Amostras

O Street View Insights ajuda a analisar conjuntos de dados de imagens usando o Colab Enterprise da Vertex AI. Os exemplos a seguir mostram vários recursos.

Configuração do ambiente

Este workshop foi projetado para ser executado no Vertex AI Colab Enterprise. Siga as instruções abaixo para importar os notebooks do tutorial para seu ambiente:
  1. Importar notebook:no Colab Enterprise, selecione Arquivo > Importar notebook e escolha a opção "Por URI".
  2. Copiar e colar:copie o URI de importação fornecido em cada card de módulo abaixo e cole na caixa de diálogo de importação.
  3. Renomear arquivo (recomendado): para evitar conflitos, renomeie o arquivo de notebook importado. Por exemplo, adicione seu nome de usuário ao início do nome do arquivo (por exemplo, {USERNAME}_filename.ipynb).

Módulos básicos

Esses módulos abordam os fluxos de trabalho fundamentais para começar a usar o Street View Insights.
Notebook introdutório para explorar e visualizar a estrutura do conjunto de dados de imagens e os metadados associados. URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
Fluxos de trabalho de análise principais para identificar e categorizar postes de serviços públicos com base nas características visuais deles. URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_analysis/utility_pole_basic_analysis.ipynb
Classificar placas de trânsito encontradas em imagens, como placas de pare, dê a preferência e limite de velocidade. URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/classify_road_signs/classify_road_signs.ipynb

Módulos avançados

Esses módulos abordam análises e técnicas mais complexas, incluindo recursos com tecnologia de IA, como aprendizado com poucos exemplos e execução de código.
Detecte objetos em imagens treinando um modelo com apenas alguns exemplos, o que é ideal para identificar objetos raros ou personalizados.

Consulte:Exemplos few-shot

URI de importação:
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
Detecção de caixa delimitadora (bbox) para vários acessórios de postes, como transformadores, travessas e isoladores.

Consulte:Detecção de caixa delimitadora

URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachments.ipynb
Análise avançada para calcular o ângulo de inclinação dos postes com base em imagens, que pode ser usado para avaliar a estabilidade deles.

Consulte:Execução de código

URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Lean_angle_detection_of_pole/Utility_pole_lean_angle_detection.ipynb
Meça a altura dos postes de serviços públicos com imagens usando detecção de objetos e análise geométrica.

Consulte:Estruturar comandos

URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/Utility_pole_measure_height/Utility_pole_measure_height.ipynb
Avalie o desempenho do modelo e os resultados da análise usando métricas de visão computacional padrão do setor.

Consulte:Configurar o modelo de avaliação

URI de importação:
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/notebooks/eval/eval.ipynb
Avalie a qualidade da imagem com base em fatores como desfoque e iluminação para garantir a adequação a tarefas de visão computacional.

Consulte:Execução de código

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