیے، جہاں پروڈکٹ کی تفصیل ضروری نہیں ہے، ہم کرال کی گئی تمام تصاویر استعمال کر سکتے ہیں۔
آئیے دیکھتے ہیں کہ اس ڈیٹا کو کس طرح منظم کیا گیا ہے: خواتین کے فولڈر میں، تصاویر کو اعلی درجے کے مضمون کی قسم (اسکرٹس، ٹاپس، پتلون، جیکٹس، اور کپڑے)، اور مضمون کی قسم کے ذیلی زمرہ (بلاؤز، ٹی شرٹ، لمبی بازو) کے ذریعے ترتیب دیا جاتا ہے۔ سب سے اوپر)۔
ذیلی زمرہ ڈائریکٹریز کے اندر، ہر پروڈکٹ کی فہرست کے لیے ایک ذیلی ڈائرکٹری ہوتی ہے۔ ان میں سے ہر ایک تصویروں کی متغیر تعداد پر مشتمل ہے۔ کراپڈ_پینٹس ذیلی زمرہ، مثال کے طور پر، درج ذیل پروڈکٹ کی فہرستیں اور متعلقہ تصاویر پر مشتمل ہے۔
لیبلز کے فولڈر میں ہر اعلیٰ سطحی مضمون کی قسم کے لیے ایک ٹیکسٹ فائل ہوتی ہے، ٹرین اور ٹیسٹ اسپلٹس دونوں کے لیے۔ ان ٹیکسٹ فائلوں میں سے ہر ایک کے اندر ہر تصویر کے لیے ایک الگ لائن ہوتی ہے، جس میں پروڈکٹ کی تفصیل سے متعلقہ فائل پاتھ، اسکور، اور ٹیگز کی وضاحت ہوتی ہے۔
چونکہ ہم ڈیٹاسیٹ کو دوبارہ تیار کر رہے ہیں، اس لیے ہم تمام ٹرین اور ٹیسٹ امیجز کو یکجا کرتے ہیں۔ ہم ان کا استعمال ایک اعلیٰ معیار کی ایپلیکیشن مخصوص ڈیٹاسیٹ بنانے کے لیے کرتے ہیں۔ اس عمل کو مکمل کرنے کے بعد، ہم تصادفی طور پر نتیجے میں آنے والے ڈیٹاسیٹ کو نئی ٹرین اور ٹیسٹ اسپلٹس میں تقسیم کر سکتے ہیں۔
FiftyOne میں ڈیٹاسیٹ کو انجیکشن، دیکھیں اور کیوریٹ کریں۔
اگر آپ نے پہلے ہی ایسا نہیں کیا ہے تو پائپ کا استعمال کرتے ہوئے اوپن سورس ففٹی ون انسٹال کریں:
ایک بہترین عمل یہ ہے کہ ایسا ایک نئے ورچوئل (venv یا conda) ماحول میں کیا جائے۔ پھر متعلقہ ماڈیولز درآمد کریں۔ بیس لائبریری، ففٹیون، ففٹی ون برین، جس میں بلٹ ان ایم ایل طریقے ہیں، ففٹی ون زو، درآمد کریں جہاں سے ہم ایک ایسا ماڈل لوڈ کریں گے جو ہمارے لیے زیرو شاٹ لیبل بنائے گا، اور ویو فیلڈ، جو ہمیں مؤثر طریقے سے فلٹر کرنے دیتا ہے۔ ہمارے ڈیٹاسیٹ میں ڈیٹا:
آپ glob اور os Python ماڈیول بھی درآمد کرنا چاہتے ہیں، جو ہمیں ڈائرکٹری کے مواد پر راستوں اور پیٹرن میچ کے ساتھ کام کرنے میں مدد کرے گا:
اب ہم ڈیٹا سیٹ کو FiftyOne میں لوڈ کرنے کے لیے تیار ہیں۔ سب سے پہلے، ہم fashion200k کے نام سے ایک ڈیٹا سیٹ بناتے ہیں اور اسے مستقل بناتے ہیں، جو ہمیں کمپیوٹیشنل طور پر گہرے آپریشنز کے نتائج کو محفوظ کرنے کی اجازت دیتا ہے، اس لیے ہمیں صرف ایک بار کہی گئی مقداروں کی گنتی کرنے کی ضرورت ہے۔
اب ہم تمام ذیلی زمرہ ڈائریکٹریز کے ذریعے اعادہ کر سکتے ہیں، پروڈکٹ ڈائریکٹریز کے اندر تمام تصاویر شامل کر سکتے ہیں۔ ہم ہر نمونے پر ایک FiftyOne درجہ بندی کا لیبل شامل کرتے ہیں جس کا نام مضمون_type ہے، جو تصویر کے اعلیٰ درجے کے مضمون کے زمرے کے مطابق ہوتا ہے۔ ہم زمرہ اور ذیلی زمرہ دونوں معلومات کو بطور ٹیگ شامل کرتے ہیں:
اس مقام پر، ہم ایک سیشن شروع کر کے FiftyOne ایپ میں اپنے ڈیٹاسیٹ کا تصور کر سکتے ہیں:
ہم چل کر Python میں ڈیٹا سیٹ کا خلاصہ بھی پرنٹ کر سکتے ہیں۔ print(dataset)
:
ہم سے ٹیگ بھی شامل کر سکتے ہیں۔ labels
ہمارے ڈیٹاسیٹ میں نمونوں کی ڈائرکٹری:
اعداد و شمار کو دیکھ کر، چند چیزیں واضح ہو جاتی ہیں:
- کچھ تصاویر کم ریزولوشن کے ساتھ کافی دانے دار ہیں۔ اس کا امکان ہے کیونکہ یہ تصاویر آبجیکٹ کا پتہ لگانے والے باؤنڈنگ بکس میں ابتدائی تصاویر کو تراش کر تیار کی گئی تھیں۔
- کچھ کپڑے ایک شخص کے ذریعہ پہنا جاتا ہے، اور کچھ ان کی اپنی طرف سے تصویر کی جاتی ہے. یہ تفصیلات کی طرف سے encapsulated ہیں
viewpoint
جائیداد. - ایک ہی پروڈکٹ کی بہت سی تصاویر بہت ملتی جلتی ہیں، اس لیے کم از کم ابتدائی طور پر، فی پروڈکٹ ایک سے زیادہ تصویروں کو شامل کرنے سے زیادہ پیشن گوئی کی طاقت شامل نہیں ہو سکتی۔ زیادہ تر حصے کے لیے، ہر پروڈکٹ کی پہلی تصویر (میں ختم ہوتی ہے۔
_0.jpeg
) سب سے صاف ہے۔
ابتدائی طور پر، ہم اپنے لباس کے انداز کی درجہ بندی کے ماڈل کو ان تصاویر کے کنٹرول شدہ ذیلی سیٹ پر تربیت دینا چاہتے ہیں۔ اس مقصد کے لیے، ہم اپنی مصنوعات کی ہائی ریزولوشن تصاویر استعمال کرتے ہیں، اور اپنے نقطہ نظر کو فی پروڈکٹ ایک نمائندہ نمونے تک محدود کرتے ہیں۔
سب سے پہلے، ہم کم ریزولوشن والی تصاویر کو فلٹر کرتے ہیں۔ ہم استعمال کرتے ہیں compute_metadata()
ڈیٹاسیٹ میں ہر تصویر کے لیے پکسلز میں تصویر کی چوڑائی اور اونچائی کی گنتی اور ذخیرہ کرنے کا طریقہ۔ پھر ہم ففٹی ون کو ملازمت دیتے ہیں۔ ViewField
کم از کم اجازت شدہ چوڑائی اور اونچائی کی قدروں کی بنیاد پر تصاویر کو فلٹر کرنے کے لیے۔ درج ذیل کوڈ دیکھیں:
اس ہائی ریزولوشن سب سیٹ میں صرف 200,000 سے کم نمونے ہیں۔
اس نقطہ نظر سے، ہم اپنے ڈیٹاسیٹ میں ہر پروڈکٹ کے لیے صرف ایک نمائندہ نمونہ (زیادہ سے زیادہ) پر مشتمل ایک نیا منظر بنا سکتے ہیں۔ ہم استعمال کرتے ہیں ViewField
ایک بار پھر، فائل پاتھ کے لیے پیٹرن میچنگ جو ختم ہو جاتی ہے۔ _0.jpeg
:
آئیے اس ذیلی سیٹ میں تصویروں کی تصادفی طور پر تبدیل شدہ ترتیب دیکھیں:
ڈیٹاسیٹ میں بے کار تصاویر کو ہٹا دیں۔
اس منظر میں 66,297 تصاویر ہیں، یا اصل ڈیٹاسیٹ کا 19% سے زیادہ۔ جب ہم نقطہ نظر کو دیکھتے ہیں، تاہم، ہم دیکھتے ہیں کہ بہت سے بہت سے ملتے جلتے مصنوعات ہیں. ان تمام کاپیوں کو رکھنے سے کارکردگی کو نمایاں طور پر بہتر کیے بغیر، ہماری لیبلنگ اور ماڈل ٹریننگ کی لاگت میں اضافہ ہو گا۔ اس کے بجائے، آئیے ایک چھوٹا ڈیٹاسیٹ بنانے کے لیے قریبی ڈپلیکیٹس سے چھٹکارا حاصل کریں جو اب بھی وہی پنچ پیک کرتا ہے۔
چونکہ یہ تصاویر قطعی نقل نہیں ہیں، اس لیے ہم پکسل کے حساب سے مساوات کی جانچ نہیں کر سکتے۔ خوش قسمتی سے، ہم اپنے ڈیٹا سیٹ کو صاف کرنے میں مدد کے لیے FiftyOne برین کا استعمال کر سکتے ہیں۔ خاص طور پر، ہم ہر امیج کے لیے ایمبیڈنگ کا حساب لگائیں گے—ایک نچلی جہتی ویکٹر جو امیج کی نمائندگی کرتا ہے—اور پھر ایسی تصاویر تلاش کریں گے جن کے ایمبیڈنگ ویکٹر ایک دوسرے کے قریب ہوں۔ ویکٹر جتنے قریب ہوں گے، تصاویر اتنی ہی ملتی جلتی ہوں گی۔
ہم ہر تصویر کے لیے 512 جہتی ایمبیڈنگ ویکٹر بنانے کے لیے CLIP ماڈل کا استعمال کرتے ہیں، اور ان ایمبیڈنگز کو اپنے ڈیٹاسیٹ میں موجود نمونوں پر فیلڈ ایمبیڈنگز میں اسٹور کرتے ہیں:
پھر ہم استعمال کرتے ہوئے سرایت کرنے کے درمیان قربت کا حساب لگاتے ہیں۔ کوزائن مماثلت، اور اس بات پر زور دیتے ہیں کہ کوئی بھی دو ویکٹر جن کی مماثلت کچھ حد سے زیادہ ہے ان کے نقل کے قریب ہونے کا امکان ہے۔ کوزائن مماثلت کے اسکور رینج [0, 1] میں ہوتے ہیں، اور ڈیٹا کو دیکھ کر، thresh=0.5 کا حد کا سکور تقریباً درست معلوم ہوتا ہے۔ ایک بار پھر، یہ کامل ہونے کی ضرورت نہیں ہے۔ کچھ قریب کی نقل والی تصاویر ہماری پیشین گوئی کی طاقت کو برباد کرنے کا امکان نہیں رکھتی ہیں، اور چند غیر نقلی تصاویر کو پھینک دینے سے ماڈل کی کارکردگی کو مادی طور پر متاثر نہیں ہوتا ہے۔
ہم مطلوبہ ڈپلیکیٹس کو دیکھ کر تصدیق کر سکتے ہیں کہ وہ واقعی بے کار ہیں:
جب ہم نتیجہ سے خوش ہوں اور یقین کریں کہ یہ تصاویر واقعی نقل کے قریب ہیں، تو ہم اسی طرح کے نمونوں کے ہر سیٹ سے ایک نمونہ منتخب کر سکتے ہیں اور باقیوں کو نظر انداز کر سکتے ہیں:
اب اس منظر میں 3,729 تصاویر ہیں۔ ڈیٹا کو صاف کرکے اور Fashion200K ڈیٹاسیٹ کے ایک اعلیٰ معیار کے ذیلی سیٹ کی نشاندہی کرکے، FiftyOne ہمیں 300,000 سے زیادہ تصاویر سے صرف 4,000 سے کم تک اپنی توجہ کو محدود کرنے دیتا ہے، جو کہ 98% کی کمی کو ظاہر کرتا ہے۔ صرف قریب کی نقل والی تصاویر کو ہٹانے کے لیے ایمبیڈنگز کا استعمال کرنے سے ہماری تصویروں کی کل تعداد میں 90% سے زیادہ کمی آئی ہے، اس ڈیٹا پر تربیت یافتہ کسی بھی ماڈل پر اگر کوئی اثر پڑے تو بہت کم۔
اس ذیلی سیٹ کو پہلے سے لیبل لگانے سے پہلے، ہم ان ایمبیڈنگس کو دیکھ کر ڈیٹا کو بہتر طور پر سمجھ سکتے ہیں جو ہم نے پہلے ہی شمار کیے ہیں۔ ہم ففٹی ون برین کا بلٹ ان استعمال کر سکتے ہیں۔ compute_visualization(
) طریقہ، جو 512 جہتی سرایت کرنے والے ویکٹر کو دو جہتی جگہ میں پیش کرنے کے لیے یونیفارم مینی فولڈ اپروکسیمیشن (UMAP) تکنیک کو استعمال کرتا ہے تاکہ ہم ان کا تصور کر سکیں:
ہم ایک نیا کھولتے ہیں۔ ایمبیڈنگز پینل FiftyOne ایپ میں اور آرٹیکل کی قسم کے لحاظ سے رنگ کاری، اور ہم دیکھ سکتے ہیں کہ یہ ایمبیڈنگز آرٹیکل کی قسم کے تصور کو تقریباً انکوڈ کرتی ہیں (دوسری چیزوں کے ساتھ!)
اب ہم اس ڈیٹا کو پری لیبل کرنے کے لیے تیار ہیں۔
ان انتہائی منفرد، ہائی ریزولیوشن امیجز کا معائنہ کرتے ہوئے، ہم اپنی پری لیبلنگ زیرو شاٹ کی درجہ بندی میں کلاسز کے طور پر استعمال کرنے کے لیے اسٹائلز کی ایک معقول ابتدائی فہرست تیار کر سکتے ہیں۔ ان تصاویر کو پہلے سے لیبل لگانے میں ہمارا مقصد یہ نہیں ہے کہ ضروری طور پر ہر تصویر کو درست طریقے سے لیبل کیا جائے۔ بلکہ، ہمارا مقصد انسانی تشریح کرنے والوں کے لیے ایک اچھا نقطہ آغاز فراہم کرنا ہے تاکہ ہم لیبل لگانے کے وقت اور لاگت کو کم کر سکیں۔
اس کے بعد ہم اس ایپلیکیشن کے لیے زیرو شاٹ کی درجہ بندی کا ماڈل بنا سکتے ہیں۔ ہم ایک CLIP ماڈل استعمال کرتے ہیں، جو کہ تصاویر اور قدرتی زبان دونوں پر تربیت یافتہ ایک عمومی مقصد کا ماڈل ہے۔ ہم CLIP ماڈل کو "سٹائل میں لباس" کے ٹیکسٹ پرامپٹ کے ساتھ انسٹینٹیٹ کرتے ہیں، تاکہ ایک تصویر کو دیکھتے ہوئے، ماڈل اس کلاس کو آؤٹ پٹ کرے گا جس کے لیے "اسٹائل میں لباس [کلاس]" بہترین فٹ ہے۔ CLIP خوردہ یا فیشن کے مخصوص ڈیٹا پر تربیت یافتہ نہیں ہے، لہذا یہ کامل نہیں ہوگا، لیکن یہ آپ کو لیبلنگ اور تشریح کے اخراجات میں بچا سکتا ہے۔
پھر ہم اس ماڈل کو اپنے کم کردہ سب سیٹ پر لاگو کرتے ہیں اور نتائج کو ایک میں محفوظ کرتے ہیں۔ article_style
فیلڈ:
FiftyOne ایپ کو ایک بار پھر لانچ کرتے ہوئے، ہم ان پیشین گوئی شدہ طرز کے لیبلز کے ساتھ تصاویر کا تصور کر سکتے ہیں۔ ہم پیشین گوئی کے اعتماد کے مطابق ترتیب دیتے ہیں اس لیے ہم سب سے پر اعتماد انداز کی پیشین گوئیاں پہلے دیکھتے ہیں:
ہم دیکھ سکتے ہیں کہ سب سے زیادہ اعتماد کی پیشین گوئیاں "جرسی"، "جانوروں کے پرنٹ"، "پولکا ڈاٹ" اور "حروف والے" طرزوں کے لیے لگتی ہیں۔ یہ سمجھ میں آتا ہے، کیونکہ یہ انداز نسبتاً الگ ہیں۔ ایسا بھی لگتا ہے کہ، زیادہ تر حصے کے لیے، پیش گوئی شدہ طرز کے لیبل درست ہیں۔
ہم کم ترین اعتماد والی طرز کی پیشین گوئیوں کو بھی دیکھ سکتے ہیں:
ان تصاویر میں سے کچھ کے لیے، مناسب طرز کا زمرہ فراہم کردہ فہرست میں ہے، اور لباس کے مضمون پر غلط لیبل لگا ہوا ہے۔ گرڈ میں پہلی تصویر، مثال کے طور پر، واضح طور پر "کیموفلاج" ہونی چاہیے نہ کہ "شیورون"۔ دوسری صورتوں میں، تاہم، مصنوعات سٹائل کے زمرے میں صاف طور پر فٹ نہیں ہوتی ہیں۔ دوسری قطار میں دوسری تصویر میں لباس، مثال کے طور پر، بالکل "دھاری دار" نہیں ہے، لیکن اسی لیبلنگ کے اختیارات کو دیکھتے ہوئے، ایک انسانی تشریح کرنے والا بھی متضاد ہو سکتا ہے۔ جیسا کہ ہم اپنا ڈیٹاسیٹ تیار کرتے ہیں، ہمیں یہ فیصلہ کرنے کی ضرورت ہے کہ آیا اس طرح کے ایج کیسز کو ہٹانا ہے، نئی طرز کے زمرے شامل کرنا ہیں، یا ڈیٹاسیٹ کو بڑھانا ہے۔
FiftyOne سے حتمی ڈیٹاسیٹ برآمد کریں۔
درج ذیل کوڈ کے ساتھ حتمی ڈیٹاسیٹ برآمد کریں:
ہم ایک چھوٹا ڈیٹا سیٹ، مثال کے طور پر، 16 امیجز، فولڈر میں ایکسپورٹ کر سکتے ہیں۔ 200kFashionDatasetExportResult-16Images
. ہم اسے استعمال کرتے ہوئے گراؤنڈ ٹروتھ ایڈجسٹمنٹ جاب بناتے ہیں:
نظر ثانی شدہ ڈیٹاسیٹ اپ لوڈ کریں، لیبل فارمیٹ کو گراؤنڈ ٹروتھ میں تبدیل کریں، Amazon S3 پر اپ لوڈ کریں، اور ایڈجسٹمنٹ جاب کے لیے ایک مینی فیسٹ فائل بنائیں۔
ہم ڈیٹاسیٹ میں لیبلز کو مماثل کرنے کے لیے تبدیل کر سکتے ہیں۔ آؤٹ پٹ مینی فیسٹ اسکیما گراؤنڈ ٹروتھ باؤنڈنگ باکس جاب کا، اور تصاویر کو ایک پر اپ لوڈ کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) ایک شروع کرنے کے لئے بالٹی گراؤنڈ ٹروتھ ایڈجسٹمنٹ کا کام:
مندرجہ ذیل کوڈ کے ساتھ مینی فیسٹ فائل کو Amazon S3 پر اپ لوڈ کریں:
گراؤنڈ ٹروتھ کے ساتھ درست اسٹائل والے لیبل بنائیں
گراؤنڈ ٹروتھ کا استعمال کرتے ہوئے اسٹائل لیبل کے ساتھ اپنے ڈیٹا کی تشریح کرنے کے لیے، باؤنڈنگ باکس لیبلنگ کا کام شروع کرنے کے لیے ضروری اقدامات کو مکمل کریں۔ زمینی سچائی کے ساتھ شروعات کرنا اسی S3 بالٹی میں ڈیٹاسیٹ کے ساتھ گائیڈ۔
- سیج میکر کنسول پر، گراؤنڈ ٹروتھ لیبلنگ جاب بنائیں۔
- مقرر ڈیٹا سیٹ کا مقام داخل کریں۔ ظاہر ہونا جو ہم نے پچھلے مراحل میں تخلیق کیا ہے۔
- کے لیے ایک S3 راستہ متعین کریں۔ آؤٹ پٹ ڈیٹاسیٹ کا مقام.
- کے لئے آئی اے ایم کا کردارمنتخب کریں اپنی مرضی کے مطابق IAM رول درج کریں۔ RNA، پھر رول ARN درج کریں۔
- کے لئے ٹاسک زمرہمنتخب کریں تصویر اور منتخب کریں باؤنڈنگ باکس.
- میں سے انتخاب کریں اگلے.
- میں ورکرز سیکشن، افرادی قوت کی وہ قسم منتخب کریں جسے آپ استعمال کرنا چاہتے ہیں۔
آپ کے ذریعے افرادی قوت کا انتخاب کر سکتے ہیں۔ ایمیزون میکانی ترک، فریق ثالث فروش، یا آپ کی اپنی نجی افرادی قوت۔ اپنے افرادی قوت کے اختیارات کے بارے میں مزید تفصیلات کے لیے، دیکھیں افرادی قوتیں بنائیں اور ان کا نظم کریں۔. - توسیع موجودہ لیبل ڈسپلے کے اختیارات اور منتخب کریں میں اس کام کے لیے ڈیٹاسیٹ سے موجودہ لیبلز ڈسپلے کرنا چاہتا ہوں۔
- کے لئے لیبل وصف نام، اپنے مینی فیسٹ سے وہ نام منتخب کریں جو ان لیبلز سے مطابقت رکھتا ہو جسے آپ ایڈجسٹمنٹ کے لیے ڈسپلے کرنا چاہتے ہیں۔
آپ کو صرف ان لیبلز کے لیے لیبل انتساب کے نام نظر آئیں گے جو پچھلے مراحل میں آپ کے منتخب کردہ ٹاسک کی قسم سے مماثل ہوں۔ - کے لیے دستی طور پر لیبل درج کریں۔ باؤنڈنگ باکس لیبلنگ ٹول.
لیبلز میں وہی لیبل شامل ہونا چاہیے جو عوامی ڈیٹاسیٹ میں استعمال ہوتے ہیں۔ آپ نئے لیبلز شامل کر سکتے ہیں۔ مندرجہ ذیل اسکرین شاٹ سے پتہ چلتا ہے کہ آپ کس طرح کارکنوں کا انتخاب کر سکتے ہیں اور اپنے لیبلنگ کام کے لیے ٹول کو کنفیگر کر سکتے ہیں۔ - میں سے انتخاب کریں پیش نظارہ تصویر اور اصل تشریحات کا پیش نظارہ کرنے کے لیے۔
ہم نے اب گراؤنڈ ٹروتھ میں لیبلنگ کا کام بنایا ہے۔ ہمارا کام مکمل ہونے کے بعد، ہم نئے تیار کردہ لیبل والے ڈیٹا کو FiftyOne میں لوڈ کر سکتے ہیں۔ گراؤنڈ ٹروتھ گراؤنڈ ٹروتھ آؤٹ پٹ مینی فیسٹ میں آؤٹ پٹ ڈیٹا تیار کرتا ہے۔ آؤٹ پٹ مینی فیسٹ فائل کے بارے میں مزید تفصیلات کے لیے، دیکھیں باؤنڈنگ باکس جاب آؤٹ پٹ. درج ذیل کوڈ اس آؤٹ پٹ مینی فیسٹ فارمیٹ کی ایک مثال دکھاتا ہے:
FiftyOne میں زمینی سچائی سے لیبل لگائے گئے نتائج کا جائزہ لیں۔
کام مکمل ہونے کے بعد، Amazon S3 سے لیبلنگ جاب کا آؤٹ پٹ مینی فیسٹ ڈاؤن لوڈ کریں۔
آؤٹ پٹ مینی فیسٹ فائل کو پڑھیں:
ایک FiftyOne ڈیٹاسیٹ بنائیں اور مینی فیسٹ لائنوں کو ڈیٹاسیٹ کے نمونوں میں تبدیل کریں:
اب آپ FiftyOne میں Ground Truth سے اعلیٰ معیار کا لیبل لگا ڈیٹا دیکھ سکتے ہیں۔
نتیجہ
اس پوسٹ میں، ہم نے دکھایا کہ کس طرح کی طاقت کو ملا کر اعلیٰ معیار کے ڈیٹا سیٹس بنائے جائیں۔ اکیاون by ووکسیل 51، ایک اوپن سورس ٹول کٹ جو آپ کو اپنے ڈیٹاسیٹ کو منظم کرنے، ٹریک کرنے، تصور کرنے اور درست کرنے کی اجازت دیتی ہے، اور گراؤنڈ ٹروتھ، ایک ڈیٹا لیبلنگ سروس جو آپ کو متعدد بلٹ تک رسائی فراہم کر کے ایم ایل سسٹمز کی تربیت کے لیے درکار ڈیٹا سیٹس کو موثر اور درست طریقے سے لیبل کرنے کی اجازت دیتی ہے۔ - ٹاسک ٹیمپلیٹس میں اور مکینیکل ترک، تھرڈ پارٹی وینڈرز، یا آپ کی اپنی ذاتی افرادی قوت کے ذریعے متنوع افرادی قوت تک رسائی۔
ہم آپ کو ففٹی ون انسٹینس انسٹال کرکے اور شروع کرنے کے لیے گراؤنڈ ٹروتھ کنسول کا استعمال کرکے اس نئی فعالیت کو آزمانے کی ترغیب دیتے ہیں۔ زمینی سچائی کے بارے میں مزید جاننے کے لیے رجوع کریں۔ لیبل ڈیٹا, ایمیزون سیج میکر ڈیٹا لیبلنگ کے عمومی سوالنامہ، اور AWS مشین لرننگ بلاگ.
کے ساتھ مربوط ہوں مشین لرننگ اور اے آئی کمیونٹی اگر آپ کے پاس کوئی سوال یا رائے ہے!
ففٹی ون کمیونٹی میں شامل ہوں!
آج کے کمپیوٹر ویژن میں چند انتہائی مشکل مسائل کو حل کرنے کے لیے پہلے سے ہی FiftyOne کا استعمال کر رہے ہزاروں انجینئرز اور ڈیٹا سائنسدانوں کے ساتھ شامل ہوں!
مصنفین کے بارے میں
شلیندر چھابڑا فی الحال ایمیزون سیج میکر ہیومن ان دی لوپ (ایچ آئی ایل) سروسز کے پروڈکٹ مینجمنٹ کے سربراہ ہیں۔ اس سے قبل، شلیندر نے مائیکروسافٹ ٹیموں کی میٹنگز کے لیے لینگویج اور کنورسیشنل انٹیلی جنس کی قیادت کی، ایمیزون الیکسا ٹیک اسٹارز اسٹارٹ اپ ایکسلریٹر میں EIR تھے، پروڈکٹ اور مارکیٹنگ کے VP Discuss.io, Clipboard پر پروڈکٹ اور مارکیٹنگ کے سربراہ (Salesforce کے ذریعے حاصل کردہ)، اور Swype میں لیڈ پروڈکٹ مینیجر (Nuance کے ذریعے حاصل کردہ)۔ مجموعی طور پر، شلیندرا نے ایک ارب سے زیادہ زندگیوں کو چھونے والی مصنوعات بنانے، بھیجنے اور مارکیٹ کرنے میں مدد کی ہے۔
جیکب مارکس Voxel51 میں ایک مشین لرننگ انجینئر اور ڈیولپر ایوینجیلسٹ ہے، جہاں وہ دنیا کے ڈیٹا میں شفافیت اور وضاحت لانے میں مدد کرتا ہے۔ Voxel51 میں شامل ہونے سے پہلے، جیکب نے ابھرتے ہوئے موسیقاروں کو مداحوں کے ساتھ منسلک کرنے اور تخلیقی مواد کا اشتراک کرنے میں مدد کرنے کے لیے ایک اسٹارٹ اپ کی بنیاد رکھی۔ اس سے پہلے وہ گوگل ایکس، سام سنگ ریسرچ اور وولفرم ریسرچ میں کام کر چکے ہیں۔ ماضی کی زندگی میں، جیکب ایک نظریاتی طبیعیات دان تھا، اس نے اسٹینفورڈ میں اپنی پی ایچ ڈی مکمل کی، جہاں اس نے مادے کے کوانٹم مراحل کی تحقیقات کی۔ اپنے فارغ وقت میں، جیکب کو چڑھنا، دوڑنا، اور سائنس فکشن ناول پڑھنا پسند ہے۔
جیسن کورسو Voxel51 کے شریک بانی اور CEO ہیں، جہاں وہ جدید ترین لچکدار سافٹ ویئر کے ذریعے دنیا کے ڈیٹا میں شفافیت اور وضاحت لانے میں مدد کے لیے حکمت عملی کو آگے بڑھاتے ہیں۔ وہ مشی گن یونیورسٹی میں روبوٹکس، الیکٹریکل انجینئرنگ، اور کمپیوٹر سائنس کے پروفیسر بھی ہیں، جہاں وہ کمپیوٹر ویژن، فزیکل لینگویج اور فزیکل پلیٹ فارمز کے سنگم پر جدید مسائل پر توجہ مرکوز کرتے ہیں۔ اپنے فارغ وقت میں، جیسن اپنے خاندان کے ساتھ وقت گزارنے، پڑھنے، فطرت میں رہنے، بورڈ گیمز کھیلنے اور ہر طرح کی تخلیقی سرگرمیوں سے لطف اندوز ہوتا ہے۔
برائن مور Voxel51 کے شریک بانی اور CTO ہیں، جہاں وہ تکنیکی حکمت عملی اور وژن کی رہنمائی کرتے ہیں۔ انہوں نے مشی گن یونیورسٹی سے الیکٹریکل انجینئرنگ میں پی ایچ ڈی کی ڈگری حاصل کی، جہاں ان کی تحقیق کمپیوٹر ویژن ایپلی کیشنز پر خاص زور کے ساتھ بڑے پیمانے پر مشین لرننگ کے مسائل کے لیے موثر الگورتھم پر مرکوز تھی۔ اپنے فارغ وقت میں، وہ بیڈمنٹن، گولف، ہائیکنگ، اور اپنے جڑواں یارکشائر ٹیریرز کے ساتھ کھیلنے سے لطف اندوز ہوتا ہے۔
زولنگ بائی ایمیزون ویب سروسز میں سافٹ ویئر ڈویلپمنٹ انجینئر ہے۔ وہ مشین لرننگ کے مسائل کو حل کرنے کے لیے بڑے پیمانے پر تقسیم شدہ نظام تیار کرنے پر کام کرتی ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
- PREIPO® کے ساتھ PRE-IPO کمپنیوں میں حصص خریدیں اور بیچیں۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/create-high-quality-datasets-with-amazon-sagemaker-ground-truth-and-fiftyone/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 000
- 1
- 10
- 11
- 110
- 13
- 14
- 20
- 200
- 2017
- 23
- 24
- 250
- 28
- 30
- 500
- 66
- 7
- 8
- 9
- a
- ہمارے بارے میں
- رفتار کو تیز تر
- تیز
- مسرع
- تک رسائی حاصل
- درست
- درست طریقے سے
- حاصل
- سرگرمیوں
- شامل کریں
- انہوں نے مزید کہا
- پتہ
- ایڈجسٹ
- ایڈجسٹمنٹ
- کے بعد
- پھر
- AI
- Alexaکی بنیاد پر IQ Option ، بائنومو سے اوپری پوزیشن پر ہے۔
- یلگوردمز
- تمام
- کی اجازت دیتا ہے
- اکیلے
- پہلے ہی
- بھی
- ایمیزون
- ایمیزون الیکسا
- ایمیزون سیج میکر
- ایمیزون سیج میکر گراؤنڈ ٹروتھ
- ایمیزون ویب سروسز
- کے درمیان
- an
- تجزیے
- اور
- جانور
- کوئی بھی
- اپلی کیشن
- درخواست
- ایپلی کیشنز
- کا اطلاق کریں
- مناسب
- کیا
- اہتمام
- مضمون
- مضامین
- AS
- منسلک
- At
- مصنفین
- دور
- AWS
- بیس
- کی بنیاد پر
- BE
- کیونکہ
- بن
- رہا
- اس سے پہلے
- پیچھے
- پردے کے پیچھے
- کیا جا رہا ہے
- یقین ہے کہ
- BEST
- بہتر
- کے درمیان
- ارب
- بورڈ
- بورڈ کھیل
- ہڈی
- بوٹسٹریپ
- دونوں
- باکس
- باکس
- دماغ
- توڑ
- لانے
- لایا
- بجٹ
- تعمیر
- عمارت
- تعمیر میں
- لیکن
- خرید
- by
- کر سکتے ہیں
- گرفتاری
- کیس
- مقدمات
- اقسام
- قسم
- سی ای او
- چیلنج
- چیلنج
- چیک کریں
- میں سے انتخاب کریں
- وضاحت
- طبقے
- کلاس
- درجہ بندی
- صفائی
- واضح
- واضح طور پر
- کلائنٹ
- چڑھنا
- کلوز
- قریب
- کپڑے
- کپڑے.
- شریک بانی
- کوڈ
- جمع
- امتزاج
- کمپنی کے
- مکمل
- مکمل
- مکمل کرنا
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر سائنس
- کمپیوٹر ویژن
- کمپیوٹر وژن ایپلی کیشنز
- آپکا اعتماد
- اعتماد
- رابطہ قائم کریں
- غور
- پر مشتمل ہے
- کنسول
- پر مشتمل ہے
- مواد
- مندرجات
- کنٹرول
- سنوادی
- تبدیل
- کاپیاں
- کور
- درست کیا
- مساوی ہے
- قیمت
- اخراجات
- تخلیق
- بنائی
- تخلیقی
- اسناد
- CTO
- cured
- curating
- اس وقت
- اپنی مرضی کے
- گاہک
- گاہکوں
- کٹ
- جدید
- اعداد و شمار
- ڈیٹاسیٹس
- فیصلہ کرنا
- مظاہرہ
- ڈینم
- گہرائی
- تفصیل
- تفصیلات
- کھوج
- ڈیولپر
- ترقی
- ترقی
- مختلف
- براہ راست
- ڈائریکٹریز
- دکھائیں
- مختلف
- تقسیم کئے
- تقسیم شدہ نظام
- متنوع
- do
- نہیں کرتا
- کتا
- کر
- کیا
- نہیں
- ڈاٹ
- نیچے
- ڈاؤن لوڈ، اتارنا
- نقل
- e
- ہر ایک
- آسان
- ایج
- اثر
- ہنر
- مؤثر طریقے سے
- برقی انجینرنگ
- سرایت کرنا
- کرنڈ
- زور
- ملازمت کرتا ہے
- بااختیار بنانا
- منسلک
- کی حوصلہ افزائی
- آخر
- انجینئر
- انجنیئرنگ
- انجینئرز
- درج
- ماحولیات
- مساوات
- ضروری
- قائم
- Ether (ETH)
- کا جائزہ لینے
- سے Evangelist
- بالکل
- مثال کے طور پر
- موجودہ
- برآمد
- کافی
- خاندان
- کے پرستار
- آراء
- چند
- افسانے
- میدان
- قطعات
- فائل
- فائلوں
- فلٹر
- فلٹرنگ
- فائنل
- پہلا
- فٹ
- لچکدار
- توجہ مرکوز
- توجہ مرکوز
- توجہ مرکوز
- کے بعد
- کے لئے
- فارم
- فارمیٹ
- خوش قسمتی سے
- قائم
- چار
- مفت
- سے
- مکمل طور پر
- فعالیت
- کھیل
- عام مقصد
- پیدا
- پیدا
- حاصل
- GitHub کے
- دے دو
- دی
- مقصد
- گالف
- اچھا
- گوگل
- زیادہ سے زیادہ
- گرڈ
- گراؤنڈ
- گروپ
- رہنمائی
- خوش
- ہے
- he
- سر
- اونچائی
- مدد
- مدد
- مدد گار
- مدد کرتا ہے
- یہاں
- اعلی معیار کی
- بهترین ریزولوشن
- سب سے زیادہ
- انتہائی
- لمبی پیدل سفر
- ان
- کی ڈگری حاصل کی
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- انسانی
- i
- IAM
- ID
- شناخت
- کی نشاندہی
- شناخت
- if
- تصویر
- تصاویر
- اثر
- درآمد
- کو بہتر بنانے کے
- in
- دیگر میں
- سمیت
- غلط طریقے سے
- انکیوبیٹڈ
- معلومات
- ابتدائی
- ابتدائی طور پر
- انسٹال
- انسٹال کرنا
- مثال کے طور پر
- کے بجائے
- ہدایات
- انٹیلی جنس
- چوراہا
- میں
- IT
- میں
- جرسی
- ایوب
- شمولیت
- مشترکہ
- JSON
- صرف
- رکھیں
- رکھتے ہوئے
- لیبل
- لیبل
- لیبل
- زبان
- بڑے پیمانے پر
- شروع
- شروع
- قیادت
- لیڈز
- جانیں
- سیکھنے
- کم سے کم
- قیادت
- چھوڑ دیا
- آو ہم
- لائبریری
- زندگی
- کی طرح
- امکان
- LIMIT
- لمیٹڈ
- لائن
- لائنوں
- لسٹ
- لسٹنگ
- لسٹنگس
- تھوڑا
- زندگی
- لوڈ
- دیکھو
- تلاش
- بہت
- لو
- مشین
- مشین لرننگ
- بنا
- ماجک
- بنا
- بناتا ہے
- انتظام
- میں کامیاب
- انتظام
- مینیجر
- بہت سے
- نقشہ
- مارکیٹ
- مارکیٹنگ
- میچ
- کے ملاپ
- مادی طور پر
- معاملہ
- مئی..
- میکانی
- میڈیا
- اجلاسوں میں
- میٹا
- میٹا ڈیٹا
- طریقہ
- طریقوں
- مشی گن
- مائیکروسافٹ
- مائیکرو سافٹ ٹیمیں
- شاید
- کم سے کم
- ML
- موبائل
- موبائل اپلی کیشن
- ماڈل
- ماڈل
- ماڈیولز
- زیادہ
- سب سے زیادہ
- منتقل
- بہت
- ایک سے زیادہ
- موسیقاروں
- ضروری
- نام
- نامزد
- نام
- قدرتی
- قدرتی زبان
- فطرت، قدرت
- قریب
- ضروری ہے
- ضروری
- ضرورت ہے
- ضروریات
- نئی
- نمایاں طور پر
- تصور
- اب
- Nuance ہم
- تعداد
- اعتراض
- آبجیکٹ کا پتہ لگانا
- اشیاء
- of
- سرکاری
- on
- ایک بار
- ایک
- آن لائن
- صرف
- کھول
- اوپن سورس
- آپریشنز
- مواقع
- آپشنز کے بھی
- or
- منظم
- اصل
- OS
- دیگر
- دیگر
- ہمارے
- باہر
- بیان کیا
- پیداوار
- پر
- خود
- مالک ہے
- پیک
- جوڑا
- حصہ
- خاص طور پر
- گزشتہ
- راستہ
- پاٹرن
- پیٹرن
- کامل
- کارکردگی
- انسان
- نجیکرت
- مادے کے مراحل
- جسمانی
- لینے
- تصاویر
- پلیز
- سادہ
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پوائنٹ
- آباد ہے
- ممکن
- پوسٹ
- طاقت
- پریکٹس
- پیش گوئی
- کی پیشن گوئی
- پیشن گوئی
- پیش نظارہ
- پچھلا
- پہلے
- پرنٹ
- پہلے
- نجی
- شاید
- مسائل
- عمل
- مصنوعات
- پروڈکٹ مینجمنٹ
- پروڈکٹ مینیجر
- حاصل
- ٹیچر
- منصوبے
- جائیداد
- ممکنہ
- پروٹوٹائپ
- فراہم
- فراہم
- فراہم کرنے
- عوامی
- کارٹون
- مقاصد
- ازگر
- کوانٹم
- سوالات
- جلدی سے
- رینج
- بلکہ
- پڑھنا
- تیار
- سفارش
- سفارشات
- کو کم
- کم
- کمی
- نسبتا
- جاری
- متعلقہ
- ہٹا
- نمائندے
- نمائندگی
- ضرورت
- تحقیق
- محققین
- قرارداد
- محدود
- نتیجہ
- نتیجے
- نتائج کی نمائش
- خوردہ
- واپسی
- کا جائزہ لینے کے
- چھٹکارا
- روبوٹکس
- مضبوط
- کردار
- تقریبا
- ROW
- برباد کر دے
- چل رہا ہے
- sagemaker
- کہا
- فروختforce
- اسی
- سیمسنگ
- محفوظ کریں
- مناظر
- سائنس
- اشتھانکلپنا
- سائنسدانوں
- سکور
- بغیر کسی رکاوٹ کے
- دوسری
- سیکشن
- سیکشنز
- دیکھنا
- لگتا ہے
- لگتا ہے
- منتخب
- احساس
- علیحدہ
- سروس
- سروسز
- اجلاس
- مقرر
- سیکنڈ اور
- وہ
- ہونا چاہئے
- دکھائیں
- شوز
- YES
- اسی طرح
- سادہ
- چھوٹے
- So
- سافٹ ویئر کی
- سوفٹ ویئر کی نشوونما
- حل
- کچھ
- کسی
- کچھ
- خلا
- خرچ
- خرچ کرنا۔
- تقسیم
- الگ ہوجاتا ہے
- اسٹینفورڈ
- شروع کریں
- شروع
- شروع
- شروع
- اسٹارٹ اپ ایکسلریٹر
- ریاستی آرٹ
- مراحل
- ابھی تک
- ذخیرہ
- ذخیرہ
- حکمت عملی
- سٹائل
- سٹائل
- خلاصہ
- تائید
- سسٹمز
- لے لو
- ٹاسک
- ٹیموں
- ٹیکنیکل
- ٹیک اسٹارز
- بتاتا ہے
- سانچے
- ٹیسٹ
- سے
- کہ
- ۔
- ان
- ان
- تو
- نظریاتی
- وہاں.
- یہ
- وہ
- چیزیں
- لگتا ہے کہ
- تیسری پارٹی
- اس
- ہزاروں
- حد
- کے ذریعے
- پھینک دو
- وقت
- کرنے کے لئے
- مل کر
- کے آلے
- ٹول کٹ
- سب سے اوپر
- اوپر کی سطح
- ٹاپس
- کل
- چھوڑا
- ٹریک
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- شفافیت
- سچ
- حقیقت
- ٹرن
- دو
- قسم
- اقسام
- کے تحت
- سمجھ
- منفرد
- یونیورسٹی
- یونیورسٹی آف مشی گن
- اپ ڈیٹ کریں
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- صارفین
- کا استعمال کرتے ہوئے
- اقدار
- مختلف اقسام کے
- مختلف
- دکانداروں
- اس بات کی تصدیق
- بہت
- کی طرف سے
- لنک
- مجازی
- نقطہ نظر
- چاہتے ہیں
- تھا
- we
- ویب
- ویب خدمات
- اچھا ہے
- تھے
- کیا
- جب
- چاہے
- جس
- وکیپیڈیا
- گے
- ساتھ
- کے اندر
- بغیر
- خواتین
- الفاظ
- کام
- کام کیا
- کارکنوں
- افرادی قوت۔
- کام کرتا ہے
- دنیا کی
- فکر
- گا
- لکھنا
- X
- آپ
- اور
- زیفیرنیٹ
- زپ
- چڑیا گھر