Conférencier
|
Transcription
|
| Heidi Hardner |
Bonjour, je m'appelle Heidi Hardner, je vous parle depuis Minneapolis, Minnesota. |
| Serkay Olmez |
Et ce Serkay Olmez, et moi, j'appelle depuis Longmont, Colorado. |
| Heidi Hardner |
Nous travaillons chez Seagate Technology, où nous utilisons tous deux JMP et JSL depuis longtemps et partageons des scripts JMP avec nos collègues. Nous allons démontrer quelques cas d'utilisation de ??? images dans les tableaux de données JMP et nous partagerons quelques outils JSL associés. |
| |
Chez Seagate, les têtes d'enregistrement subissent un grand nombre de processus en usine, depuis la fabrication des plaquettes jusqu'à leur installation dans le lecteur. |
| |
Nous examinons donc fréquemment des données très larges où chaque tête est une ligne et il y a de très nombreuses colonnes. |
| |
Étant donné que de nombreux processus produisent des images qui peuvent inclure de nombreuses images différentes par tête, nous pouvons également avoir des données très volumineuses provenant de nombreuses têtes passant par un seul processus, se ressemblant beaucoup les unes aux autres dans les images de métrologie. |
| |
Nos ensembles de données de téléchargement d'aujourd'hui ne sont pas des images Seagate, mais ils présenteront des similitudes avec ces situations, et j'espère que ces parallèles pourront vous aider à établir des parallèles avec vos propres cas d'utilisation. |
| |
JMP dispose d'images et de tableaux de données depuis plusieurs années maintenant, et j'ai personnellement mis du temps à l'apprécier. |
| |
J'espère que vous verrez dans ces cas d'utilisation différentes façons dont cela peut être utile, notamment grâce à la connexion interactive flexible des images à d'autres données. |
| |
Je souhaite également souligner l'intérêt de stocker les chemins d'image dans le tableau, surtout si vous pouvez avoir des chemins partagés. |
| |
Et enfin, nous partageons tous les deux le JSL dont nous ferons la démonstration dans les supports. C’est donc un point à retenir littéralement. Il y a un répertoire de ceux-ci à la fin de ce PowerPoint. |
| |
Une grande partie de l'exploration utile avec les images est assez basique et nos scripts sont prêts à être utilisés sans connaissance de JSL, mais ils contiennent également un large éventail d'éléments sur lesquels vous pouvez vous baser dans vos propres scripts JMP. |
| |
trois choses qui incluent des chemins d'images accessibles au public jusqu'à mon deuxième point à retenir. |
| |
Le premier est un tableau de données du catalogue en ligne des Mets. Il comprend des exemples avec plusieurs images par objet ou ligne dans le tableau de données. |
| |
Parcourir un catalogue a été pour moi un immense terrier que je recommande vivement. Le deuxième ensemble de données concerne les images d’astronomie. C'est grâce à Russ Durkee du Shed of Science Observatory. |
| |
Il s’agit de données métrologiques ligne par image où les images sont très similaires les unes aux autres à première vue. Notez donc les parallèles avec ce que je viens de dire à propos de nos cas d'utilisation des données d'usine de nos têtes d'enregistrement. |
| |
Et en parlant des terriers de lapin que j'ai parcourus, la troisième chose est JSL qui implémente l'API Omeka. |
| |
pour accéder aux collections savantes en ligne. Nous remercions le Dr Heather Shirey pour son aide pour accéder à ces bases de données. Son projet de cartographie de l'art urbain, c'est une autre chose amusante que vous devriez consulter en ligne. |
| |
Mais le point technique ici est que n'importe qui peut utiliser ce code pour expérimenter l'interrogation de la base de données et obtenir des résultats qui mélangent les chemins d'image avec d'autres données pour créer le type de tableau sur lequel nos outils sont centrés. |
| |
Nous allons donc passer directement à une démo live dans JMP. Avant d’examiner ce type d’ensembles de données, que se passe-t-il si vous disposez simplement d’une pile d’images ? |
| |
table d'images à partir de dossiers. Et cela nous permet de choisir un dossier. J'ai un dossier avec quelques exemples d'images du |
| |
Rencontré les données du catalogue. Et vous pouvez voir qu'il contient des dossiers et lorsque je sélectionne ce dossier, j'obtiens rapidement un tableau avec |
| |
en colonne tous ces onglets vers les images. Il est creusé à la recherche d'extensions de fichiers qu'il pense être des images et il divise également certains dossiers pour |
| |
les, vous savez, les sous-dossiers en tant qu'attributs dans les données. Maintenant, assez souvent, nous avons des cas d'utilisation où les noms de dossiers contiennent une sorte d'attribut significatif dont vous aimeriez avoir les données. |
| |
Et c'est un script que vous pouvez personnaliser davantage dans ma version Seagate, généralement j'ai un identifiant principal intégré dans le nom du fichier, j'ai donc une analyse pour cela qui est automatiquement intégrée à ma propre version personnelle de ce script. |
| |
Passons donc rapidement à l’un de nos principaux exemples d’ensembles de données. Ce sont donc les données du musée que j'ai mentionnées. Et donc c'est plus charnu, vous pouvez voir que ça a |
| |
il a une ligne par objet, mais il contient des données numériques. C'est vrai, il répertorie les objets. Il contient un tas de données d'attributs. Il y a donc un tas de... |
| |
un ensemble de données plus substantiel ici. Mais ensuite, si nous faisons défiler la page, vous pouvez voir qu'à l'intérieur de l'ensemble de données se trouvent les chemins d'accès aux images, les URL où se trouvent les images. |
| |
sont hébergés et vous pouvez voir qu'il y a ici jusqu'à cinq images distinctes pour certaines lignes. |
| |
Et donc mon deuxième de mes outils de table d'images, les images importantes, est tout ce qui amène réellement des images dans la table, et il peut accueillir plusieurs chemins. Il pourrait également s'agir de chemins locaux. Il n'est pas nécessaire qu'il s'agisse d'une URL. |
| |
Une fois celles-ci partagées, les données de démonstration, vous pourrez aller les chercher... C'est déjà fait. Je voulais dire rapidement... parler rapidement de ce qu'il fait en coulisses. |
| |
Lorsque JMP ouvre quelque chose qui reconnaît une image, il peut s'agir d'un objet image. Et il y a un tas de messages de commande JSL que l'objet image peut prendre, des choses comme obtenir la taille, obtenir des pixels, enregistrer l'image. Et vous les verrez dans le code que nous partageons. |
| |
Allons-y, je veux voir les résultats. ...les images dans le tableau. Ce script fait plusieurs choses en plus de simplement coller les images. |
| |
C'est... permettez-moi d'ouvrir un autre exemple d'un autre extrait de code à ce sujet. Donc, les images, elles vont dans une colonne, une colonne de type expression, donc cela crée un type de données d'expression, comment y mettre les images. |
| |
Je crée également un gestionnaire d'événements pour cette colonne. Cela utilise un message spécial pour la boîte graphique, ajoute une image à l'objet image et est ajouté directement dans une boîte graphique. Je vais vous montrer ce que ça fait, mais c'est, c'est... Cliquez sur le gestionnaire d'événements. |
| |
Et il y a aussi un redimensionnement, donc le fait que cela soit devenu grand pour les accueillir un peu plus gros. |
| |
C'est quelque chose que vous pouvez faire, mon script by le fait, mais aussi par défaut, vous savez, si vous mettez des images, vous pourriez obtenir quelque chose de vraiment petit comme ça, ce qui pourrait être cool |
| |
pour voir un large éventail, mais cela vaut peut-être la peine de savoir que, vous savez, cela semble, je ne sais pas comment je pourrais un jour regarder mes images sont censées être si petites dans JMP, vous pouvez également les élargir manuellement . |
| |
Et le script s'intègre également dans le tableau. C'est une chose utile à savoir comment faire, et la logique ici est que, vous savez, le |
| |
La table de données est devenue vraiment volumineuse lorsque nous avons intégré toutes ces images, et ce sont des images complètes intégrées dans |
| |
les données des images complètes intégrées lorsque cela se produit, et je souhaiterais donc peut-être envoyer cet ensemble de données à quelqu'un et lui permettre de l'obtenir sans rien savoir de mon menu d'outils spécial. Ils pourraient exécuter ceci pour réimporter les images. |
| |
Sur le clic, je voulais montrer où lorsque vous cliquez dessus, cela crée une version en taille réelle ou une version plus grande de l'image ici pour que vous puissiez la voir. |
| |
Donc, comme je l'ai dit, une grande partie de l'avantage d'avoir des images dans la table de données s'avère être des capacités d'exploration très simples de JMP. Ainsi, par exemple, je peux prendre ces colonnes et les réorganiser. |
| |
Et il suffit de les déplacer par d'autres choses, il sera plus intéressant de regarder l'ensemble du tableau des tailles de fichiers. |
| |
Et de cette façon, vous savez, je peux simplement parcourir, je peux trier, je peux voir ici que j'ai trié les images par nombre, ou la ligne triée par nombre d'images qui fonctionnent. |
| |
Donc, si je fais défiler vers le bas, je peux simplement voir visuellement cela, vous savez, en réorganisant, en plaçant différentes colonnes d'intérêt à côté de celles-ci. Je peux en fait obtenir beaucoup d'images dans une grille. |
| |
sur la table. Ici, j'ai ce groupe et j'ai constitué ma propre colonne de regroupement. Et ainsi je pourrais réorganiser cela. En réorganisant simplement les colonnes, je pourrais coller cela à côté des images. |
| |
au cas où je voudrais revoir cela en faisant défiler. Donc, beaucoup de déplacements, de tri et de réorganisation font partie de l'avantage d'avoir des images dans un |
| |
tableau. L’un de mes cas d’utilisation personnels consiste donc à surveiller certaines mesures importantes provenant d’images et, dans mon cas, elles provenaient en fait d’une combinaison d’images différentes. |
| |
Et j'examinerais ces données ou je chercherais des valeurs aberrantes et des modes suspects qui apparaîtraient de manière récurrente dans les données. |
| |
Et dans ce cas d'utilisation, je n'en aurais pas 85, j'ai des dizaines de milliers de lignes que je regarde et les images seront une partie utile de l'exploration, comme ce qui ne va pas avec les données. |
| |
Permettez-moi de faire ici un exemple de tracé de juste... dans ce cas, la hauteur par la largeur de ces objets de musée. Et permettez-moi de revenir rapidement en arrière et de vous montrer une chose que vous pouvez faire. En faisant un clic droit ici, je peux créer une étiquette à partir de cette première colonne. |
| |
Et donc, si je regarde les données, je peux examiner cela et dire qu'il y a quelque chose qui ressort. Pourquoi est-il tellement plus large que haut ? Eh bien, ce n'était pas une erreur. C'est vraiment large |
| |
des œuvres d'art là-bas, donc cela a du sens. Donc je peux faire apparaître, vous savez, un fait. Si j'ai beaucoup de choses différentes qui m'intéressent dans ce cluster ici, il semble qu'il y en ait beaucoup |
| |
de ces gars qui sont de taille similaire, cela semble peut-être intéressant. |
| |
Encore une fois, je peux, je peux les regarder individuellement avec les étiquettes. Mais si mes données sont vraiment volumineuses, je pourrais faire d'autres choses exploratoires. Je peux revenir aux données et utiliser F7 pour parcourir |
| |
pour les choses qui ont été sélectionnées. Bien sûr, après avoir sélectionné des éléments, je pourrais simplement en sous-classer certains pour obtenir, vous savez, obtenir |
| |
juste un ensemble de données plus petit. L'une des choses exploratoires que j'aimerais montrer, l'une de mes préférées, est la sélection de lignes. |
| |
Je pourrais faire la sélection de noms et de colonnes. Alors disons que c'est un mode étrange et que je sais déjà que j'aimerais appeler ça des bizarreries, en faisant ça. |
| |
Et je vais dire, hé, ce sont des données étranges que je veux examiner. Et cela va me donner une colonne à la fin ici avec des uns et des zéros pour savoir si les choses sont bizarres ou non. |
| |
Et ce qui est utile en partie, c'est que, imaginons que mon ensemble de données soit vraiment volumineux. Et donc il suffit de les parcourir. Pas si bon. |
| |
Et disons que c'est si gros que je ne veux pas y avoir d'images. Je ne veux pas les attirer, c'était irréalisable. Me voici donc de retour avec mon ensemble de données. |
| |
Et j'ai ces bizarreries qui m'intéressent. Et je peux accéder au sous-ensemble, et au lieu de simplement les sous-ensembler tous, disons qu'il y en a peut-être des milliers ici dans ce groupe, je peux utiliser cette colonne pour faire une stratification. |
| |
Donc ici, je pourrais dire, par exemple, je n’en ai sélectionné que 11, alors disons que je vais en choisir cinq. Je vais choisir de stratifier sur les excentriques. |
| |
Et ce que j'obtiendrai, ce sont cinq bizarreries et cinq non bizarres, choisies au hasard, et vous savez, ici je peux, je pourrais les trier et je pourrais ramener les images. Alors maintenant je pourrais dire, d'accord, je veux juste voir, |
| |
peut-être que je veux juste en voir un et deux, peu importe, juste pour le petit set. Encore une fois, j'espère que cela montre à quel point traîner sur ces chemins même des données très volumineuses là où il ne semble pas utile de |
| |
avoir les images ou vous savez qu'il est possible de mettre les images, je pourrais juste obtenir... ils obtiendront un sous-ensemble. Et puis je pourrais les parcourir et dire ce qui est différent chez les excentriques. Je peux les trier. |
| |
Maintenant, je veux montrer un autre cas d'utilisation. Donc |
| |
ce cas d'utilisation m'a permis d'apprendre à faire une classification d'images par apprentissage profond, etc. |
| |
dans ce cas, vous savez... ce qui m'a vraiment frappé dans ce cas, c'est que les images sont vraiment littéralement les données. |
| |
Et voici donc un exemple de cela. Si, dans mon cas, bien sûr, je regarde l'enregistrement, j'ai des points de vue différents sur eux. J'essayais de classer ces différents points de vue. |
| |
Bonne sensation ??? et quelque chose ou quelque chose d'autre qui se concentre sur une partie différente de la tête. Et donc ici, je simule cette statue de chat avec nous à partir des données artistiques et je les catégorise. Voici l'arrière, face à droite, face devant et ainsi de suite |
| |
vous savez, tout ce projet d'apprentissage automatique ne se déroule pas dans JMP mais il y a un besoin là-bas |
| |
pour ce Python ??? Produit de catégorisation TensorFlow pour fournir des données de formation. Et au final, examiner les résultats qui reviennent et, vous savez, cela finit par être sous la forme de fichiers imbriqués dans des dossiers. Permettez-moi donc de vous montrer rapidement un autre de nos outils. Cette image |
| |
On y va. Tableau d'images. Ces outils. |
| |
Deux dossiers et voilà... Je peux choisir les images. |
| |
Ce sont les chemins ou les images dans la table de données et je peux choisir certaines colonnes d'attributs et les transformer en |
| |
dossiers de fichiers pour les catégories de dossiers de fichiers imbriqués. Ici, je vais lui dire d'utiliser la colonne de mon nom de fichier comme nom. |
| |
Je peux généralement avoir un préfixe ou changer la taille. Le redimensionnement est une autre chose qui est vraiment apparue dans cet apprentissage automatique. J'ai configuré mon modèle et j'attends certainement de télécharger des images d'une certaine taille. Et puis quand ça fonctionnera, ça va envoyer mes images |
| |
dans le dossier. |
| |
il y a du snafu ici là où c'est arrivé. |
| |
Laissez-moi le faire encore une fois. Les images...table d'images dans les dossiers. |
| |
Je pense que j'ai cliqué sur la mauvaise chose. J'ai ici mon dossier d'images d'apprentissage automatique dans lequel je souhaite les insérer rapidement. |
| |
Révisez cela. |
| |
En cliquant sur les noms de fichiers. |
| |
Et il va les organiser dans le dossier. |
| |
J'ai donc ici mes ensembles de données de test et d'entraînement et oups, j'ai choisi la mauvaise chose pour mes catégories. Classons-les en fonction des éléments que j'ai choisis dans les colonnes. |
| |
Donc l'idée est que, vous savez, je dois mettre mes, je dois mettre mes données catégorisées dans la structure des dossiers de fichiers. |
| |
Et l'autre chose à ce sujet est qu'il est utile dans les données dans... de faire cela dans JMP dans le tableau de données, donc il est utile de proposer une formation sur ces catégories. |
| |
groupes au sein de JMP. J'ai déjà montré qu'on pouvait faire la stratification et voici un autre exemple où, parce que j'ai les données, les autres colonnes de données, comme le département, dans le |
| |
dans l’ensemble de données. Je peux revenir en arrière et voir, par exemple, est-ce que j'ai divisé mon ensemble de tests et d'entraînement de manière équilibrée ? Donc, quand j'ai, par exemple, de l'art égyptien, j'ai fait du bon travail sur l'art égyptien. |
| |
Être en partie dans la tâche, en partie dans la formation, pas tellement dans l'autre catégorie. Donc, dans JMP, je sais que j'ai les autres données |
| |
Colonnes. Ils sont pratiques pour constituer mon ensemble de formation aux tests, en m'assurant que j'ai des groupes équilibrés et que je peux également sauvegarder ce tableau et avoir un enregistrement de ce qu'il y avait dans le... |
| |
ce qu'il y avait dans la formation que j'ai suivie. Alors voilà. La dernière chose que je voulais dire à ce sujet, c'est que ces données de musée ne rendent pas vraiment bien compte |
| |
l'idée d'images de métrologie qui se ressemblent toutes. Donc, parce que ces chats sont tous si uniques, vous devrez peut-être les regarder de très près lorsque vous faites défiler ici pour voir, |
| |
vous savez, est-ce le dos d'un chat ou le devant avec le visage usé ou autre chose, et |
| |
Je parlerai davantage du cas où les images de métrologie sont vraiment très similaires les unes aux autres. Et il est potentiellement très utile de les parcourir simplement en regardant les choses à l'oeil nu. Après, nous entendons Serkay avec son outil PowerPoint. |
| Serkay Olmez |
D'accord, alors laissez-moi partager mon écran. |
| |
Bien. |
| |
Je vais donc parler d'un script qui permet aux utilisateurs de transférer des images répertoriées dans un tableau JMP vers PowerPoint. |
| |
Donc, ce que vous voulez faire, c'est collecter les images de ces liens répertoriés dans le tableau et les insérer dans PowerPoint avec un modèle de votre choix. Et ainsi vous pouvez créer ce tableau avec le |
| |
extraits de code que Heidi a déjà montrés et ce script suppose que vous avez déjà une table et que vous y avez les liens. |
| |
Et je vais simplement exécuter le script et vous dire ce qu'il fait. |
| |
Donc, si je lance ceci, cela vous donne cette interface dans laquelle vous pouvez sélectionner des colonnes comme attributs. Tout d'abord, vous devrez sélectionner le chemin de l'image afin que JMP sache où collecter ces images et |
| |
vous pouvez également ajouter des étiquettes. Ces étiquettes seront placées dans PowerPoint sous forme de colonnes et vous pourrez également décider du type de mise en page que vous souhaitez dans PowerPoint. Je vais donc juste montrer une grille |
| |
mise en page en premier. Il y aura donc quatre colonnes, deux lignes dans ce cas. Et vous cliquez sur Exporter. Ce qu'il fait, c'est qu'il déclenche PowerPoint et que PowerPoint le fera |
| |
allez collecter ces images et il construira les diapositives et cela prendra 10 à 20 secondes car il extrait 20 images d'un serveur. |
| |
Ainsi, une fois terminé, vous aurez le PowerPoint avec une structure bien présentée. Et ces colonnes, rappelez-vous, ce sont celles dont le tableau provient des colonnes que vous avez sélectionnées au début dans l'interface utilisateur. Vous obtenez donc celui-ci rapidement et vous pouvez bien sûr le changer |
| |
la mise en page ici. Par exemple, supposons que vous vouliez faire |
| |
une chose différente. Il y a donc cette sélection de mise en page ici. Disons que vous souhaitez créer une ligne et peut-être laisser un peu d'espace en dessous pour pouvoir y insérer des commentaires. Vous pouvez donc simplement relancer ceci |
| |
puis JMP indiquera à PowerPoint comment configurer la mise en page. Et puis une fois cette opération terminée, il y aura une ligne pour les images par diapositive. |
| |
Ressemble à ça et |
| |
Une autre chose que fait le script est de diviser vos diapositives en catégories. Ou peut-être qu'il y a un attribut principal dans vos données et que vous souhaitez commencer... vous souhaitez démarrer une nouvelle diapositive |
| |
lorsque cet attribut change. Prenons, par exemple, le support et le plaçons dans les étiquettes de diapositive afin qu'il crée des étiquettes de diapositive en haut. C'est comme les titres. |
| |
Et cela divise également cette petite présentation PowerPoint en catégories. Ainsi, une nouvelle diapositive démarrera à chaque fois que cet attribut de support changera. Si je fais juste ça, |
| |
il fera à nouveau la même chose dans 10 à 20 secondes. Désormais, il les regroupera en différentes catégories. Ainsi, vous aurez un joli espace aménagé |
| |
ensemble de diapositives, |
| |
qui sera divisé. Donc, par exemple, vous avez une diapositive pour un médium égal au laiton, vous en aurez une en bronze et il semble qu'il n'y ait qu'un seul élément de celui-ci. J'ai sélectionné ??? lignes dans les données et il y aura de la céramique, etc. Cela sépare donc les diapositives. |
| |
La dernière chose que je montrerai à titre de démonstration est que parfois les gens voudront avoir une mise en page un peu plus compliquée. Un modèle par exemple, ils voudront regarder une image |
| |
de manière plus grande, ils veulent donc mettre une grande image à gauche, peut-être quelques autres à droite. Vous pouvez donc créer des modèles aussi compliqués |
| |
en allant...en sélectionnant une mise en page différente et celles-ci se font par des scripts. J’ai donc eu cette mise en page grande à petite. Il y aura une grande image sur le côté gauche et deux petites images empilées sur la droite. Donc si tu fais juste ça |
| |
ça ira et fera la même chose, mais maintenant ce sera une disposition différente. |
| |
Je vais lui donner 10 à 20 secondes pour créer les diapositives. |
| |
Voilà. Donc une grande image à gauche et deux petites à droite. |
| |
Et la dernière chose que je montrerai concerne la personnalisation de l'outil. Nous publierons cet outil dans le cadre de ce grand complément qui effectue toutes ces manipulations d'images. Et donc si j'ouvrais celui-ci très rapidement, |
| |
c'est donc personnalisable par l'utilisateur, afin que les utilisateurs puissent entrer et modifier automatiquement le type de colonnes qu'ils souhaitent mettre dans les rôles. Et ainsi |
| |
les utilisateurs peuvent lui donner un aspect différent. Et une dernière chose que je mentionnerai concerne les modèles spécialisés. Donc ces modèles |
| |
Je viens d'en montrer un grand et un petit, ceux-ci sont créés par des scripts qui vivent en dehors de l'outil. Nous en fournirons donc deux. Mais l’idée est que si l’utilisateur est suffisamment expérimenté, il peut développer |
| |
son propre modèle et l'insérer dans l'outil et l'outil le reconnaîtra, ou le développeur peut développer de plus en plus de modèles |
| |
spécifié... spécifique à un client particulier ou à un utilisateur particulier. Donc, et cela fera partie du complément que nous allons publier. C'est tout ce que j'ai. Heidi peut le reprendre. |
| Heidi Hardner |
OK OK. |
| |
Désolé pour ça. je suis de retour et |
| |
nous examinons maintenant un ensemble de données différent. Ces images d’astronomie du Shed of Science. |
| |
Et comme annoncé, ces images sont plus... ce sont des images de métrologie et vous regardez ici un morceau du ciel nocturne dans cette très petite image. Et même dans cette très petite taille et cette portée d'images, |
| |
vous pouvez voir, vous pouvez voir du mouvement là-bas. Et vous pouvez voir des choses anormales comme ici lorsque quelque chose apparaît. |
| |
Et cela fait partie du point que je voulais faire valoir lorsque je cherchais à classifier pour mon projet d'apprentissage automatique et que j'avais des images qui se ressemblent nominalement très, très les unes aux autres. Il est très facile de faire défiler et de voir quelque chose d'anormal comme celui-ci. |
| |
Mais je vais en fait en faire une démonstration plus graphique où nous allons agrandir cela et le faire défiler à nouveau. Alors laisse-moi vite |
| |
décrivez ce que nous allons voir. Voici donc une vue de l'intensité du blanc sur ces images en fonction du temps. Ce sont donc des temps ordonnés ici lorsque nous les parcourons. |
| |
Et une chose que vous ne verrez pas, qui n’est pas très visible à l’œil nu, c’est cette grande et lente tendance ici en termes d’intensité. |
| |
Nous aurons les étiquettes. Vous pouvez voir ici encore la façon dont vous utilisez les étiquettes pour voir. Ouais, si l'intensité est très élevée. C'est parce qu'il y a une traînée sur les expositions de 60 secondes et quelque chose qui passe dans ces images. Nous pouvons également voir les irrégularités dans les données. Et c'est là que vous voyez le |
| |
le télescope a dérivé, un peu de l'arrière-plan bouge et il se réinitialise, voyez cela lorsque nous faisons défiler. Alors juste un petit aperçu. |
| |
Je vais montrer une expansion beaucoup plus grande afin que même à l'intérieur du tableau de données, nous puissions voir une vue assez grande des images, juste un peu plus grande. |
| |
Et recommencez au début dans le temps. Ce que je veux que vous fassiez, c'est surveiller cet endroit, cet objet pendant que nous parcourons les données. |
| |
Et j'espère que ce que nous voyons, c'est que vous pouvez voir cela se déplacer vers la gauche, sur les étoiles en arrière-plan. Et c'est un astéroïde, 2171 Kiev. |
| |
Autrement dit, nous voyons que c'était une véritable intention de ces images de métrologie. Nous proposons donc simplement une démonstration graphique montrant que, dans de bonnes circonstances, le simple défilement des images dans le tableau peut être utilisé. |
| |
annotation de la table d'images. Il s'agit donc du cas inverse où vous souhaitez simplement examiner les images, une par une. |
| |
Ce qui se passe lorsque vous cliquez dessus, c'est que, encore une fois, vous avez le choix d'utiliser le chemin ou les images intégrées. |
| |
Vous avez la possibilité d'avoir une sorte d'identifiant pour lequel nous mettons la date ici ou cela vous donnerait simplement des numéros de ligne et vous pouvez avoir un autre attribut, mettons le télescope ici, |
| |
sur les données. Et ce que cela fait, c'est que cela forme un petit outil de balisage et cet outil vous permettra |
| |
faire quelques classifications génériques. Celui-ci est un trois, je pourrais dire quelque chose ici. Une sorte de commentaire sur les données. |
| |
Et j'ai aussi un réticule pour pouvoir mesurer. Il va mesurer en pixels sur l'image et il va déplacer le réticule pour enregistrer les positions et les |
| |
delta là-bas et pixels lorsque je clique sur enregistrer. Maintenant, avant de faire cela, vous savez, c'est en partie pour cela qu'il existe de nombreuses façons différentes de baliser avec des publicités. |
| |
outils, une partie de la motivation pour faire cela dans JMP est, encore une fois, que vous avez, avec l'image, toutes ces autres données dans le tableau. |
| |
C'est en réalité simplement représenté ici par cette seule colonne. Mais encore une fois, c’est quelque chose qui peut être personnalisé. Dans ma propre petite version, je regarde des images |
| |
et j'imprime ici, dans cette vue, une petite carte de l'endroit où se trouvait la tête sur la plaquette ou diverses autres données. Ou peut-être que la recette de l'image indique quelles sont les dimensions que je peux essayer de vérifier. |
| |
Donc, la possibilité d'avoir cette jonction entre l'image et les éléments, est-ce possible même pour cela ? Mais ensuite, lorsque nous cliquons sur Enregistrer, ce qui se passe, nous allons vers la droite. Nous les verrons pour ajouter des colonnes et |
| |
(Les colonnes sont si hautes, réduisons-les un peu.) |
| |
Vous pouvez voir ici dans la rangée 3 et enregistré. Non, je ne veux pas déplacer le réticule blanc, donc j'obtiens une distance verticale et les positions du réticule ainsi que mes commentaires et classifications sont collés directement dans le tableau, dans la bonne ligne. |
| |
Une autre chose que nous voyons ici est une autre colonne d'images. Et c'est ici que j'ai mis des images qui sont des tracés JMP, les tracés JMP peuvent être des images. |
| |
Et dans la table de données que nous partageons, j'ai du code intégré. Vous verrez ici ce qui fait ces images et cela implique d'utiliser un message get pixels sur les images que nous avons, |
| |
obtenir une matrice des données, découper une tranche le long de l'endroit où cet astéroïde se déplace et faire la moyenne de l'intensité. Vous pouvez feuilleter et voir |
| |
le pic se déplaçant dans ces images. Mais le véritable point de ceci était que je viens de le mentionner. |
| |
Certains de nos cas d'utilisation que nous avons chez Seagate tout le temps où nous aurons une ligne de données pour une tête et les valeurs qu'elle contient, comme une fréquence de crête provenant d'un spectre entier ou une valeur optimale provenant d'un balayage d'optimisation, etc. et |
| |
ces balayages pourraient en fait devenir des images dans les données. Et bien sûr, il y a de bonnes raisons pour lesquelles nous effectuons ce type d’extraction de caractéristiques sur des images ou des courbes complexes. |
| |
Les valeurs simples telles que la fréquence peuvent être utilisées plus directement dans diverses analyses JMP telles que |
| |
Les plates-formes statistiques de JMP, mais j'espère que nous avons tous les deux démontré qu'elles représentent même de nombreuses choses utiles que vous pouvez faire si vous placez les images dans le tableau en relation avec un tas d'autres colonnes de données. |
| |
En particulier, vous savez, j'espère qu'en voyant les tracés sous forme d'images, vous pensez tout de suite à la démo PowerPoint de Serkay et les tracés sont un peu des choses comme être organisées dans un PowerPoint d'une certaine manière. |
| |
Quoi qu'il en soit, j'espère que les différents éléments de JSL que nous avons partagés pourront vous être utiles et que vous vous sentirez inspiré pour en faire vous-même davantage avec les images. Merci. |
