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

这些模块旨在 Vertex AI Colab Enterprise 中运行。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 Colab Enterprise > 导入笔记本，然后选择“网址”选项。
  2. 复制和粘贴：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/cropped/notebooks/Understand_your_dataset/Understand_your_dataset.ipynb
在 GitHub 上查看
通过视觉特征识别电线杆并分类的核心分析工作流。导入 URI：
https://github.com/googlemaps-samples/insights-samples/blob/main/street_view_insights/cropped/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/cropped/notebooks/classify_road_signs/classify_road_signs_and_save_in_bq.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/cropped/notebooks/Object_detection_with_few_shot_learning/utility_pole_analysis_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/cropped/notebooks/bbox_detection_of_attachments/bbox_detection_of_attachment.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/cropped/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/cropped/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/cropped/notebooks/eval/utility_pole_eval_with_llm_judge.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/cropped/notebooks/Image_quality_analysis/Image_quality_inspector.ipynb
在 GitHub 上查看

支持

这些 Street View Insights 代码示例根据开源许可提供。它们不受 Google Maps Platform 支持技术支持服务准则、服务等级协议 (SLA) 或弃用政策的约束（不过，库使用的任何 Google Maps Platform 服务仍需遵守 Google Maps Platform 服务条款）。

如果您发现 bug 或有功能请求，请在 GitHub 上提交问题。如果您想向其他 Google Maps Platform 开发者寻求技术问题的解答，请通过我们的某个开发者社区渠道提问。如果您想贡献代码，请查看该库的代码库中的贡献指南。