Exemples
Street View Insights peut vous aider à analyser les ensembles de données d'images à l'aide de Vertex AI Colab Enterprise. Les exemples suivants illustrent différentes fonctionnalités.
Configuration de l'environnement
Cet atelier est conçu pour être exécuté dans Vertex AI Colab Enterprise. Suivez les instructions ci-dessous pour importer les notebooks du tutoriel dans votre environnement :
- Importer un notebook : dans Colab Enterprise, sélectionnez Fichier > Importer un notebook, puis choisissez l'option "Par URI".
- Copier et coller : copiez l'URI d'importation fourni dans chaque fiche de module ci-dessous et collez-le dans la boîte de dialogue d'importation.
- Renommer le fichier (recommandé) : pour éviter les conflits, envisagez de renommer le fichier notebook importé, par exemple en ajoutant votre nom d'utilisateur au début du nom de fichier (par exemple,
{USERNAME}_filename.ipynb).
Modules de base
Ces modules couvrent les workflows de base pour commencer à utiliser Street View Insights.
1. Comprendre votre ensemble de données
Notebook d'introduction pour explorer et visualiser la structure de l'ensemble de données d'imagerie et les métadonnées associées. URI d'importation :
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
2. Analyse des poteaux électriques
Workflows d'analyse de base pour identifier et catégoriser les poteaux électriques en fonction de leurs caractéristiques visuelles. URI d'importation :
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
3. Classer les panneaux routiers
Classer les panneaux de signalisation routière trouvés dans les images, comme les panneaux Stop, Cédez le passage et Limitation de vitesse. URI d'importation :
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb
Modules avancés
Ces modules couvrent des analyses et des techniques plus complexes, y compris des fonctionnalités optimisées par l'IA telles que l'apprentissage à partir de quelques exemples et l'exécution de code.
4. Détection d'objets avec l'apprentissage few-shot
Détectez des objets dans des images en entraînant un modèle sur quelques exemples seulement. Cette méthode est idéale pour identifier des objets rares ou personnalisés.
Voir : Exemples few-shot
URI d'importation :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. Détection des pièces jointes
Détection des cadres de délimitation (bbox) pour divers accessoires de poteaux, tels que les transformateurs, les traverses et les isolateurs.
Voir : Détection de cadres de délimitation
URI d'importation :https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
6. Détection de l'angle d'inclinaison
Analyse avancée pour calculer l'angle d'inclinaison des poteaux à partir d'images, ce qui permet d'évaluer leur stabilité.
Voir : Exécution de code
URI d'importation :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. Mesure de la hauteur des poteaux électriques
Mesurez la hauteur des poteaux électriques à partir d'images à l'aide de la détection d'objets et de l'analyse géométrique.
Voir : Structurer les requêtes
URI d'importation :https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
8. Métriques d'évaluation
Évaluez les performances du modèle et les résultats de l'analyse à l'aide de métriques de vision par ordinateur conformes aux normes du secteur.
Voir : Configurer le modèle Judge
URI d'importation :https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
9. Analyse de la qualité des images
Évaluez la qualité des images en fonction de facteurs tels que le flou et l'éclairage pour vous assurer qu'elles conviennent aux tâches de vision par ordinateur.
Voir : Exécution de code
URI d'importation :https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Image_quality_analysis/Image_quality_analysis.ipynb