Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Ikhtisar Titan model Amazon
Amazon Titan Foundation Models (FMs) adalah keluarga yang FMs telah dilatih sebelumnya oleh AWS kumpulan data besar, menjadikannya model tujuan umum yang kuat yang dibuat untuk mendukung berbagai kasus penggunaan. Gunakan apa adanya atau sesuaikan secara pribadi dengan data Anda sendiri.
Amazon Titan mendukung model berikut untuk Amazon Bedrock.
+ **Penyematan Titan Teks Amazon V2**
+ **Amazon Titan Multimodal Embeddings G1**
+ **Generator Gambar Amazon Titan G1 v2**
**Topics**
+ [Model Embeddings Teks Amazon Titan](titan-embedding-models.md)
+ [Titan Multimodal Embeddings G1Model Amazon](titan-multiemb-models.md)
+ [Generator Gambar Amazon Titan Model G1](titan-image-models.md)
# Model Embeddings Teks Amazon Titan
Model Amazon Titan Embeddings termasuk Amazon Text Embeddings V2 dan model Titan Titan Text Embeddings G1.
Penyematan teks mewakili representasi vektor yang bermakna dari teks tidak terstruktur seperti dokumen, paragraf, dan kalimat. Anda memasukkan badan teks dan outputnya adalah vektor (1 x n). Anda dapat menggunakan vektor embedding untuk berbagai macam aplikasi.
Model Amazon Titan Text Embedding v2 (`amazon.titan-embed-text-v2:0`) dapat mengambil hingga 8.192 token atau 50.000 karakter dan menghasilkan vektor 1.024 dimensi. Model ini dioptimalkan untuk tugas pengambilan teks, tetapi juga dapat digunakan untuk tugas tambahan, seperti kesamaan semantik dan pengelompokan.
Model Amazon Titan Embeddings menghasilkan representasi semantik yang bermakna dari dokumen, paragraf, dan kalimat. Amazon Titan Text Embeddings mengambil sebagai masukan isi teks dan menghasilkan vektor (1 x n). Amazon Titan Text Embeddings ditawarkan melalui pemanggilan titik akhir yang dioptimalkan latensi untuk pencarian yang lebih cepat (direkomendasikan selama langkah pengambilan) serta pekerjaan batch yang dioptimalkan throughput untuk pengindeksan yang lebih cepat. Amazon Titan Text Embeddings v2 mendukung dokumen panjang, namun untuk tugas pengambilan, disarankan untuk mengelompokkan dokumen ke dalam segmen logis, seperti paragraf atau bagian.
**catatan**
Amazon Titan Text Embeddings v2 model dan model Titan Text Embeddings v1 tidak mendukung parameter inferensi seperti atau. `maxTokenCount` `topP`
**Model Amazon Titan Teks Embeddings V2**
+ **ID Model** — `amazon.titan-embed-text-v2:0`
+ **Token teks masukan maksimum** - 8,192
+ **Karakter teks masukan maksimum** - 50.000
+ **Bahasa** - Bahasa Inggris (100\$1 bahasa dalam pratinjau)
+ **Ukuran vektor keluaran** - 1,024 (default), 512, 256
+ **Jenis inferensi** — On-Demand, Throughput yang Disediakan
+ **Kasus penggunaan yang didukung** - RAG, pencarian dokumen, reranking, klasifikasi, dll.
**catatan**
Titan Text Embeddings V2 mengambil input string yang tidak kosong dengan hingga 8.192 token atau 50.000 karakter. Rasio karakter terhadap token dalam bahasa Inggris rata-rata 4,7 karakter per token. Sementara Titan Text Embeddings V1 dan Titan Text Embeddings V2 mampu menampung hingga 8.192 token, disarankan untuk mengelompokkan dokumen ke dalam segmen logis (seperti paragraf atau bagian).
Model Amazon Titan Embedding Text v2 dioptimalkan untuk bahasa Inggris, dengan dukungan multibahasa untuk bahasa berikut. Kueri lintas bahasa (seperti menyediakan basis pengetahuan dalam bahasa Korea dan menanyakannya dalam bahasa Jerman) akan mengembalikan hasil yang kurang optimal.
+ Afrikaans
+ bahasa Albania
+ Amharik
+ Arab
+ Orang Armenia
+ Assam
+ Orang Azerbaijan
+ Bashkir
+ Basque
+ Belarusia
+ Bengali
+ Orang Bosnia
+ Breton
+ Bulgaria
+ Burma
+ bahasa katala
+ Cebuano
+ Mandarin
+ Korsika
+ orang Kroasia
+ Bahasa Ceko
+ Orang Denmark
+ Dhivehi
+ Bahasa Belanda
+ Bahasa Inggris
+ Esperanto
+ Estonia
+ Faroe
+ orang Finlandia
+ Prancis
+ Galicia
+ Orang Georgia
+ Bahasa Jerman
+ Gujarat
+ Haiti
+ Hausa
+ Ibrani
+ bahasa Hindi
+ Bahasa Hungaria
+ Islandia
+ orang Indonesia
+ orang Irlandia
+ Bahasa Italia
+ Bahasa Jepang
+ Orang Jawa
+ Kannada
+ Kazakh
+ Khmer
+ Kinyarwanda
+ Kirghiz
+ Bahasa Korea
+ bahasa Kurdi
+ Lao
+ bahasa Latin
+ Latvia
+ Lituania
+ Luksemburg
+ Makedonia
+ Malagasi
+ Melayu
+ Malayalam
+ Malta
+ Maori
+ Marathi
+ Yunani modern
+ Mongolia
+ Nepal
+ Norwegia
+ Nynorsk Norwegia
+ Occitan
+ Oriya
+ Panjabi
+ Persia
+ Polandia
+ Bahasa Portugis
+ Pushto
+ Rumania
+ Romansh
+ Bahasa Rusia
+ Sansekerta
+ Gaelik Skotlandia
+ Serbia
+ Sindhi
+ Sinhala
+ Orang Slovakia
+ Bahasa Slovenia
+ Somalia
+ Bahasa Spanyol
+ Sunda
+ Swahili
+ Bahasa Swedia
+ Tagalog
+ Tajik
+ Tamil
+ Tatar
+ Telugu
+ Thai
+ Tibet
+ Turki
+ Turkmenistan
+ Uighur
+ orang Ukraina
+ Urdu
+ Uzbek
+ Vietnam
+ Waray
+ Welsh
+ Frisia Barat
+ Xhosa
+ Bahasa Yiddish
+ Yoruba
+ Zulu
# Titan Multimodal Embeddings G1Model Amazon
Amazon Titan Foundation Model telah dilatih sebelumnya pada kumpulan data besar, menjadikannya model tujuan umum yang kuat. Gunakan apa adanya, atau sesuaikan dengan menyempurnakan model dengan data Anda sendiri untuk tugas tertentu tanpa membuat anotasi volume data yang besar.
Ada tiga jenis model Titan: embeddings, pembuatan teks, dan pembuatan gambar.
Ada dua Titan Multimodal Embeddings G1 model. Model Titan Multimodal Embeddings G1 menerjemahkan input teks (kata, frasa atau mungkin satuan teks yang besar) ke dalam representasi numerik (dikenal sebagai embeddings) yang berisi makna semantik teks. Meskipun model ini tidak akan menghasilkan teks, ini berguna untuk aplikasi seperti personalisasi dan pencarian. Dengan membandingkan embeddings, model akan menghasilkan respons yang lebih relevan dan kontekstual daripada pencocokan kata. Model Multimodal Embeddings G1 digunakan untuk kasus penggunaan seperti mencari gambar berdasarkan teks, dengan gambar untuk kesamaan, atau dengan kombinasi teks dan gambar. Ini menerjemahkan gambar input atau teks ke dalam embedding yang berisi makna semantik dari gambar dan teks dalam ruang semantik yang sama.
Model Titan Text bersifat generatif LLMs untuk tugas-tugas seperti ringkasan, pembuatan teks, klasifikasi, qnA terbuka, dan ekstraksi informasi. Mereka juga dilatih pada banyak bahasa pemrograman yang berbeda, serta format teks kaya seperti tabel, JSON, dan file.csv, di antara format lainnya.
**Amazon Titan Multimodal Embeddings model G1**
+ **ID Model** — `amazon.titan-embed-image-v1`
+ **Token teks masukan maksimum** - 256
+ **Bahasa** — Bahasa Inggris
+ **Ukuran gambar masukan maks** - 25 MB
+ **Ukuran vektor keluaran** - 1,024 (default), 384, 256
+ **Jenis inferensi** — On-Demand, Throughput yang Disediakan
+ **Kasus penggunaan yang didukung** — Pencarian, rekomendasi, dan personalisasi.
Titan Text Embeddings V1 mengambil sebagai input string yang tidak kosong dengan hingga 8.192 token dan mengembalikan penyematan 1.024 dimensi. Rasio karakter terhadap token dalam bahasa Inggris adalah 4,7 char/token, rata-rata. Catatan tentang kasus penggunaan RAG: Sementara Titan Text Embeddings V2 mampu menampung hingga 8.192 token, kami sarankan untuk mengelompokkan dokumen ke dalam segmen logis (seperti paragraf atau bagian).
## Panjang penyematan
Menyetel panjang penyematan khusus adalah opsional. Panjang default penyematan adalah 1024 karakter yang akan berfungsi untuk sebagian besar kasus penggunaan. Panjang embedding dapat diatur ke 256, 384, atau 1024 karakter. Ukuran penyematan yang lebih besar menciptakan respons yang lebih rinci, tetapi juga akan meningkatkan waktu komputasi. Panjang penyematan yang lebih pendek kurang detail tetapi akan meningkatkan waktu respons.
```
# EmbeddingConfig Shape
{
'outputEmbeddingLength': int // Optional, One of: [256, 384, 1024], default: 1024
}
# Updated API Payload Example
body = json.dumps({
"inputText": "hi",
"inputImage": image_string,
"embeddingConfig": {
"outputEmbeddingLength": 256
}
})
```
## Finetuning
+ Input ke Titan Multimodal Embeddings G1 finetuning Amazon adalah pasangan gambar-teks.
+ Format gambar: PNG, JPEG
+ Batas ukuran gambar masukan: 25 MB
+ Dimensi gambar: min: 256 px, maks: 4.096 px
+ Jumlah maksimum token dalam keterangan: 128
+ Rentang ukuran kumpulan data pelatihan: 1000 - 500.000
+ Rentang ukuran dataset validasi: 8 - 50.000
+ Panjang keterangan dalam karakter: 0 - 2.560
+ Total piksel maksimum per gambar: 2048\$1 2048\$1 3
+ Rasio aspek (w/jam): min: 0,25, maks: 4
## Mempersiapkan dataset
Untuk dataset pelatihan, buat `.jsonl` file dengan beberapa baris JSON. Setiap baris JSON berisi `caption` atribut `image-ref` dan yang mirip dengan format [Sagemaker Augmented](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest.html) Manifest. Diperlukan kumpulan data validasi. Teks otomatis saat ini tidak didukung.
```
{"image-ref": "s3://bucket-1/folder1/0001.png", "caption": "some text"}
{"image-ref": "s3://bucket-1/folder2/0002.png", "caption": "some text"}
{"image-ref": "s3://bucket-1/folder1/0003.png", "caption": "some text"}
```
Untuk kumpulan data pelatihan dan validasi, Anda akan membuat `.jsonl` file dengan beberapa baris JSON.
Jalur Amazon S3 harus berada di folder yang sama di mana Anda telah memberikan izin untuk Amazon Bedrock untuk mengakses data dengan melampirkan kebijakan IAM ke peran layanan Amazon Bedrock Anda. Untuk informasi selengkapnya tentang pemberian kebijakan IAM untuk data pelatihan, lihat [Memberikan akses lowongan khusus ke data pelatihan Anda](https://docs.aws.amazon.com/bedrock/latest/userguide/security_iam_id-based-policy-examples.html#security_iam_id-based-policy-examples-model-customization).
## Hyperparameter
Nilai-nilai ini dapat disesuaikan untuk hiperparameter model Multimodal Embeddings. Nilai default akan berfungsi dengan baik untuk sebagian besar kasus penggunaan.
+ Tingkat pembelajaran - (tingkat pembelajaran min/maks) - default: 5.00E-05, min: 5.00E-08, maks: 1
+ Ukuran batch - Ukuran batch efektif - default: 576, min: 256, maks: 9.216
+ Epoch maks - default: “auto”, min: 1, maks: 100
# Generator Gambar Amazon Titan Model G1
Amazon Titan Image Generator G1 adalah model pembuatan gambar yang memungkinkan pengguna untuk menghasilkan dan mengedit gambar dengan cara serbaguna. Pengguna dapat membuat gambar yang sesuai dengan deskripsi berbasis teks mereka hanya dengan memasukkan petunjuk bahasa alami. Selain itu, mereka dapat mengunggah dan mengedit gambar yang ada, termasuk menerapkan petunjuk berbasis teks tanpa perlu topeng, atau mengedit bagian tertentu dari gambar menggunakan topeng gambar. Model ini juga mendukung outpainting, yang memperluas batas-batas gambar, dan inpainting, yang mengisi area yang hilang. Ini menawarkan kemampuan untuk menghasilkan variasi gambar berdasarkan prompt teks opsional, serta opsi penyesuaian instan yang memungkinkan pengguna untuk mentransfer gaya menggunakan gambar referensi atau menggabungkan gaya dari beberapa referensi, semua tanpa memerlukan fine-tuning.
Amazon Titan Image Generator G1 v2 menambahkan beberapa kemampuan canggih. Hal ini memungkinkan pengguna untuk memanfaatkan gambar referensi untuk memandu pembuatan gambar, di mana gambar output sejajar dengan tata letak dan komposisi gambar referensi sambil tetap mengikuti prompt tekstual. Ini juga mencakup fitur penghapusan latar belakang otomatis, yang dapat menghapus latar belakang dari gambar yang berisi banyak objek tanpa input pengguna. Model ini memberikan kontrol yang tepat atas palet warna gambar yang dihasilkan, memungkinkan pengguna untuk mempertahankan identitas visual merek tanpa persyaratan untuk fine-tuning tambahan. Selain itu, fitur konsistensi subjek memungkinkan pengguna untuk menyempurnakan model dengan gambar referensi untuk mempertahankan subjek yang dipilih (misalnya, hewan peliharaan, sepatu atau tas tangan) dalam gambar yang dihasilkan. Rangkaian fitur yang komprehensif ini memberdayakan pengguna untuk melepaskan potensi kreatif mereka dan mewujudkan visi imajinatif mereka.
Untuk informasi selengkapnya tentang pedoman teknik prompt model Amazon Titan Image Generator G1, lihat Praktik Terbaik Rekayasa [Prompt Amazon Titan Image Generator](https://d2eo22ngex1n9g.cloudfront.net/Documentation/User+Guides/Titan/Amazon+Titan+Image+Generator+Prompt+Engineering+Guidelines.pdf).
Untuk terus mendukung praktik terbaik dalam penggunaan AI yang bertanggung jawab, Titan Foundation Models (FMs) dibangun untuk mendeteksi dan menghapus konten berbahaya dalam data, menolak konten yang tidak pantas dalam input pengguna, dan memfilter keluaran model yang mengandung konten yang tidak pantas (seperti ujaran kebencian, kata-kata kotor, dan kekerasan). Titan Image Generator FM menambahkan watermark tak terlihat dan metadata [C2PA](https://c2pa.org/) ke semua gambar yang dihasilkan.
Anda dapat menggunakan fitur deteksi tanda air di konsol Amazon Bedrock atau menghubungi API deteksi tanda air Amazon Bedrock (pratinjau) untuk memeriksa apakah gambar berisi tanda air dari Titan Image Generator. Anda juga dapat menggunakan situs-situs seperti [Content Credentials Verify](https://contentcredentials.org/verify) untuk memeriksa apakah gambar dihasilkan oleh Titan Image Generator.
**Ikhtisar Amazon Titan Image Generator v2**
+ **ID Model** — `amazon.titan-image-generator-v2:0 `
+ **Karakter masukan maks** - 512 karakter
+ **Ukuran gambar input maksimum** - 5 MB (hanya beberapa resolusi tertentu yang didukung)
+ **Ukuran gambar maksimal menggunakan in/outpainting, penghapusan latar belakang, pengkondisian gambar, palet warna** - 1.408 x 1.408 px
+ **Ukuran gambar maks menggunakan variasi gambar** - 4.096 x 4.096 px
+ **Bahasa** — Inggris
+ **Jenis keluaran** - gambar
+ **Jenis gambar yang didukung** - JPEG, JPG, PNG
+ **Jenis inferensi** — On-Demand, Throughput yang Disediakan
+ **Kasus penggunaan yang didukung** - pembuatan gambar, pengeditan gambar, variasi gambar, penghapusan latar belakang, konten yang dipandu warna
## Fitur
+ Text-to-image Generasi (T2I) - Masukkan prompt teks dan hasilkan gambar baru sebagai output. Gambar yang dihasilkan menangkap konsep yang dijelaskan oleh prompt teks.
+ Finetuning model T2I - Impor beberapa gambar untuk menangkap gaya dan personalisasi Anda sendiri dan kemudian menyempurnakan model inti T2I. Model yang disetel dengan baik menghasilkan gambar yang mengikuti gaya dan personalisasi pengguna tertentu.
+ Opsi pengeditan gambar - termasuk: inpainting, outpainting, menghasilkan variasi, dan pengeditan otomatis tanpa mask gambar.
+ Inpainting — Menggunakan gambar dan topeng segmentasi sebagai input (baik dari pengguna atau diperkirakan oleh model) dan merekonstruksi wilayah dalam topeng. Gunakan inpainting untuk menghapus elemen bertopeng dan menggantinya dengan piksel latar belakang.
+ Outpainting — Menggunakan gambar dan topeng segmentasi sebagai input (baik dari pengguna atau diperkirakan oleh model) dan menghasilkan piksel baru yang memperluas wilayah dengan mulus. Gunakan pengecatan yang tepat untuk mempertahankan piksel gambar bertopeng saat memperluas gambar ke batas. Gunakan outpainting default untuk memperluas piksel gambar bertopeng ke batas gambar berdasarkan pengaturan segmentasi.
+ Variasi gambar - Menggunakan 1 sampai 5 gambar dan prompt opsional sebagai input. Ini menghasilkan gambar baru yang mempertahankan konten gambar input, tetapi memvariasikan gaya dan latar belakangnya.
+ Pengkondisian gambar - (Hanya V2) Menggunakan gambar referensi input untuk memandu pembuatan gambar. Model menghasilkan gambar keluaran yang selaras dengan tata letak dan komposisi gambar referensi, sambil tetap mengikuti prompt tekstual.
+ Konsistensi subjek - (hanya V2) Konsistensi subjek memungkinkan pengguna untuk menyempurnakan model dengan gambar referensi untuk mempertahankan subjek yang dipilih (misalnya, hewan peliharaan, sepatu, atau tas tangan) dalam gambar yang dihasilkan.
+ Konten yang dipandu warna - (hanya V2) Anda dapat memberikan daftar kode warna hex bersama dengan prompt. Kisaran 1 hingga 10 kode hex dapat disediakan. Gambar yang dikembalikan oleh Titan Image Generator G1 V2 akan menggabungkan palet warna yang disediakan oleh pengguna.
+ Penghapusan latar belakang - (hanya V2) Secara otomatis mengidentifikasi beberapa objek dalam gambar input dan menghapus latar belakang. Gambar output memiliki latar belakang transparan.
+ Asal konten — Gunakan situs seperti [Content Credentials Verifikasi](https://contentcredentials.org/verify) untuk memeriksa apakah gambar dihasilkan oleh Titan Image Generator. Ini harus menunjukkan gambar dihasilkan kecuali metadata telah dihapus.
**catatan**
jika Anda menggunakan model yang disetel dengan baik, Anda tidak dapat menggunakan fitur inpainting, outpainting atau palet warna dari API atau model.
## Parameter
Untuk informasi tentang parameter inferensi model Amazon Amazon Titan Image Generator G1, lihat Parameter inferensi model [Amazon Titan Image Generator G1](model-parameters-titan-image.md).
## Penyetelan halus
Untuk informasi lebih lanjut tentang menyempurnakan model Amazon Titan Image Generator G1, lihat halaman berikut.
+ [Siapkan data untuk menyempurnakan model Anda](model-customization-prepare.md)
+ [Amazon Titan Image Generator G1 model kustomisasi hyperparameters](custom-models-hp.md#cm-hp-titan-image)
**Amazon Titan Image Generator G1 model fine-tuning dan harga**
Model menggunakan rumus contoh berikut untuk menghitung harga total per pekerjaan:
Total Harga = Langkah-langkah\$1 Ukuran batch \$1 Harga per gambar terlihat
Nilai minimum (auto):
+ Langkah minimum (auto) - 500
+ Ukuran batch minimum - 8
+ Tingkat pembelajaran default - 0,00001
+ Harga per gambar dilihat - 0,005
**Pengaturan hyperparameter fine-tuning**
**Langkah** — Berapa kali model diekspos ke setiap batch. Tidak ada set hitungan langkah default. Anda harus memilih angka antara 10 - 40.000, atau nilai String “Otomatis.”
**Pengaturan langkah - Otomatis** - Amazon Bedrock menentukan nilai yang wajar berdasarkan informasi pelatihan. Pilih opsi ini untuk memprioritaskan kinerja model daripada biaya pelatihan. Jumlah langkah ditentukan secara otomatis. Jumlah ini biasanya antara 1.000 dan 8.000 berdasarkan dataset Anda. Biaya pekerjaan dipengaruhi oleh jumlah langkah yang digunakan untuk mengekspos model ke data. Lihat bagian contoh harga dari detail harga untuk memahami bagaimana biaya pekerjaan dihitung. (Lihat contoh tabel di atas untuk melihat bagaimana jumlah langkah terkait dengan jumlah gambar saat Auto dipilih.)
**Pengaturan langkah - Kustom -** Anda dapat memasukkan jumlah langkah yang Anda inginkan Bedrock untuk mengekspos model kustom Anda ke data pelatihan. Nilai ini bisa antara 10 dan 40.000. Anda dapat mengurangi biaya per gambar yang dihasilkan oleh model dengan menggunakan nilai hitungan langkah yang lebih rendah.
**Ukuran Batch** — Jumlah sampel yang diproses sebelum parameter model diperbarui. Nilai ini antara 8 dan 192 dan merupakan kelipatan dari 8.
**Tingkat pembelajaran** — Tingkat di mana parameter model diperbarui setelah setiap batch data pelatihan. Ini adalah nilai float antara 0 dan 1. Tingkat pembelajaran diatur ke 0,00001 secara default.
Untuk informasi selengkapnya tentang prosedur fine-tuning, lihat [Mengirimkan pekerjaan penyesuaian model](https://docs.aws.amazon.com/bedrock/latest/userguide/model-customization-submit.html).
## Output
Model Amazon Titan Image Generator G1 menggunakan ukuran dan kualitas gambar output untuk menentukan harga gambar. Model ini memiliki dua segmen harga berdasarkan ukuran: satu untuk 512\$1 512 gambar dan satu lagi untuk 1024\$1 1024 gambar. Harga didasarkan pada tinggi ukuran gambar\$1 lebar, kurang dari atau sama dengan 512\$1 512 atau lebih besar dari 512\$1 512.
Untuk informasi selengkapnya tentang harga Amazon Bedrock, lihat Harga [Amazon Bedrock](https://aws.amazon.com/bedrock/pricing/).
## Deteksi tanda air
**catatan**
Deteksi tanda air untuk konsol Amazon Bedrock dan API tersedia dalam rilis pratinjau publik dan hanya akan mendeteksi tanda air yang dihasilkan dari Titan Image Generator G1. Fitur ini saat ini hanya tersedia di `us-west-2` dan `us-east-1` Wilayah. Deteksi tanda air adalah deteksi yang sangat akurat dari tanda air yang dihasilkan oleh Titan Image Generator G1. Gambar yang dimodifikasi dari gambar asli dapat menghasilkan hasil deteksi yang kurang akurat.
Model ini menambahkan tanda air tak terlihat ke semua gambar yang dihasilkan untuk mengurangi penyebaran informasi yang salah, membantu perlindungan hak cipta, dan melacak penggunaan konten. Deteksi tanda air tersedia untuk membantu Anda mengonfirmasi apakah gambar dihasilkan oleh model Titan Image Generator G1, yang memeriksa keberadaan tanda air ini.
**catatan**
API Deteksi Tanda Air dalam pratinjau dan dapat berubah sewaktu-waktu. Kami menyarankan Anda membuat lingkungan virtual untuk menggunakan SDK. Karena deteksi tanda air APIs tidak tersedia dalam yang terbaru SDKs, kami sarankan Anda menghapus versi terbaru SDK dari lingkungan virtual sebelum menginstal versi dengan deteksi tanda air. APIs
Anda dapat mengunggah gambar Anda untuk mendeteksi jika tanda air dari Titan Image Generator G1 ada pada gambar. Gunakan konsol untuk mendeteksi tanda air dari model ini dengan mengikuti langkah-langkah di bawah ini.
**Untuk mendeteksi tanda air dengan Titan Image Generator G1:**
1. Buka konsol Amazon Bedrock di konsol [Amazon Bedrock](https://console.aws.amazon.com/bedrock)
1. Pilih **Ikhtisar** dari panel navigasi di Amazon Bedrock. Pilih tab **Build and Test**.
1. **Di bagian **Safeguards**, buka **Deteksi tanda air dan pilih Lihat deteksi tanda air**.**
1. Pilih **Unggah gambar** dan cari file yang dalam format JPG atau PNG. Ukuran file maksimum yang diizinkan adalah 5 MB.
1. Setelah diunggah, thumbnail gambar ditampilkan dengan nama, ukuran file, dan tanggal terakhir diubah. Pilih X untuk menghapus atau mengganti gambar dari bagian **Unggah**.
1. Pilih **Analisis** untuk memulai analisis deteksi tanda air.
1. Gambar dipratinjau di bawah **Hasil**, dan menunjukkan apakah tanda air terdeteksi dengan **Tanda Air terdeteksi** di bawah gambar dan spanduk di seluruh gambar. Jika tidak ada tanda air yang terdeteksi, teks di bawah gambar akan mengatakan **Watermark TIDAK** terdeteksi.
1. Untuk memuat gambar berikutnya, pilih X di thumbnail gambar di bagian **Unggah** dan pilih gambar baru untuk dianalisis.
## Pedoman Rekayasa Cepat
**Prompt topeng** — Algoritma ini mengklasifikasikan piksel ke dalam konsep. Pengguna dapat memberikan prompt teks yang akan digunakan untuk mengklasifikasikan area gambar yang akan disembunyikan, berdasarkan interpretasi prompt topeng. Opsi prompt dapat menafsirkan prompt yang lebih kompleks, dan menyandikan topeng ke dalam algoritma segmentasi.
**Masker gambar** - Anda juga dapat menggunakan topeng gambar untuk mengatur nilai topeng. Masker gambar dapat dikombinasikan dengan input cepat untuk topeng untuk meningkatkan akurasi. File mask gambar harus sesuai dengan parameter berikut:
+ Nilai gambar topeng harus 0 (hitam) atau 255 (putih) untuk gambar topeng. Area topeng gambar dengan nilai 0 akan dibuat ulang dengan gambar dari gambar and/or input prompt pengguna.
+ `maskImage`Bidang harus berupa string gambar yang dikodekan base64.
+ Gambar topeng harus memiliki dimensi yang sama dengan gambar input (tinggi dan lebar yang sama).
+ Hanya file PNG atau JPG yang dapat digunakan untuk gambar input dan gambar topeng.
+ Gambar topeng hanya boleh menggunakan nilai piksel hitam dan putih.
+ Gambar topeng hanya dapat menggunakan saluran RGB (saluran alfa tidak didukung).
Untuk informasi selengkapnya tentang rekayasa cepat Amazon Titan Image Generator, lihat [Amazon Titan Image Generator G1 model Praktik Terbaik Teknik Prompt](https://d2eo22ngex1n9g.cloudfront.net/Documentation/User+Guides/Titan/Amazon+Titan+Image+Generator+Prompt+Engineering+Guidelines.pdf).
Untuk pedoman teknik cepat umum, lihat [Pedoman Rekayasa Prompt](https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-engineering-guidelines.html).