Przykłady

Street View Insights może pomóc Ci analizować zbiory danych obrazów za pomocą Vertex AI Colab Enterprise. Przykłady poniżej pokazują różne możliwości.

Konfiguracja środowiska

Te warsztaty są przeznaczone do prowadzenia w Vertex AI Colab Enterprise. Aby zaimportować notatniki samouczka do środowiska, wykonaj te czynności:
  1. Importowanie notatnika: w Colab Enterprise wybierz Plik > Importuj notatnik i kliknij opcję „Według URI”.
  2. Kopiowanie i wklejanie: skopiuj identyfikator URI importu podany na każdej karcie modułu poniżej i wklej go w oknie importu.
  3. Zmień nazwę pliku (zalecane): aby uniknąć konfliktów, rozważ zmianę nazwy importowanego pliku notatnika, np.dodając na początku nazwy pliku nazwę użytkownika (np. {USERNAME}_filename.ipynb).

Moduły podstawowe

Te moduły obejmują podstawowe procesy, które pomogą Ci zacząć korzystać z informacji o Street View.
Wprowadzający notatnik do eksplorowania i wizualizowania struktury zbioru danych obrazów i powiązanych metadanych. Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
Podstawowe procesy analizy służące do identyfikowania i kategoryzowania słupów energetycznych na podstawie ich cech wizualnych. Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
klasyfikować znaki drogowe widoczne na zdjęciach, takie jak znaki „Stop”, „Ustąp pierwszeństwa” i „Ograniczenie prędkości”; Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb

Moduły zaawansowane

Te moduły obejmują bardziej złożone analizy i techniki, w tym funkcje oparte na AI, takie jak uczenie z małą liczbą przykładów i wykonywanie kodu.
Wykrywaj obiekty na obrazach, trenując model na podstawie zaledwie kilku przykładów. To idealne rozwiązanie do identyfikowania rzadkich lub niestandardowych obiektów.

Zobacz: Przykłady z niewielką liczbą próbek

Identyfikator URI importu:
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
Wykrywanie ramki ograniczającej (bbox) dla różnych elementów słupa, takich jak transformatory, poprzeczki i izolatory.

Zobacz: Wykrywanie ramki ograniczającej

Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
Zaawansowana analiza do obliczania kąta nachylenia słupów na podstawie zdjęć, która może służyć do oceny stabilności słupów.

Zobacz: Wykonywanie kodu

Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Lean_angle_detection_of_pole/Utility_pole_lean_angle_detection.ipynb
Mierzenie wysokości słupów energetycznych na podstawie zdjęć za pomocą wykrywania obiektów i analizy geometrycznej.

Zobacz: prompt strukturalny

Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
Oceniaj skuteczność modelu i wyniki analizy za pomocą standardowych wskaźników rozpoznawania obrazów.

Zobacz: Konfigurowanie modelu oceniającego

Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
Oceniaj jakość obrazu na podstawie takich czynników jak rozmycie i oświetlenie, aby upewnić się, że nadaje się on do zadań związanych z rozpoznawaniem obrazów.

Zobacz: Wykonywanie kodu

Identyfikator URI importu:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Image_quality_analysis/Image_quality_analysis.ipynb