Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Requisiti dei dati delle immagini
Un processo di elaborazione SageMaker Clarify fornisce supporto per spiegare le immagini. Questo argomento fornisce i requisiti di formato dei dati per i dati di immagini. Per informazioni sull’elaborazione dei dati delle immagini, consulta [Analisi dei dati delle immagini per la spiegabilità della visione artificiale](clarify-processing-job-run.md#clarify-processing-job-run-cv).
Un set di dati di immagini contiene uno o più file di immagine. Per identificare un set di dati di input per il processo di elaborazione di SageMaker Clarify, imposta un `dataset_uri` parametro di configurazione [ProcessingInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob.html#sagemaker-CreateProcessingJob-request-ProcessingInputs)denominato `dataset` o di analisi su un prefisso URI Amazon S3 dei tuoi file di immagine.
Nella seguente tabella sono elencati i formati di immagine e le estensioni di file supportati.
| Formato di immagine | Estensione di file |
| --- | --- |
| JPEG | jpg, jpeg |
| PNG | png |
Imposta il parametro `dataset_type` di configurazione dell'analisi su **application/x-image**. Poiché il tipo non è un formato di file di immagine specifico, `content_type` verrà utilizzato per decidere il formato e l'estensione del file di immagine.
[Il processo di elaborazione SageMaker Clarify carica ogni file di immagine su un array NumPy tridimensionale per un'ulteriore elaborazione.](https://numpy.org/doc/stable/reference/generated/numpy.ndarray.html) Le tre dimensioni includono altezza, larghezza e i valori RGB di ogni pixel.
## Formato di richiesta dell’endpoint
Il processo di elaborazione SageMaker Clarify converte i dati RGB non elaborati di un'immagine in un formato di immagine compatibile, come JPEG. Lo fa prima di inviare i dati all'endpoint per le previsioni. I formati di immagine supportati sono i seguenti:
| Formato dei dati | Tipo MIME | Estensione di file |
| --- | --- | --- |
| JPEG | `image/jpeg` | jpg, jpeg |
| PNG | `image/png` | png |
| NPY | `application/x-npy` | Tutti i formati sopra elencati |
Specifica il formato dei dati di payload della richiesta, utilizzando il parametro `content_type`. Se `content_type` non viene fornito, il formato dei dati predefinito è `image/jpeg`.
## Formato di risposta dell’endpoint
Dopo aver ricevuto la risposta di una chiamata di un endpoint di inferenza, il job di elaborazione SageMaker Clarify deserializza il payload di risposta e quindi ne estrae le previsioni.
### Problema di classificazione delle immagini
Il formato dei dati di payload della risposta deve essere specificato dal parametro accept\$1type di configurazione dell'analisi. Se `accept_type` non viene fornito, il formato dei dati predefinito è `application/json`. I formati supportati sono gli stessi descritti nella sezione dei dati tabulari in **Risposta dell'endpoint per i dati tabulari**.
Vedi un [Inferenza con l'algoritmo di classificazione delle immagini](image-classification.md#IC-inference) esempio di algoritmo di classificazione delle immagini integrato nell' SageMaker intelligenza artificiale che accetta una singola immagine e quindi restituisce una serie di valori di probabilità (punteggi), ciascuno per una classe.
Come mostrato nella tabella seguente, quando il parametro `content_type` è impostato su `application/jsonlines`, la risposta è un oggetto JSON.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola | '\$1"prediction":[0.1,0.6,0.3]\$1' |
Nell'esempio precedente, imposta il `probability` parametro sull' JMESPath espressione «previsione» per estrarre i punteggi.
Quando il parametro `content_type` è impostato su `application/json`, la risposta è un oggetto JSON, come mostrato nella seguente tabella.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola | '[0.1,0.6,0.3]' |
Nell'esempio precedente, impostate `probability` l' JMESPath espressione «[\$1]» per estrarre tutti gli elementi dell'array. Nell'esempio precedente, [`0.1, 0.6, 0.3]` viene estratto. In alternativa, se ignori l'impostazione del parametro `probability` di configurazione, vengono estratti anche tutti gli elementi della matrice. Questo perché l'intero payload viene deserializzato come le previsioni.
### Problema di rilevamento di oggetti
La configurazione dell’analisi `accept_type` viene impostata sul valore predefinito `application/json` e l’unico formato supportato è Object Detection Inference Format. Per ulteriori informazioni sui formati della risposta, consulta [Formati della risposta](object-detection-in-formats.md#object-detection-recordio).
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce una matrice. Ogni elemento della matrice è una matrice di valori contenente l'indice di classe, il punteggio di attendibilità e le coordinate dei riquadri di delimitazione dell'oggetto rilevato.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola (un oggetto) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]' |
| Immagine singola (due oggetti) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]' |
La seguente tabella è un esempio di risposta da un endpoint che genera un oggetto JSON con una chiave che fa riferimento alla matrice. Imposta la configurazione di analisi `probability` sulla chiave "prediction" per estrarre i valori.
| Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
| --- | --- |
| Immagine singola (un oggetto) | '\$1"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]\$1' |
| Immagine singola (due oggetti) | '\$1"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]\$1' |
## Verifica preventivamente la richiesta e la risposta dell'endpoint per i dati di immagini
Ti consigliamo di distribuire il modello su un endpoint di inferenza in tempo reale di SageMaker intelligenza artificiale e di inviare richieste all'endpoint. Esamina manualmente le richieste e le risposte. Assicurati che entrambe siano conformi ai requisiti nella sezione **Richiesta dell'endpoint per dati di immagini** e **Risposta dell'endpoint per dati di immagini**.
Di seguito sono riportati due esempi di codice che mostrano come inviare richieste ed esaminare le risposte ai problemi di classificazione delle immagini e di rilevamento degli oggetti.
### Problema di classificazione delle immagini
L'esempio di codice seguente indica a un endpoint di leggere un file PNG e quindi lo classifica.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-image-classification \
--content-type "image/png" \
--accept "application/json" \
--body fileb://./test.png \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
[0.1,0.6,0.3]
```
### Problema di rilevamento di oggetti
L'esempio di codice seguente indica a un endpoint di leggere un file JPEG e quindi rileva gli oggetti in esso contenuti.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-object-detection \
--content-type "image/jpg" \
--accept "application/json" \
--body fileb://./test.jpg \
/dev/stderr 1>/dev/null
```
Nell'esempio di codice precedente, segue l'output della risposta.
```
{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475],[4.0, 0.32643985450267792, 0.3677481412887573, 0.034883320331573486, 0.6318609714508057, 0.5967587828636169],[8.0, 0.22552496790885925, 0.6152569651603699, 0.5722782611846924, 0.882301390171051, 0.8985623121261597],[3.0, 0.42260299175977707, 0.019305512309074402, 0.08386176824569702, 0.39093565940856934, 0.9574796557426453]]}
```