Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Membuat pekerjaan klasifikasi gambar (Label Tunggal)

Gunakan tugas pelabelan klasifikasi gambar Amazon SageMaker Ground Truth saat Anda membutuhkan pekerja untuk mengklasifikasikan gambar menggunakan label yang telah ditentukan sebelumnya yang Anda tentukan. Pekerja diperlihatkan gambar dan diminta untuk memilih satu label untuk setiap gambar. Anda dapat membuat pekerjaan pelabelan klasifikasi gambar menggunakan bagian Ground Truth pada konsol Amazon SageMaker AI atau CreateLabelingJob operasi.

Membuat Pekerjaan Pelabelan Klasifikasi Gambar (Konsol)

Anda dapat mengikuti petunjuk Membuat Pekerjaan Pelabelan (Konsol) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi gambar di konsol SageMaker AI. Di Langkah 10, pilih Gambar dari menu tar ik- turun kategori tugas, dan pilih Klasifikasi Gambar (Label Tun ggal) sebagai jenis tugas.

Ground Truth menyediakan UI pekerja yang mirip dengan berikut untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan instruksi untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja.

Membuat Pekerjaan Pelabelan Klasifikasi Gambar (API)

Untuk membuat pekerjaan pelabelan klasifikasi gambar, gunakan operasi SageMaker APICreateLabelingJob. API ini mendefinisikan operasi ini untuk semua AWS SDK. Untuk melihat daftar SDK khusus bahasa yang didukung untuk operasi ini, tinjau bagian Lihat Juga dari. CreateLabelingJob

Ikuti petunjuk Membuat Pekerjaan Pelabelan (API) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda:

Berikut ini adalah contoh permintaan AWS Python SDK (Boto3) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia Utara). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda.

response = client.create_labeling_job(
    LabelingJobName='example-image-classification-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/worker-task-template.html'
        },
        'PreHumanTaskLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:PRE-ImageMultiClass,
        'TaskKeywords': [
            Image classification',
        ],
        'TaskTitle': Image classification task',
        'TaskDescription': 'Carefully inspect the image and classify it by selecting one label from the categories provided.',
        'NumberOfHumanWorkersPerDataObject': 123,
        'TaskTimeLimitInSeconds': 123,
        'TaskAvailabilityLifetimeInSeconds': 123,
        'MaxConcurrentTaskCount': 123,
        'AnnotationConsolidationConfig': {
            'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-ImageMultiClass'
        },
    Tags=[
        {
            'Key': 'string',
            'Value': 'string'
        },
    ]
)

Menyediakan Template untuk Pekerjaan Pelabelan Klasifikasi Gambar

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja diUiTemplateS3Uri. Salin dan modifikasi template berikut. Hanya memodifikasi short-instructions, full-instructions, danheader.

Unggah template ini ke S3, dan berikan URI S3 untuk file ini diUiTemplateS3Uri.

<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-image-classifier
    name="crowd-image-classifier"
    src="{{ task.input.taskObject | grant_read_access }}"
    header="please classify"
    categories="{{ task.input.labels | to_json | escape }}"
  >
    <full-instructions header="Image classification instructions">
      <ol><li><strong>Read</strong> the task carefully and inspect the image.</li>
      <li><strong>Read</strong> the options and review the examples provided to understand more about the labels.</li>
      <li><strong>Choose</strong> the appropriate label that best suits the image.</li></ol>
    </full-instructions>
    <short-instructions>
      <h3><span style="color: rgb(0, 138, 0);">Good example</span></h3>
      <p>Enter description to explain the correct label to the workers</p>
      <h3><span style="color: rgb(230, 0, 0);">Bad example</span></h3><p>Enter description of an incorrect label</p>
    </short-instructions>
  </crowd-image-classifier>
</crowd-form>

Data Output Klasifikasi Gambar

Setelah Anda membuat pekerjaan pelabelan klasifikasi gambar, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam S3OutputPath parameter saat menggunakan API atau di bidang Lokasi kumpulan data keluaran di bagian Ikhtisar pekerjaan di konsol.

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihatPelabelan data keluaran pekerjaan.

Untuk melihat contoh file manifes keluaran dari pekerjaan pelabelan klasifikasi gambar, lihatOutput pekerjaan klasifikasi.