Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erstellen eines Kennzeichnungsauftrags (API) Um einen Labeling-Job mithilfe der SageMaker Amazon-API zu erstellen, verwenden Sie den [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)Vorgang. Spezifische Anweisungen zum Erstellen einer Labeling-Aufgabe für einen integrierten Aufgabentyp finden Sie auf der Seite für den betreffenden [Aufgabentyp](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-task-types.html). Informationen zum Erstellen eines Streaming-Labeling-Jobs, bei dem es sich um einen Labeling-Job handelt, der ständig ausgeführt wird, finden Sie unter [Erstellen eines Streaming-Beschriftungsjobs](sms-streaming-create-job.md). Um die Operation `CreateLabelingJob` zu verwenden, benötigen Sie Folgendes: + Eine Worker-Aufgabenvorlage (`UiTemplateS3Uri`) oder einen UI ARN der menschlichen Aufgaben (`[HumanTaskUiArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UiConfig.html#sagemaker-Type-UiConfig-HumanTaskUiArn)`) in Amazon S3. + Für 3D-Punktwolkenaufträge, Video-Objekterkennungs- und -verfolgungsaufträge und NER-Aufträge verwenden Sie den in `HumanTaskUiArn` aufgeführten ARN für Ihren Aufgabentyp. + Wenn Sie einen anderen integrierten Aufgabentyp als 3D-Punktwolken-Aufgaben verwenden, können Sie Ihre Worker-Anweisungen einer der vordefinierten Vorlagen hinzufügen und die Vorlage (mit der Erweiterung .html oder .liquid) in Ihrem S3-Bucket speichern. Suchen Sie die Pre-Build-Vorlagen auf der Seite für Ihren [Aufgabentyp](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-task-types.html). + Wenn Sie einen benutzerdefinierten Kennzeichnungs-Workflow verwenden, können Sie eine benutzerdefinierte Vorlage erstellen und die Vorlage in Ihrem S3-Bucket speichern. Weitere Informationen zum Erstellen einer benutzerdefinierten Auftragnehmervorlage finden Sie unter [Erstellen einer benutzerdefinierte Vorlage für Auftragnehmeraufgaben](sms-custom-templates-step2.md). Informationen zu benutzerdefinierten HTML-Elementen, die Sie zum Anpassen Ihrer Vorlage verwenden können, finden Sie unter [Referenz der Crowd-HTML-Elemente](sms-ui-template-reference.md). Eine Sammlung von Demo-Vorlagen für eine Vielzahl von Kennzeichnungsaufgaben finden Sie unter [Amazon SageMaker Ground Truth Sample Task UIs ](https://github.com/aws-samples/amazon-sagemaker-ground-truth-task-uis). + Eine Eingabemanifestdatei, die Ihre Eingabedaten in Amazon S3 angibt. Geben Sie den Speicherort Ihrer Eingabemanifestdatei in `ManifestS3Uri` an. Hinweise zum Erstellen eines Eingabemanifests finden Sie unter [Eingabedaten](sms-data-input.md). Wenn Sie einen Streaming-Labeling-Job erstellen, ist dies optional. Wie Sie einen Streaming-Etikettierungsauftrag erstellen können, erfahren Sie unter [Erstellen eines Streaming-Beschriftungsjobs](sms-streaming-create-job.md). + Ein Amazon-S3-Bucket zum Speichern Ihrer Ausgabedaten. Sie geben diesen Bucket und optional ein Präfix in `S3OutputPath` an. + Eine Konfigurationsdatei der Beschriftungskategorie. Jeder Etikettenkategoriename muss eindeutig sein. Geben Sie den Speicherort dieser Datei in Amazon S3 mit dem Parameter `LabelCategoryConfigS3Uri` an. Das Format und die Labelkategorien für diese Datei hängen vom verwendeten Aufgabentyp ab: + Für die Bildklassifizierung und die Textklassifizierung (Einzel- und Mehrfachbeschriftung) müssen Sie mindestens zwei Labelkategorien angeben. Für alle anderen Aufgabentypen ist mindestens eine Anzahl von Labelkategorien erforderlich. + Für Aufgaben zur Erkennung benannter Entitäten müssen Sie in dieser Datei Anweisungen für Mitarbeiter angeben. Siehe [Stellen Sie Anweisungen für Auftragnehmer in einer Konfigurationsdatei für die Beschriftungskategorie bereit](sms-named-entity-recg.md#worker-instructions-ner) für weitere Einzelheiten und ein Beispiel. + Für 3D-Punktwolken- und Videobildaufgaben verwenden Sie das Format in [Referenz zur Konfigurationsdatei für Kennzeichnungskategorien mit Kennzeichnungskategorie- und Frame-Attributen](sms-label-cat-config-attributes.md). + Für alle anderen integrierten Aufgabentypen und benutzerdefinierten Aufgaben muss die Konfigurationsdatei für die Bezeichnungskategorie eine JSON-Datei mit dem folgenden Format sein. Sie identifizieren die Bezeichnungen, die Sie verwenden möchten, indem Sie `label_1`, `label_2`,`...`, `label_n` durch Ihre Bezeichnungskategorien ersetzen. ``` { "document-version": "2018-11-28", "labels": [ {"label": "label_1"}, {"label": "label_2"}, ... {"label": "label_n"} ] } ``` + Eine AWS Identity and Access Management (IAM-) Rolle mit der angehängten [AmazonSageMakerGroundTruthExecution](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerGroundTruthExecution)verwalteten IAM-Richtlinie und mit Berechtigungen für den Zugriff auf Ihre S3-Buckets. Geben Sie diese Rolle in `RoleArn` an. Weitere Informationen zu dieser Richtlinie finden Sie unter [Verwendung von IAM-verwalteten Richtlinien zusammen mit Ground Truth](sms-security-permissions-get-started.md). Wenn Sie präzisere Berechtigungen benötigen, finden Sie weitere Informationen unter [IAM-Berechtigungen zur Verwendung von Ground Truth zuweisen](sms-security-permission.md). Wenn der Name des Eingabe- oder Ausgabe-Buckets `sagemaker` nicht enthält, können Sie der Rolle, die an den die Operation `CreateLabelingJob` übergeben wird, eine Richtlinie ähnlich der folgenden anfügen. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "s3:GetObject" ], "Resource": [ "arn:aws:s3:::my_input_bucket/*" ] }, { "Effect": "Allow", "Action": [ "s3:PutObject" ], "Resource": [ "arn:aws:s3:::my_output_bucket/*" ] } ] } ``` ------ + Der Amazon-Ressourcenname (ARN) einer Funktion für die Vor- und Nachanmerkung (oder Anmerkungskonsolidierung) in AWS Lambda für die Verarbeitung Ihrer Ein- und Ausgabedaten. + Lambda-Funktionen sind in jeder AWS Region für integrierte Aufgabentypen vordefiniert. Den Lambda-ARN vor der Anmerkung für Ihre Region finden Sie unter. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) Den Lambda-ARN zur Annotationskonsolidierung für Ihre Region finden Sie unter. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) + Für benutzerdefinierte Beschriftungs-Workflows müssen Sie einen benutzerdefinierten Lambda-ARN vor und nach der Beschriftung angeben. Wie Sie diese Lambda-Funktionen erstellen können, erfahren Sie unter [Verarbeitung von Daten in einem benutzerdefinierten Etikettierungs-Workflow mit AWS Lambda](sms-custom-templates-step3.md). + Ein ARN des Arbeitsteams, den Sie in `WorkteamArn` angeben. Sie erhalten einen ARN für ein Arbeitsteam, wenn Sie eine Belegschaft eines Lieferanten abonnieren oder ein privates Arbeitsteam gründen. Wenn Sie einen Label-Job für einen Aufgabentyp „Videoframe“ oder „Punktwolke“ erstellen, können Sie die Belegschaft nicht einsetzen. Amazon Mechanical Turk Verwenden Sie für alle anderen Aufgabentypen, um die Belegschaft von Mechanical Turk zu verwenden, den folgenden ARN. *`region`*Ersetzen Sie es durch die AWS Region, die Sie für die Erstellung des Labeling-Jobs verwenden. ` arn:aws:sagemaker:region:394669845002:workteam/public-crowd/default` Wenn Sie die [Amazon Mechanical Turk Arbeitskraft](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-workforce-management-public.html) verwenden, verwenden Sie den `ContentClassifiers`-Parameter in `DataAttributes` von `InputConfig`, um zu erklären, dass Ihr Inhalt frei von persönlich identifizierbaren Informationen und Inhalten für Erwachsene ist. Ground Truth *verlangt*, dass Ihre Eingabedaten frei von persönlich identifizierbare Informationen (PII) sind, wenn Sie die Belegschaft von Mechanical Turk einsetzen. Wenn Sie Mechanical Turk verwenden und nicht mithilfe der `FreeOfPersonallyIdentifiableInformation`-Markierung angeben, dass Ihre Eingabedaten frei von persönlich identifizierbaren Informationen sind, schlägt Ihr Labeling-Job fehl. Verwenden Sie die `FreeOfAdultContent` Flagge, um zu erklären, dass Ihre Eingabedaten frei von Inhalten für Erwachsene sind. SageMaker KI kann die Mitarbeiter von Amazon Mechanical Turk einschränken, die Ihre Aufgabe sehen können, wenn sie Inhalte für Erwachsene enthält. Weitere Informationen zu Arbeitsteams und Arbeitskräften finden Sie unter [Arbeitskräfte](sms-workforce-management.md). + Wenn Sie die Arbeitskräfte von Mechanical Turk nutzen, müssen Sie den Preis angeben, den Sie den Arbeitern für die Ausführung einer einzelnen Aufgabe in `PublicWorkforceTaskPrice` zahlen. + Um die Aufgabe zu konfigurieren, müssen Sie mit `TaskDescription` und `TaskTitle` eine Aufgabenbeschreibung und einen Aufgabentitel angeben. Optional können Sie Zeitlimits angeben, mit denen gesteuert wird, wie lange die Mitarbeiter an einer einzelnen Aufgabe arbeiten müssen (`TaskTimeLimitInSeconds`) und wie lange Aufgaben im Worker-Portal verbleiben, das den Mitarbeitern zur Verfügung steht (`TaskAvailabilityLifetimeInSeconds`). + (Optional) Bei [einigen Aufgabentypen](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-annotation-consolidation.html) können mehrere Worker ein einzelnes Datenobjekt kennzeichnen, indem eine Zahl größer als eins für den Parameter `NumberOfHumanWorkersPerDataObject` eingegeben wird. Weitere Informationen zur Anmerkungskonsolidierung finden Sie unter [Anmerkungskonsolidierung](sms-annotation-consolidation.md). + (Optional) Um einen automatisierten Datenbeschriftungsauftrag zu erstellen, geben Sie eine der unter ARNs aufgeführten Optionen [LabelingJobAlgorithmSpecificationArn](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_LabelingJobAlgorithmsConfig.html)an`LabelingJobAlgorithmsConfig`. Dieser ARN identifiziert den Algorithmus, der im automatisierten Daten-Labeling-Job verwendet wird. Der mit diesem ARN verknüpfte Aufgabentyp muss mit dem Aufgabentyp der von Ihnen angegebenen `PreHumanTaskLambdaArn` und `AnnotationConsolidationLambdaArn` übereinstimmen. Das automatische Daten-Labeling wird für die folgenden Aufgabentypen unterstützt: Bildklassifizierung, Begrenzungsrahmen, semantische Segmentierung und Textklassifizierung. Die Mindestanzahl von Objekten für das automatische Daten-Labeling beträgt 1.250, und wir empfehlen dringend, mindestens 5.000 Objekte bereitzustellen. Weitere Informationen zu automatisierten Daten-Labeling-Aufträgen finden Sie unter [Automatisieren des Daten-Labeling](sms-automated-labeling.md). + (Optional) Sie können angeben [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html#API_CreateLabelingJob_RequestSyntax](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html#API_CreateLabelingJob_RequestSyntax), dass der Labeling-Job beendet wird, wenn eine der Bedingungen erfüllt ist. Sie können Stoppbedingungen verwenden, um die Kosten des Etikettierungsauftrags zu kontrollieren. ## Beispiele Die folgenden Code-Beispiele zeigen, wie ein Beschriftungsauftrag mit `CreateLabelingJob` erstellt wird. Sie können sich diese Beispiel-Notebooks auch GitHub im [SageMaker AI Examples Repository](https://github.com/aws/amazon-sagemaker-examples/tree/master/ground_truth_labeling_jobs) ansehen. ------ #### [ AWS SDK für Python (Boto3) ] Nachfolgend ein Beispiel für eine [AWS Python SDK (Boto3) Anfrage](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) zur Erstellung eines Beschriftungsauftrags für einen eingebauten Aufgabentyp in der Region USA Ost (Nord-Virginia) unter Verwendung einer privaten Arbeitskraft. Ersetzen Sie alles *red-italized text* durch Ihre Ressourcen und Spezifikationen für die Etikettierung. ``` response = client.create_labeling_job( LabelingJobName="example-labeling-job", LabelAttributeName="label", InputConfig={ 'DataSource': { 'S3DataSource': { 'ManifestS3Uri': "s3://bucket/path/manifest-with-input-data.json" } }, 'DataAttributes': { 'ContentClassifiers': [ "FreeOfPersonallyIdentifiableInformation"|"FreeOfAdultContent", ] } }, OutputConfig={ 'S3OutputPath': "s3://bucket/path/file-to-store-output-data", 'KmsKeyId': "string" }, RoleArn="arn:aws:iam::*:role/*", LabelCategoryConfigS3Uri="s3://bucket/path/label-categories.json", StoppingConditions={ 'MaxHumanLabeledObjectCount': 123, 'MaxPercentageOfInputDatasetLabeled': 123 }, HumanTaskConfig={ 'WorkteamArn': "arn:aws:sagemaker:region:*:workteam/private-crowd/*", 'UiConfig': { 'UiTemplateS3Uri': "s3://bucket/path/custom-worker-task-template.html" }, 'PreHumanTaskLambdaArn': "arn:aws:lambda:us-east-1:432418664414:function:PRE-tasktype", 'TaskKeywords': [ "Images", "Classification", "Multi-label" ], 'TaskTitle': "Multi-label image classification task", 'TaskDescription': "Select all labels that apply to the images shown", 'NumberOfHumanWorkersPerDataObject': 1, 'TaskTimeLimitInSeconds': 3600, 'TaskAvailabilityLifetimeInSeconds': 21600, 'MaxConcurrentTaskCount': 1000, 'AnnotationConsolidationConfig': { 'AnnotationConsolidationLambdaArn': "arn:aws:lambda:us-east-1:432418664414:function:ACS-" }, Tags=[ { 'Key': "string", 'Value': "string" }, ] ) ``` ------ #### [ AWS CLI ] Im Folgenden finden Sie ein Beispiel für eine AWS CLI-Anforderung zur Erstellung eines Labeling-Jobs für einen integrierten Aufgabentyp in der Region USA Ost (Nord-Virginia) mithilfe der [Belegschaft von Amazon Mechanical Turk](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-workforce-management-public.html). Weitere Informationen finden Sie unter [start-human-loop](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-labeling-job.html) in der Referenz zum *[AWS CLI -Befehl](https://docs.aws.amazon.com/cli/latest/reference/)*. Ersetzen Sie alles *red-italized text* durch Ihre Ressourcen und Spezifikationen für den Etikettierungsauftrag. ``` $ aws --region us-east-1 sagemaker create-labeling-job \ --labeling-job-name "example-labeling-job" \ --label-attribute-name "label" \ --role-arn "arn:aws:iam::account-id:role/role-name" \ --input-config '{ "DataAttributes": { "ContentClassifiers": [ "FreeOfPersonallyIdentifiableInformation", "FreeOfAdultContent" ] }, "DataSource": { "S3DataSource": { "ManifestS3Uri": "s3://bucket/path/manifest-with-input-data.json" } } }' \ --output-config '{ "KmsKeyId": "", "S3OutputPath": "s3://bucket/path/file-to-store-output-data" }' \ --human-task-config '{ "AnnotationConsolidationConfig": { "AnnotationConsolidationLambdaArn": "arn:aws:lambda:us-east-1:432418664414:function:ACS-" }, "TaskAvailabilityLifetimeInSeconds": 21600, "TaskTimeLimitInSeconds": 3600, "NumberOfHumanWorkersPerDataObject": 1, "PreHumanTaskLambdaArn": "arn:aws:lambda:us-east-1:432418664414:function:PRE-tasktype", "WorkteamArn": "arn:aws:sagemaker:us-east-1:394669845002:workteam/public-crowd/default", "PublicWorkforceTaskPrice": { "AmountInUsd": { "Dollars": 0, "TenthFractionsOfACent": 6, "Cents": 3 } }, "TaskDescription": "Select all labels that apply to the images shown", "MaxConcurrentTaskCount": 1000, "TaskTitle": "Multi-label image classification task",, "TaskKeywords": [ "Images", "Classification", "Multi-label" ], "UiConfig": { "UiTemplateS3Uri": "s3://bucket/path/custom-worker-task-template.html" } }' ``` ------ Weitere Informationen zu dieser Operation finden Sie im Abschnitt [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateLabelingJob.html). Informationen zur Verwendung anderer sprachspezifischer Sprachen SDKs finden Sie unter „[Siehe auch](https://docs.aws.amazon.com/sagemaker/latest/dg/API_CreateLabelingJob.html#API_CreateLabelingJob_SeeAlso)“ im `CreateLabelingJobs` Thema.