示例

借助 Street View Insights，您可以使用 Vertex AI Colab Enterprise 分析图像数据集。以下示例展示了各种功能。

环境设置

本研讨会旨在通过 Vertex AI Colab Enterprise 运行。按照以下说明将教程笔记本导入您的环境中：
  1. 导入笔记本：在 Colab Enterprise 中，依次选择文件 > 导入笔记本，然后选择“按 URI”选项。
  2. 复制并粘贴：复制下方每个模块卡片中提供的导入 URI，然后将其粘贴到导入对话框中。
  3. 重命名文件（推荐）：为避免冲突，请考虑重命名导入的笔记本文件，例如在文件名的开头附加您的用户名（例如，{USERNAME}_filename.ipynb）。

基本模块

这些模块介绍了开始使用街景视图数据洞见的的基本工作流程。
用于探索和直观呈现影像数据集结构及相关元数据的入门级笔记本。导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
在 GitHub 上查看
用于根据电线杆的视觉特征识别和分类电线杆的核心分析工作流程。导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
在 GitHub 上查看
对图像中发现的交通标志（例如“停车”“让行”和“限速”标志）进行分类。导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb
在 GitHub 上查看

高级模块

这些模块涵盖了更复杂的分析和技术，包括由 AI 赋能的功能，例如少样本学习和代码执行。
只需少量示例即可训练模型来检测图片中的对象，非常适合识别稀有对象或自定义对象。

另请参阅： 少样本示例

导入 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
在 GitHub 上查看
针对各种电线杆附件（例如变压器、横担和绝缘子）的边界框 (bbox) 检测。

请参阅： 边界框检测

导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
在 GitHub 上查看
高级分析，用于根据图像计算电线杆的倾斜角度，从而评估电线杆的稳定性。

另请参阅： 代码执行

导入 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
在 GitHub 上查看
使用对象检测和几何分析技术，通过影像测量电线杆的高度。

另请参阅： 结构化提示

导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
在 GitHub 上查看
使用行业标准的计算机视觉指标评估模型性能和分析结果。

请参阅： 配置评判模型

导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
在 GitHub 上查看
根据模糊程度和光线等因素评估图片质量，确保图片适合用于计算机视觉任务。

另请参阅： 代码执行

导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Image_quality_analysis/Image_quality_analysis.ipynb
在 GitHub 上查看