Mẫu
Street View Insights có thể giúp bạn phân tích các tập dữ liệu hình ảnh bằng Vertex AI Colab Enterprise. Các ví dụ sau đây minh hoạ nhiều chức năng.
Thiết lập môi trường
Hội thảo này được thiết kế để chạy trong Vertex AI Colab Enterprise. Hãy làm theo hướng dẫn bên dưới để nhập sổ tay hướng dẫn vào môi trường của bạn:
- Nhập sổ tay: Trong Colab Enterprise, hãy chọn Tệp > Nhập sổ tay rồi chọn mục "Theo URI".
- Sao chép và dán: Sao chép URI nhập có trong mỗi thẻ mô-đun bên dưới rồi dán vào hộp thoại nhập.
- Đổi tên tệp (Nên dùng): Để tránh xung đột, hãy cân nhắc đổi tên tệp sổ tay đã nhập, chẳng hạn như bằng cách thêm tên người dùng vào đầu tên tệp (ví dụ:
{USERNAME}_filename.ipynb).
Các mô-đun cơ bản
Các mô-đun này trình bày quy trình cơ bản để bắt đầu sử dụng Street View Insights.
1. Tìm hiểu về tập dữ liệu
Sổ tay giới thiệu để khám phá và trực quan hoá cấu trúc tập dữ liệu hình ảnh cũng như siêu dữ liệu liên kết. Nhập URI:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
2. Phân tích cột điện
Quy trình phân tích cốt lõi để xác định và phân loại cột điện dựa trên các đặc điểm trực quan của chúng. Nhập URI:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
3. Phân loại biển báo giao thông
Phân loại biển báo giao thông trong hình ảnh, chẳng hạn như biển báo Dừng lại, Nhường đường và Giới hạn tốc độ. Nhập URI:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb
Mô-đun nâng cao
Các mô-đun này bao gồm những kỹ thuật và hoạt động phân tích phức tạp hơn, bao gồm cả các tính năng dựa trên AI như học dựa trên một vài ví dụ và thực thi mã.
4. Phát hiện vật thể bằng phương pháp học từ một vài dữ liệu
Phát hiện các đối tượng trong hình ảnh bằng cách huấn luyện một mô hình chỉ dựa trên một vài ví dụ – phù hợp để xác định các đối tượng hiếm gặp hoặc tuỳ chỉnh. Nhập URI:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Object_detection_with_few_shot_learning/Object_detection_with_few_shot_learning.ipynb
5. Phát hiện tệp đính kèm
Phát hiện khung hình giới hạn (bbox) cho nhiều phụ kiện trên cột, chẳng hạn như máy biến áp, thanh ngang và vật cách điện.
Xem: Phát hiện khung hình chữ nhật
Nhập URI:https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
6. Phát hiện góc nghiêng
Phân tích nâng cao để tính toán góc nghiêng của các cột từ hình ảnh, có thể dùng để đánh giá độ ổn định của cột.
Xem: Thực thi mã
Nhập URI:https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Lean_angle_detection_of_pole/Utility_pole_lean_angle_detection.ipynb
7. Đo chiều cao cột điện
Đo chiều cao của cột điện từ hình ảnh bằng cách sử dụng tính năng phát hiện đối tượng và phân tích hình học.
Xem: Cấu trúc câu lệnh
Nhập URI:https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
8. Chỉ số đánh giá
Đánh giá hiệu suất mô hình và kết quả phân tích bằng các chỉ số thị giác máy tính theo tiêu chuẩn ngành.
Xem: Định cấu hình Mô hình đánh giá
Nhập URI:https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
9. Phân tích chất lượng hình ảnh
Đánh giá chất lượng hình ảnh dựa trên các yếu tố như độ mờ và ánh sáng để đảm bảo tính phù hợp cho các tác vụ thị giác máy tính.
Xem: Thực thi mã
Nhập URI:https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Image_quality_analysis/Image_quality_analysis.ipynb