ตัวอย่าง

ข้อมูลเชิงลึกของ Street View ช่วยให้คุณวิเคราะห์ชุดข้อมูลรูปภาพโดยใช้ Vertex AI Colab Enterprise ได้ ตัวอย่างต่อไปนี้แสดงความสามารถต่างๆ

การตั้งค่าสภาพแวดล้อม

เวิร์กช็อปนี้ออกแบบมาเพื่อเรียกใช้ใน Vertex AI Colab Enterprise ทำตามวิธีการด้านล่างเพื่อนำเข้า Notebook บทแนะนำไปยังสภาพแวดล้อมของคุณ
  1. นำเข้า Notebook: ใน Colab Enterprise ให้เลือกไฟล์ > นำเข้า Notebook แล้วเลือกตัวเลือก "ตาม URI"
  2. คัดลอกและวาง: คัดลอก URI ของการนำเข้าที่ระบุในการ์ดโมดูลแต่ละใบด้านล่าง แล้ววางลงในกล่องโต้ตอบการนำเข้า
  3. เปลี่ยนชื่อไฟล์ (แนะนำ): หากต้องการหลีกเลี่ยงความขัดแย้ง ให้ลองเปลี่ยนชื่อไฟล์ Notebook ที่นำเข้า เช่น โดยการต่อท้ายชื่อผู้ใช้ที่จุดเริ่มต้นของชื่อไฟล์ (เช่น {USERNAME}_filename.ipynb)

โมดูลพื้นฐาน

โมดูลเหล่านี้ครอบคลุมเวิร์กโฟลว์พื้นฐานสำหรับการเริ่มต้นใช้งานข้อมูลเชิงลึกของ Street View
Notebook เบื้องต้นเพื่อสำรวจและแสดงโครงสร้างชุดข้อมูลภาพถ่ายและข้อมูลเมตาที่เกี่ยวข้อง URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
ดูใน GitHub
เวิร์กโฟลว์การวิเคราะห์หลักสำหรับการระบุและจัดหมวดหมู่เสาไฟฟ้าตามลักษณะภาพ URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
ดูใน GitHub
จัดประเภทป้ายจราจรที่พบในภาพ เช่น ป้ายหยุด ป้ายให้ทาง และป้ายจำกัดความเร็ว URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb
ดูใน GitHub

โมดูลขั้นสูง

โมดูลเหล่านี้ครอบคลุมการวิเคราะห์และเทคนิคที่ซับซ้อนมากขึ้น รวมถึงฟีเจอร์ที่ทำงานด้วยระบบ AI เช่น การเรียนรู้แบบ Few-Shot และการดำเนินการโค้ด
ตรวจจับออบเจ็กต์ในรูปภาพโดยการฝึกโมเดลจากตัวอย่างเพียงไม่กี่รายการ ซึ่งเหมาะสำหรับการระบุออบเจ็กต์ที่หายากหรือกำหนดเอง

ดู ตัวอย่าง Few-Shot

URI การนำเข้า: 
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
ดูใน GitHub
การตรวจจับกรอบล้อมรอบ (bbox) สำหรับสิ่งที่ติดอยู่กับเสาต่างๆ เช่น หม้อแปลง คานขวาง และฉนวน

ดู การตรวจจับกรอบล้อมรอบ

URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
ดูใน GitHub
การวิเคราะห์ขั้นสูงเพื่อคำนวณมุมเอียงของเสาจากภาพ ซึ่งสามารถใช้ประเมินความมั่นคงของเสาได้

ดู การรันโค้ด

URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Lean_angle_detection_of_pole/Utility_pole_lean_angle_detection.ipynb
ดูใน GitHub
วัดความสูงของเสาไฟฟ้าจากภาพโดยใช้การตรวจจับออบเจ็กต์และการวิเคราะห์ทางเรขาคณิต

ดู พรอมต์ที่มีโครงสร้าง

URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
ดูใน GitHub
ประเมินประสิทธิภาพของโมเดลและผลการวิเคราะห์โดยใช้เมตริกคอมพิวเตอร์วิทัศน์มาตรฐานอุตสาหกรรม

ดู กำหนดค่าโมเดลผู้ตัดสิน

URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
ดูใน GitHub
ประเมินคุณภาพของรูปภาพโดยอิงตามปัจจัยต่างๆ เช่น ความเบลอและแสง เพื่อให้มั่นใจว่ารูปภาพเหมาะสมกับงานคอมพิวเตอร์วิทัศน์

ดู การรันโค้ด

URI การนำเข้า: 
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Image_quality_analysis/Image_quality_analysis.ipynb
ดูใน GitHub