Đây là bài đăng được đồng viết với Bernard Paques, CTO của Storm Reply, và Karl Herkt, Nhà chiến lược cấp cao tại Dassault Systèmes 3DExcite.

Mặc dù tầm nhìn máy tính có thể rất quan trọng đối với bảo trì công nghiệp, sản xuất, hậu cần và các ứng dụng tiêu dùng, nhưng việc áp dụng nó bị hạn chế bởi việc tạo thủ công các bộ dữ liệu đào tạo. Việc tạo ra các bức tranh được dán nhãn trong bối cảnh công nghiệp chủ yếu được thực hiện thủ công, điều này tạo ra khả năng nhận dạng hạn chế, không mở rộng quy mô và dẫn đến chi phí lao động và sự chậm trễ trong việc thực hiện giá trị kinh doanh. Điều này đi ngược lại sự nhanh nhạy trong kinh doanh được cung cấp bởi sự lặp lại nhanh chóng trong thiết kế sản phẩm, kỹ thuật sản phẩm và cấu hình sản phẩm. Quá trình này không mở rộng quy mô cho các sản phẩm phức tạp như ô tô, máy bay hoặc các tòa nhà hiện đại, bởi vì trong các tình huống đó, mọi dự án dán nhãn là duy nhất (liên quan đến các sản phẩm duy nhất). Do đó, công nghệ thị giác máy tính không thể dễ dàng áp dụng cho các dự án độc đáo quy mô lớn nếu không có nỗ lực lớn trong việc chuẩn bị dữ liệu, đôi khi hạn chế việc phân phối ca sử dụng.

Trong bài đăng này, chúng tôi trình bày một cách tiếp cận mới trong đó các hệ thống thị giác máy tính chuyên biệt cao được tạo ra từ các tệp thiết kế và CAD. Chúng tôi bắt đầu với việc tạo ra các cặp song sinh kỹ thuật số chính xác về mặt thị giác và tạo ra các hình ảnh được dán nhãn tổng hợp. Sau đó, chúng tôi đẩy những hình ảnh này sang Nhãn tùy chỉnh Rekognition của Amazon để đào tạo một mô hình phát hiện đối tượng tùy chỉnh. Bằng cách sử dụng tài sản trí tuệ hiện có với phần mềm, chúng tôi đang làm cho thị giác máy tính có giá cả phải chăng và phù hợp với nhiều bối cảnh công nghiệp.

Việc tùy chỉnh các hệ thống nhận dạng giúp thúc đẩy kết quả kinh doanh

Các hệ thống thị giác máy tính chuyên dụng được tạo ra từ các cặp song sinh kỹ thuật số có những giá trị cụ thể, có thể được minh họa trong các trường hợp sử dụng sau:

• Truy xuất nguồn gốc cho các sản phẩm duy nhất - Airbus, Boeing và các nhà sản xuất máy bay khác chỉ định duy nhất Số sê-ri của nhà sản xuất (MSN) cho mọi máy bay mà họ sản xuất. Điều này được quản lý trong toàn bộ quá trình sản xuất, để tạo ra tài liệu về độ tin cậy hàng không và nhận được giấy phép để bay. MỘT sinh đôi kỹ thuật số (một mô hình 3D ảo đại diện cho một sản phẩm vật lý) có thể được lấy từ cấu hình của từng MSN và tạo ra một hệ thống thị giác máy tính phân tán theo dõi tiến trình của MSN này trong các cơ sở công nghiệp. Nhận dạng tùy chỉnh tự động hóa tính minh bạch được cấp cho các hãng hàng không và thay thế hầu hết các trạm kiểm soát do các hãng hàng không thực hiện thủ công. Đảm bảo chất lượng tự động trên các sản phẩm độc đáo có thể áp dụng cho máy bay, ô tô, tòa nhà và thậm chí cả các sản phẩm thủ công.
• Thực tế tăng cường theo ngữ cảnh - Hệ thống thị giác máy tính cấp chuyên nghiệp có thể bao quát các cảnh quan hạn chế, nhưng với khả năng phân biệt cao hơn. Ví dụ, trong bảo trì công nghiệp, việc tìm kiếm một cái tuốc nơ vít trong hình là vô ích; bạn cần xác định mô hình tuốc nơ vít hoặc thậm chí số sê-ri của nó. Trong các bối cảnh bị ràng buộc như vậy, các hệ thống nhận dạng tùy chỉnh hoạt động tốt hơn các hệ thống nhận dạng chung vì chúng phù hợp hơn trong các phát hiện của họ. Hệ thống nhận dạng tùy chỉnh cho phép các vòng phản hồi chính xác thông qua thực tế tăng cường chuyên dụng được phân phối trong HMI hoặc trong các thiết bị di động.
• Kiểm soát chất lượng từ đầu đến cuối - Với kỹ thuật hệ thống, bạn có thể tạo cặp song sinh kỹ thuật số của các cấu trúc từng phần và tạo hệ thống thị giác máy tính thích ứng với các giai đoạn khác nhau của quy trình sản xuất và chế tạo. Điều khiển trực quan có thể được kết hợp với nhau với các máy trạm sản xuất, cho phép kiểm tra đầu cuối và phát hiện sớm các khuyết tật. Nhận dạng tùy chỉnh để kiểm tra từ đầu đến cuối, ngăn ngừa hiệu quả việc xếp tầng các khuyết tật vào dây chuyền lắp ráp. Giảm tỷ lệ từ chối và tối đa hóa sản lượng sản xuất là mục tiêu cuối cùng.
• Kiểm tra chất lượng linh hoạt - Kiểm tra chất lượng hiện đại phải thích ứng với các thay đổi thiết kế và sản xuất linh hoạt. Sự thay đổi trong thiết kế đến từ các vòng phản hồi về việc sử dụng sản phẩm và bảo trì sản phẩm. Sản xuất linh hoạt là khả năng quan trọng của chiến lược thực hiện theo đơn đặt hàng và phù hợp với nguyên tắc tối ưu hóa chi phí của sản xuất tinh gọn. Bằng cách tích hợp các biến thể thiết kế và các tùy chọn cấu hình trong cặp song sinh kỹ thuật số, nhận dạng tùy chỉnh cho phép thích ứng năng động của hệ thống thị giác máy tính với kế hoạch sản xuất và các biến thể thiết kế.

Nâng cao tầm nhìn máy tính với Dassault Systèmes 3DEXCITE do Amazon Rekognition cung cấp

Trong Dassault Systèmes, một công ty có chuyên môn sâu về các cặp song sinh kỹ thuật số, đồng thời cũng là nhà biên tập phần mềm lớn thứ hai ở Châu Âu, nhóm 3DEXCITE đang khám phá một con đường khác. Theo giải thích của Karl Herkt, "Điều gì sẽ xảy ra nếu một mô hình thần kinh được đào tạo từ các hình ảnh tổng hợp có thể nhận ra một sản phẩm vật chất?" 3DEXCITE đã giải quyết vấn đề này bằng cách kết hợp công nghệ của họ với cơ sở hạ tầng AWS, chứng minh tính khả thi của cách tiếp cận đặc biệt này. Nó còn được gọi là phát hiện đối tượng miền chéo, nơi mô hình phát hiện học từ các hình ảnh được gắn nhãn từ miền nguồn (hình ảnh tổng hợp) và đưa ra các dự đoán cho miền đích không được gắn nhãn (các thành phần vật lý).

Dassault Systèmes 3DEXCITE và nhóm AWS Prototyping đã hợp tác để xây dựng một hệ thống trình diễn nhận dạng các bộ phận của hộp số công nghiệp. Nguyên mẫu này được chế tạo trong 3 tuần, và mẫu được đào tạo đạt 98% điểm F1. Mô hình nhận dạng đã được đào tạo hoàn toàn từ một đường ống phần mềm, không có bất kỳ hình ảnh nào về bộ phận thực. Từ các tệp thiết kế và CAD của hộp số công nghiệp, 3DEXCITE đã tạo ra các cặp song sinh kỹ thuật số chính xác về mặt hình ảnh. Họ cũng tạo ra hàng nghìn hình ảnh được dán nhãn tổng hợp từ các cặp song sinh kỹ thuật số. Sau đó, họ sử dụng Nhãn tùy chỉnh Rekognition để đào tạo mô hình thần kinh chuyên biệt cao từ những hình ảnh này và cung cấp một API nhận dạng liên quan. Họ đã xây dựng một trang web để cho phép nhận dạng từ bất kỳ webcam nào của một bộ phận vật lý của hộp số.

Nhận thức lại Amazon là một dịch vụ AI sử dụng công nghệ học sâu để cho phép bạn trích xuất siêu dữ liệu có ý nghĩa từ hình ảnh và video — bao gồm xác định đối tượng, người, văn bản, cảnh, hoạt động và nội dung có khả năng không phù hợp — mà không cần kiến ​​thức chuyên môn về máy học (ML). Amazon Rekognition cũng cung cấp khả năng phân tích khuôn mặt và tìm kiếm khuôn mặt có độ chính xác cao mà bạn có thể sử dụng để phát hiện, phân tích và so sánh các khuôn mặt cho nhiều loại xác minh người dùng, đếm số người và các trường hợp sử dụng an toàn. Cuối cùng, với Nhãn tùy chỉnh Rekognition, bạn có thể sử dụng dữ liệu của riêng mình để xây dựng mô hình phát hiện đối tượng và phân loại hình ảnh.

Sự kết hợp giữa công nghệ Dassault Systèmes để tạo hình ảnh được gắn nhãn tổng hợp với Nhãn tùy chỉnh Rekognition dành cho thị giác máy tính cung cấp quy trình làm việc có thể mở rộng cho các hệ thống nhận dạng. Dễ sử dụng là một yếu tố tích cực đáng kể ở đây vì việc thêm Nhãn tùy chỉnh Rekognition vào quy trình phần mềm tổng thể không khó—nó đơn giản như việc tích hợp API vào quy trình làm việc. Không cần phải là một nhà khoa học ML; chỉ cần gửi các khung đã chụp
đến AWS và nhận kết quả mà bạn có thể nhập vào cơ sở dữ liệu hoặc hiển thị trong trình duyệt web.

Điều này càng nhấn mạnh sự cải tiến đáng kể so với việc tạo tập dữ liệu đào tạo theo cách thủ công. Bạn có thể đạt được kết quả tốt hơn nhanh hơn và với độ chính xác cao hơn mà không cần tốn nhiều giờ làm việc tốn kém, không cần thiết. Với rất nhiều trường hợp sử dụng tiềm năng, sự kết hợp giữa Dassault Systèmes và Rekognition Custom Labels có khả năng cung cấp cho các doanh nghiệp ngày nay ROI đáng kể và tức thì.

Tổng quan về giải pháp

Bước đầu tiên trong giải pháp này là kết xuất các hình ảnh tạo ra tập dữ liệu đào tạo. Điều này được thực hiện bởi nền tảng 3DEXCITE. Chúng tôi có thể tạo dữ liệu ghi nhãn theo chương trình bằng cách sử dụng các tập lệnh. Sự thật về mặt đất của Amazon SageMaker cung cấp một công cụ chú thích để dễ dàng gắn nhãn hình ảnh và video cho các nhiệm vụ phân loại và phát hiện đối tượng. Để đào tạo một mô hình trong Amazon Rekognition, tệp ghi nhãn cần tuân thủ định dạng Ground Truth. Các nhãn này ở dạng JSON, bao gồm thông tin như kích thước hình ảnh, tọa độ hộp giới hạn và ID lớp.

Sau đó, tải hình ảnh tổng hợp và tệp kê khai lên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), nơi Nhãn tùy chỉnh Rekognition có thể nhập chúng dưới dạng các thành phần của tập dữ liệu đào tạo.

Để cho phép Nhãn tùy chỉnh Rekognition kiểm tra các mô hình so với một tập hợp các hình ảnh thành phần thực, chúng tôi cung cấp một tập hợp các hình ảnh về các bộ phận động cơ thực được chụp bằng máy ảnh và tải chúng lên Amazon S3 để sử dụng làm tập dữ liệu thử nghiệm.

Cuối cùng, Rekognition Custom Labels đào tạo mô hình phát hiện đối tượng tốt nhất bằng cách sử dụng bộ dữ liệu đào tạo tổng hợp và bộ dữ liệu thử nghiệm bao gồm hình ảnh của các đối tượng thực và tạo điểm cuối với mô hình mà chúng ta có thể sử dụng để chạy nhận dạng đối tượng trong ứng dụng của mình.

Sơ đồ sau minh họa quy trình giải pháp của chúng tôi:

Tạo hình ảnh tổng hợp

Các hình ảnh tổng hợp được tạo ra từ nền tảng 3Dexperience, một sản phẩm của Dassault Systèmes. Nền tảng này cho phép bạn tạo và hiển thị hình ảnh chân thực dựa trên tệp CAD (thiết kế có sự hỗ trợ của máy tính) của đối tượng. Chúng tôi có thể tạo ra hàng nghìn biến thể trong vài giờ bằng cách thay đổi cấu hình chuyển đổi hình ảnh trên nền tảng.

Trong nguyên mẫu này, chúng tôi đã chọn năm bộ phận hộp số khác biệt trực quan để phát hiện đối tượng. Chúng bao gồm vỏ bánh răng, tỷ số truyền, vỏ ổ trục, mặt bích và bánh răng sâu.

Chúng tôi đã sử dụng các phương pháp tăng dữ liệu sau để tăng tính đa dạng của hình ảnh và làm cho dữ liệu tổng hợp trở nên chân thực hơn. Nó giúp giảm sai số tổng quát hóa mô hình.

• Zoom in / out - Phương pháp này phóng to hoặc thu nhỏ đối tượng trong ảnh một cách ngẫu nhiên.
• Rotation - Phương pháp này xoay đối tượng trong hình ảnh và có vẻ như một máy ảnh ảo sẽ chụp ảnh ngẫu nhiên của đối tượng từ các góc 360 độ.
• Cải thiện giao diện của vật liệu - Chúng tôi nhận thấy rằng đối với một số bộ phận bánh răng, giao diện của vật liệu kém thực tế hơn trong kết xuất ban đầu. Chúng tôi đã thêm hiệu ứng kim loại để cải thiện hình ảnh tổng hợp.
• Sử dụng các cài đặt ánh sáng khác nhau - Trong nguyên mẫu này, chúng tôi đã mô phỏng hai điều kiện ánh sáng:
  • Kho - Sự phân bố ánh sáng trung thực. Có thể có bóng và phản chiếu.
  • Studio - Một ánh sáng đồng chất đặt đều xung quanh vật. Điều này không thực tế nhưng không có bóng hoặc phản xạ.
• Sử dụng vị trí thực tế về cách đối tượng được xem trong thời gian thực - Trong cuộc sống thực, một số đối tượng, chẳng hạn như mặt bích và nắp chịu lực, thường được đặt trên một bề mặt và mô hình phát hiện các đối tượng dựa trên các mặt trên và dưới. Do đó, chúng tôi đã loại bỏ các hình ảnh đào tạo hiển thị cạnh mỏng của các bộ phận, còn được gọi là vị trí cạnh và tăng hình ảnh của các đối tượng ở vị trí phẳng.
• Thêm nhiều đối tượng trong một hình ảnh - Trong các tình huống thực tế, nhiều bộ phận bánh răng đều có thể xuất hiện trong một chế độ xem, vì vậy chúng tôi đã chuẩn bị các hình ảnh chứa nhiều bộ phận bánh răng.

Trên nền tảng 3Dexperience, chúng tôi có thể áp dụng các nền khác nhau cho hình ảnh, điều này có thể giúp tăng tính đa dạng của hình ảnh hơn nữa. Do giới hạn về thời gian, chúng tôi đã không triển khai điều này trong nguyên mẫu này.

Nhập tập dữ liệu đào tạo tổng hợp

Trong ML, dữ liệu được gắn nhãn có nghĩa là dữ liệu đào tạo được chú thích để hiển thị mục tiêu, đó là câu trả lời mà bạn muốn mô hình ML của mình dự đoán. Dữ liệu được gắn nhãn có thể được sử dụng bởi Nhãn tùy chỉnh Rekognition phải tuân thủ các yêu cầu về tệp kê khai Ground Truth. Tệp kê khai được tạo từ một hoặc nhiều dòng JSON; mỗi dòng chứa thông tin cho một hình ảnh duy nhất. Đối với dữ liệu đào tạo tổng hợp, thông tin ghi nhãn có thể được tạo theo chương trình dựa trên tệp CAD và cấu hình chuyển đổi hình ảnh mà chúng tôi đã đề cập trước đó, giúp tiết kiệm đáng kể nỗ lực thủ công của công việc ghi nhãn. Để biết thêm thông tin về các yêu cầu đối với định dạng tệp ghi nhãn, hãy tham khảo Tạo tệp kê khai và Bản địa hóa đối tượng trong tệp kê khai. Sau đây là một ví dụ về gắn nhãn hình ảnh:

{ "source-ref": "s3://<bucket>/<prefix>/multiple_objects.png", "bounding-box": { "image_size": [ { "width": 1024, "height": 1024, "depth": 3 } ], "annotations": [ { "class_id": 1, "top": 703, "left": 606, "width": 179, "height": 157 }, { "class_id": 4, "top": 233, "left": 533, "width": 118, "height": 139 }, { "class_id": 0, "top": 592, "left": 154, "width": 231, "height": 332 }, { "class_id": 3, "top": 143, "left": 129, "width": 268, "height": 250 } ] }, "bounding-box-metadata": { "objects": [ { "confidence": 1 }, { "confidence": 1 }, { "confidence": 1 }, { "confidence": 1 } ], "class-map": { "0": "Gear_Housing", "1": "Gear_Ratio", "3": "Flange", "4": "Worm_Gear" }, "type": "groundtruth/object-detection", "human-annotated": "yes", "creation-date": "2021-06-18T11:56:01", "job-name": "3DEXCITE" }
}

Sau khi chuẩn bị xong tệp kê khai, chúng tôi tải tệp đó lên nhóm S3, sau đó tạo tập dữ liệu đào tạo trong Nhãn tùy chỉnh nhận lại bằng cách chọn tùy chọn Nhập hình ảnh được gắn nhãn bởi Amazon SageMaker Ground Truth.

Sau khi tệp kê khai được nhập, chúng tôi có thể xem thông tin ghi nhãn một cách trực quan trên bảng điều khiển Amazon Rekognition. Điều này giúp chúng tôi xác nhận rằng tệp kê khai được tạo và nhập. Cụ thể hơn, các hộp giới hạn phải căn chỉnh với các đối tượng trong hình ảnh và ID lớp của đối tượng phải được chỉ định chính xác.

Tạo tập dữ liệu thử nghiệm

Các hình ảnh thử nghiệm được chụp trong đời thực bằng điện thoại hoặc máy ảnh từ các góc độ và điều kiện ánh sáng khác nhau, bởi vì chúng tôi muốn xác thực độ chính xác của mô hình mà chúng tôi đã đào tạo bằng cách sử dụng dữ liệu tổng hợp, so với các tình huống thực tế. Bạn có thể tải những hình ảnh thử nghiệm này lên nhóm S3, sau đó nhập chúng dưới dạng tập dữ liệu trong Nhãn tùy chỉnh nhận lại. Hoặc bạn có thể tải chúng trực tiếp lên bộ dữ liệu từ máy cục bộ của mình.

Rekognition Custom Labels cung cấp khả năng chú thích hình ảnh tích hợp, có trải nghiệm tương tự như Ground Truth. Bạn có thể bắt đầu công việc ghi nhãn khi dữ liệu thử nghiệm được nhập. Đối với trường hợp sử dụng phát hiện đối tượng, các hộp giới hạn phải được tạo chặt chẽ xung quanh các đối tượng quan tâm, điều này giúp mô hình tìm hiểu chính xác các vùng và pixel thuộc về các đối tượng đích. Ngoài ra, bạn nên gắn nhãn mọi trường hợp của các đối tượng mục tiêu trong tất cả các hình ảnh, ngay cả những hình ảnh bị khuất một phần hoặc bị che khuất bởi các đối tượng khác, nếu không mô hình dự đoán nhiều âm tính sai hơn.

Tạo mô hình phát hiện đối tượng miền chéo

Rekognition Custom Labels là một dịch vụ được quản lý hoàn toàn; bạn chỉ cần cung cấp tập dữ liệu huấn luyện và thử nghiệm. Nó đào tạo một tập hợp các mô hình và chọn một mô hình hoạt động tốt nhất dựa trên dữ liệu được cung cấp. Trong nguyên mẫu này, chúng tôi chuẩn bị lặp đi lặp lại các tập dữ liệu đào tạo tổng hợp bằng cách thử nghiệm các kết hợp khác nhau của các phương pháp tăng cường hình ảnh mà chúng tôi đã đề cập trước đó. Một mô hình được tạo cho mỗi tập dữ liệu đào tạo trong Nhãn tùy chỉnh Rekognition, cho phép chúng tôi so sánh và tìm ra tập dữ liệu đào tạo tối ưu cho trường hợp sử dụng này cụ thể. Mỗi mô hình có số lượng hình ảnh đào tạo tối thiểu, có tính đa dạng hình ảnh tốt và cung cấp độ chính xác của mô hình tốt nhất. Sau 15 lần lặp lại, chúng tôi đã đạt được điểm F1 là độ chính xác của mô hình 98% bằng cách sử dụng khoảng 10,000 hình ảnh đào tạo tổng hợp, trung bình là 2,000 hình ảnh cho mỗi đối tượng.

Kết quả suy luận mô hình

Hình ảnh sau đây cho thấy mô hình Amazon Rekognition đang được sử dụng trong một ứng dụng suy luận thời gian thực. Tất cả các thành phần được phát hiện một cách chính xác với độ tin cậy cao.

Kết luận

Trong bài đăng này, chúng tôi đã trình bày cách đào tạo mô hình thị giác máy tính trên các hình ảnh tổng hợp thuần túy và cách mô hình này vẫn có thể nhận ra các đối tượng trong thế giới thực một cách đáng tin cậy. Điều này giúp tiết kiệm đáng kể nỗ lực thủ công khi thu thập và ghi nhãn dữ liệu đào tạo. Với khám phá này, Dassault Systèmes đang mở rộng giá trị kinh doanh của các mô hình sản phẩm 3D do các nhà thiết kế và kỹ sư tạo ra, vì giờ đây bạn có thể sử dụng dữ liệu CAD, CAE và PLM trong các hệ thống nhận dạng hình ảnh trong thế giới thực.

Để biết thêm thông tin về các tính năng chính và trường hợp sử dụng của Nhãn tùy chỉnh Rekognition, hãy xem Nhãn tùy chỉnh Rekognition của Amazon. Nếu hình ảnh của bạn không được gắn nhãn nguyên bản với Ground Truth, đây là trường hợp của dự án này, hãy xem Tạo tệp kê khai để chuyển đổi dữ liệu ghi nhãn của bạn sang định dạng mà Nhãn tùy chỉnh Rekognition có thể sử dụng.

Về các tác giả

Borraccino thân gỗ hiện là Kiến trúc sư Giải pháp Chuyên gia Học máy Cấp cao tại AWS. Có trụ sở tại Milan, Ý, Woody đã làm việc về phát triển phần mềm trước khi gia nhập AWS vào năm 2015, nơi anh phát triển niềm đam mê với các công nghệ Máy tính Không gian và Thị giác Máy tính (AR / VR / XR). Niềm đam mê của anh ấy hiện đang tập trung vào sự đổi mới metaverse. Theo dõi anh ấy trên Linkedin.

Anh Hầu, Tiến sĩ, là Kiến trúc sư tạo mẫu học máy tại AWS. Các lĩnh vực sở thích chính của cô là Học sâu, Thị giác máy tính, NLP và dự đoán dữ liệu chuỗi thời gian. Khi rảnh rỗi, cô thích đọc tiểu thuyết và đi bộ đường dài trong các công viên quốc gia ở Vương quốc Anh.

Bernard Paques hiện là CTO của Storm Reply tập trung vào các giải pháp công nghiệp được triển khai trên AWS. Có trụ sở tại Paris, Pháp, Bernard trước đây đã làm việc với tư cách là Kiến trúc sư giải pháp chính và là Nhà tư vấn chính tại AWS. Những đóng góp của anh ấy trong việc hiện đại hóa doanh nghiệp bao gồm AWS for Industrial, AWS CDK và những đóng góp này hiện nay bắt nguồn từ các hệ thống dựa trên giọng nói và CNTT xanh. Theo dõi anh ấy trên Twitter.

Karl Herkt hiện là Nhà chiến lược cấp cao tại Dassault Systèmes 3DExcite. Có trụ sở tại Munich, Đức, anh ấy tạo ra các triển khai sáng tạo của thị giác máy tính mang lại kết quả rõ ràng. Theo dõi anh ấy trên LinkedIn.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://aws.amazon.com/blogs/machine-learning/computer-vision-using-synthetic-datasets-with-amazon-rekognition-custom-labels-and-dassault-systemes-3dexcite/