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. # Etichettatura delle immagini Usa Ground Truth per etichettare le immagini. Seleziona uno dei seguenti tipi di attività predefiniti per saperne di più su quel tipo di attività. Ogni pagina include istruzioni per aiutarti a creare un processo di etichettatura utilizzando quel tipo di attività. **Suggerimento** Per ulteriori informazioni sui tipi di file supportati e sulle quote di dati di input, consulta [Dati di input](sms-data-input.md). **Topics** + [ # Classificare oggetti di immagini utilizzando un riquadro di delimitazione ](sms-bounding-box.md) + [ # Identificare i contenuti delle immagini utilizzando la segmentazione semantica ](sms-semantic-segmentation.md) + [ # Strumento di auto-segmentazione ](sms-auto-segmentation.md) + [ # Creare un processo di etichettatura per la classificazione delle immagini (API) ](sms-image-classification.md) + [ # Creare un processo di etichettatura per la classificazione delle immagini (multi-etichetta) ](sms-image-classification-multilabel.md) + [ # Verifica dell'etichetta dell’immagine ](sms-label-verification.md) # Classificare oggetti di immagini utilizzando un riquadro di delimitazione Le immagini utilizzate per addestrare un modello di machine learning spesso contengono più di un oggetto. Per classificare e localizzare uno o più oggetti all'interno delle immagini, utilizza il tipo di attività di etichettatura del bounding box di Amazon SageMaker Ground Truth. In questo contesto, la localizzazione indica la posizione pixel del riquadro di delimitazione. Puoi creare un lavoro di etichettatura dei bounding box utilizzando la sezione Ground Truth della console Amazon SageMaker AI o l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operazione. **Importante** Per questo tipo di attività, se si crea un file manifest personalizzato, utilizza `"source-ref"` per identificare la posizione di ciascun file immagine in Amazon S3 che desideri etichettare. Per ulteriori informazioni, consulta [Dati di input](sms-data-input.md). ## Creazione di un processo di etichettatura del rettangolo di selezione (console) Puoi seguire le istruzioni [Creare un processo di etichettatura (console)](sms-create-labeling-job-console.md) per imparare a creare un processo di etichettatura dei bounding box nella console AI. SageMaker Nella fase 10, scegli **Immagine** dal menu a discesa della **categoria Attività** e scegli **Riquadro di delimitazione** come tipo di attività. Ground Truth fornisce un'interfaccia utente di lavoro simile alla seguente per le attività di etichettatura. Quando si crea il processo di etichettatura con la console, si specificano le istruzioni per consentire ai worker di completare il processo e un massimo di 50 etichette tra cui i worker possono scegliere. ![\[GIF che mostra come disegnare un riquadro attorno a un oggetto per una categoria.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/sms/gifs/bb-sample.gif) ## Creare un processo di etichettatura del riquadro di delimitazione (API) Per creare un processo di etichettatura dei riquadri delimitatori, utilizza l'operazione API. SageMaker `CreateLabelingJob` Questa API definisce questa operazione per tutti. AWS SDKs Per visualizzare un elenco delle lingue specifiche SDKs supportate per questa operazione, **consulta la sezione Vedere anche** di. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Segui queste istruzioni su [Creare un processo di etichettatura (API)](sms-create-labeling-job-api.md) ed effettua le seguenti operazioni durante la configurazione della richiesta: + Le funzioni Lambda di pre-annotazione per questo tipo di attività terminano con `PRE-BoundingBox`. Per trovare l'ARN Lambda di pre-annotazione per la tua regione, consulta. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + Le funzioni Lambda di consolidamento delle annotazioni per questo tipo di attività terminano con `ACS-BoundingBox`. Per trovare l'ARN Lambda di consolidamento delle annotazioni per la tua regione, consulta. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Di seguito è riportato un esempio di richiesta [AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) per creare un processo di etichettatura nella Regione Stati Uniti orientali (Virginia settentrionale). Tutti i parametri in rosso devono essere sostituiti con le specifiche e le risorse. ``` response = client.create_labeling_job( LabelingJobName='example-bounding-box-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-BoundingBox', 'TaskKeywords': [ 'Bounding Box', ], 'TaskTitle': 'Bounding Box task', 'TaskDescription': 'Draw bounding boxes around objects in an image', 'NumberOfHumanWorkersPerDataObject': 123, 'TaskTimeLimitInSeconds': 123, 'TaskAvailabilityLifetimeInSeconds': 123, 'MaxConcurrentTaskCount': 123, 'AnnotationConsolidationConfig': { 'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-BoundingBox' } }, Tags=[ { 'Key': 'string', 'Value': 'string' }, ] ) ``` ### Fornire un modello per i processi di etichettatura dei riquadri di delimitazione Se stai creando un'attività di etichettatura utilizzando l'API, devi fornire un modello di attività del worker in `UiTemplateS3Uri`. Copia e modifica il modello seguente. Modifica solo [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions) e `header`. Carica questo modello in S3 e fornisci l'URI S3 per questo file in `UiTemplateS3Uri`. ```
  1. Inspect the image
  2. Determine if the specified label is/are visible in the picture.
  3. Outline each instance of the specified label in the image using the provided “Box” tool.
  • Boxes should fit tight around each object
  • Do not include parts of the object are overlapping or that cannot be seen, even though you think you can interpolate the whole shape.
  • Avoid including shadows.
  • If the target is off screen, draw the box up to the edge of the image.

    • Good example

    Enter description of a correct bounding box label and add images

    Bad example

    Enter description of an incorrect bounding box label and add images

     ``` ## Dati di output del riquadro di delimitazione Dopo aver creato un processo di etichettatura del riquadro di delimitazione, i dati di output si troveranno nel bucket Amazon S3 specificato nel parametro `S3OutputPath` quando si utilizza l'API o nel campo **Posizione del set di dati di output** della sezione **Panoramica dei processi** della console. Ad esempio, il file manifest di output di un'attività del riquadro di delimitazione a classe singola completato correttamente conterrà quanto segue: ``` [ { "boundingBox": { "boundingBoxes": [ { "height": 2832, "label": "bird", "left": 681, "top": 599, "width": 1364 } ], "inputImageProperties": { "height": 3726, "width": 2662 } } } ] ``` Il parametro `boundingBoxes` identifica la posizione del riquadro di delimitazione disegnato attorno a un oggetto identificato come «uccello» rispetto all'angolo in alto a sinistra dell'immagine che viene considerata la coordinata pixel (0,0). Nell'esempio precedente, **`left`** e **`top`** identifica la posizione del pixel nell'angolo in alto a sinistra del riquadro di delimitazione rispetto all'angolo in alto a sinistra dell'immagine. Le dimensioni del riquadro di delimitazione sono identificate con **`height`** e **`width`**. Il parametro `inputImageProperties` fornisce le dimensioni in pixel dell'immagine di input originale. Quando utilizzi il tipo di attività di etichettatura del riquadro di delimitazione, puoi creare attività di etichettatura del riquadro di delimitazione a classe singola e multiclasse. Il file manifest di output di un riquadro di delimitazione multi-classe completato correttamente conterrà quanto segue: ``` [ { "boundingBox": { "boundingBoxes": [ { "height": 938, "label": "squirrel", "left": 316, "top": 218, "width": 785 }, { "height": 825, "label": "rabbit", "left": 1930, "top": 2265, "width": 540 }, { "height": 1174, "label": "bird", "left": 748, "top": 2113, "width": 927 }, { "height": 893, "label": "bird", "left": 1333, "top": 847, "width": 736 } ], "inputImageProperties": { "height": 3726, "width": 2662 } } } ] ``` Per ulteriori informazioni sul file manifest di output risultante da un processo di etichettatura del riquadro di delimitazione, consulta [Output del processo di un riquadro di delimitazione](sms-data-output.md#sms-output-box). Per ulteriori informazioni sul file manifest di output generato da Ground Truth e sulla struttura di file utilizzata da Ground Truth per archiviare i dati di output, consulta [Etichettatura dei dati di output di un processo](sms-data-output.md). # Identificare i contenuti delle immagini utilizzando la segmentazione semantica Per identificare il contenuto di un'immagine a livello di pixel, utilizza un'attività di etichettatura semantica di Amazon SageMaker Ground Truth. Quando viene assegnato un processo di etichettatura di segmentazione semantica, i worker classificano i pixel nell'immagine in un set di etichette o classi predefinite. Ground Truth supporta processi di etichettatura a segmentazione semantica singola e multi-classe. Crei un lavoro di etichettatura di segmentazione semantica utilizzando la sezione Ground Truth della console Amazon SageMaker AI o l'operazione. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Le immagini che contengono un numero elevato di oggetti che devono essere segmentati richiedono più tempo. Per aiutare i worker (provenienti da una forza lavoro privata o di un fornitore) a etichettare questi oggetti in meno tempo e con maggiore precisione, Ground Truth fornisce uno strumento di segmentazione automatica assistito dall'IA. Per informazioni, consulta [Strumento di auto-segmentazione](sms-auto-segmentation.md). **Importante** Per questo tipo di attività, se si crea un file manifest personalizzato, utilizza `"source-ref"` per identificare la posizione di ciascun file immagine in Amazon S3 che desideri etichettare. Per ulteriori informazioni, consulta [Dati di input](sms-data-input.md). ## Creazione di un processo di etichettatura di segmentazione semantica (console) Puoi seguire le istruzioni [Creare un processo di etichettatura (console)](sms-create-labeling-job-console.md) per imparare a creare un processo di etichettatura a segmentazione semantica nella console AI. SageMaker Nella fase 10, scegli **Immagine** dal menu a discesa della **categoria Attività** e scegli **Segmentazione semantica** come tipo di attività. Ground Truth fornisce un'interfaccia utente di lavoro simile alla seguente per le attività di etichettatura. Quando si crea il processo di etichettatura con la console, si specificano le istruzioni per consentire ai worker di completare il processo e le etichette tra cui i worker possono scegliere. ![\[Gif che mostra un esempio su come creare un lavoro di etichettatura a segmentazione semantica nella console AI. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/semantic_segmentation_sample.gif) ## Creare un processo di etichettatura di segmentazione semantica (API) Per creare un processo di etichettatura a segmentazione semantica, utilizza l'operazione API. SageMaker `CreateLabelingJob` Questa API definisce questa operazione per tutti. AWS SDKs Per visualizzare un elenco delle lingue specifiche SDKs supportate per questa operazione, **consulta la sezione Vedere anche** di. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Segui queste istruzioni su [Creare un processo di etichettatura (API)](sms-create-labeling-job-api.md) ed effettua le seguenti operazioni durante la configurazione della richiesta: + Le funzioni Lambda di pre-annotazione per questo tipo di attività terminano con `PRE-SemanticSegmentation`. Per trovare l'ARN Lambda di pre-annotazione per la tua regione, consulta. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + Le funzioni Lambda di consolidamento delle annotazioni per questo tipo di attività terminano con `ACS-SemanticSegmentation`. Per trovare l'ARN Lambda di consolidamento delle annotazioni per la tua regione, consulta. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Di seguito è riportato un esempio di richiesta [AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) per creare un processo di etichettatura nella Regione Stati Uniti orientali (Virginia settentrionale). Tutti i parametri in rosso devono essere sostituiti con le specifiche e le risorse. ``` response = client.create_labeling_job( LabelingJobName='example-semantic-segmentation-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-SemanticSegmentation, 'TaskKeywords': [ 'Semantic Segmentation', ], 'TaskTitle': 'Semantic segmentation task', 'TaskDescription': 'For each category provided, segment out each relevant object using the color associated with that category', 'NumberOfHumanWorkersPerDataObject': 123, 'TaskTimeLimitInSeconds': 123, 'TaskAvailabilityLifetimeInSeconds': 123, 'MaxConcurrentTaskCount': 123, 'AnnotationConsolidationConfig': { 'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-SemanticSegmentation' }, Tags=[ { 'Key': 'string', 'Value': 'string' }, ] ) ``` ### Fornire un modello per i processi di etichettatura della segmentazione semantica Se stai creando un'attività di etichettatura utilizzando l'API, devi fornire un modello di attività del worker in `UiTemplateS3Uri`. Copia e modifica il modello seguente. Modifica solo [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions) e `header`. Carica questo modello in S3 e fornisci l'URI S3 per questo file in `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate label that best suits an object and paint that object using the tools provided.

    Good example

    Enter description to explain a correctly done segmentation


    Bad example

    Enter description of an incorrectly done segmentation

         ``` ## Dati di output di segmentazione semantica Dopo aver creato un processo di etichettatura di segmentazione semantica, i dati di output si troveranno nel bucket Amazon S3 specificato nel parametro `S3OutputPath` quando si utilizza l'API o nel campo **Posizione del set di dati di output** della sezione **Panoramica processo della console**. Per ulteriori informazioni sul file manifest di output generato da Ground Truth e sulla struttura di file utilizzata da Ground Truth per archiviare i dati di output, consulta [Etichettatura dei dati di output di un processo](sms-data-output.md). Per visualizzare un esempio di file manifesto di output per un processo di etichettatura di segmentazione semantica, vedere [Output della segmentazione semantica in una nuvola di punti 3D](sms-data-output.md#sms-output-point-cloud-segmentation). # Strumento di auto-segmentazione La segmentazione dell'immagine è il processo di divisione di un'immagine in più segmenti o set di pixel etichettati. In Amazon SageMaker Ground Truth, il processo di identificazione di tutti i pixel che rientrano in una determinata etichetta comporta l'applicazione di un filler (o "maschera") colorato su quei pixel. Alcune attività del processo di etichettatura contengono immagini con un numero elevato di oggetti che devono essere segmentati. Per aiutare i worker a etichettare questi oggetti in meno tempo e con maggiore precisione, Ground Truth fornisce uno strumento di segmentazione automatica per le attività di segmentazione assegnate a forze lavoro private e del fornitore. Questo strumento utilizza un modello di machine learning per segmentare automaticamente i singoli oggetti nell'immagine con un input del worker minimo. I worker possono perfezionare la maschera generata dallo strumento di segmentazione automatica utilizzando altri strumenti disponibili nella console di lavoro. In tal modo i worker possono completare le attività di segmentazione delle immagini in modo più rapido e preciso, con conseguente riduzione dei costi e una qualità delle etichette più elevata. La pagina seguente fornisce informazioni sullo strumento e sulla relativa disponibilità. **Nota** Lo strumento di segmentazione automatica è disponibile per le attività di segmentazione inviate a una forza lavoro privata o a una forza lavoro del fornitore. Non è disponibile per le attività inviate alla forza lavoro pubblica (Amazon Mechanical Turk). ## Anteprima dello strumento Quando ai worker viene assegnato un processo di etichettatura che fornisce lo strumento di segmentazione automatica, vengono fornite istruzioni dettagliate su come utilizzare lo strumento. Ad esempio, un worker potrebbe vedere quanto segue nella console di lavoro: ![\[Interfaccia utente di esempio con istruzioni su come utilizzare lo strumento nella console dei worker.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/sms/gifs/semantic-segmentation.gif) I worker possono utilizzare **Visualizza istruzioni complete** per imparare a utilizzare lo strumento. I worker devono posizionare un punto sui quattro punti estremi (il più alto, il più basso, il più a sinistra e il più a destra) dell'oggetto di interesse in modo che lo strumento generi automaticamente una maschera per l'oggetto. I worker possono perfezionare ulteriormente la maschera utilizzando gli altri strumenti forniti o utilizzando lo strumento di segmentazione automatica su porzioni più piccole dell'oggetto che sono andate perse. ## Disponibilità degli strumenti Lo strumento di segmentazione automatica viene visualizzato automaticamente nelle console dei worker se crei un processo di etichettatura di segmentazione semantica utilizzando la console di Amazon SageMaker AI. Durante la creazione di un processo di segmentazione semantica nella console SageMaker AI è possibile visualizzare in anteprima lo strumento mentre vengono create le istruzioni per i worker. Per informazioni su come creare un processo di etichettatura di segmentazione semantica nella console SageMaker AI, consulta [Nozioni di base: crea un processo di etichettatura dei riquadri delimitatori con Ground Truth](sms-getting-started.md). Se crei un processo di etichettatura di segmentazione di istanza personalizzata nella console SageMaker AI o crei un processo di etichettatura di segmentazione di istanza o semantica utilizzando l’API Ground Truth, è necessario creare un modello di attività personalizzato per progettare la console e le istruzioni per i worker. Per includere lo strumento di segmentazione automatica nella console di lavoro, verifica che nel modello di attività personalizzato siano soddisfatte le seguenti condizioni: + Per i processi di etichettatura di segmentazione semantica creati utilizzando l'API, `` è presente nel modello di attività. Per i processi di etichettatura di segmentazione di istanza personalizzata, il tag `` è presente nel modello di attività. + L'attività viene assegnata a una forza lavoro privata o a una forza lavoro del fornitore. + Le immagini da etichettare sono oggetti Amazon Simple Storage Service (Amazon S3) a cui è stato già eseguito l’accesso, affinché il worker possa accedervi. Questo è vero se il modello di attività include il filtro `grant_read_access`. Per ulteriori informazioni sul filtro `grant_read_access`, consulta [Aggiunta di automazione con Liquid](sms-custom-templates-step2-automate.md). Di seguito è riportato un esempio di modello di attività personalizzato per un processo di etichettatura di segmentazione di istanza personalizzata che include il tag `` e il filtro Liquid `grant_read_access`. ``` Segment each instance of each class of objects in the image.

    Segment each instance of each class of objects in the image.

    GOOD EXAMPLES

    Good because A, B, C.

    BAD EXAMPLES

    Bad because X, Y, Z.

         ``` # Creare un processo di etichettatura per la classificazione delle immagini (API) Usa un'attività di classificazione delle immagini di Amazon SageMaker Ground Truth quando hai bisogno di lavoratori per classificare le immagini utilizzando etichette predefinite da te. Le immagini vengono mostrate ai worker e viene chiesto loro di scegliere un'etichetta per ogni immagine. Puoi creare un lavoro di classificazione delle immagini, etichettatura utilizzando la sezione Ground Truth della console Amazon SageMaker AI o l'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operazione. **Importante** Per questo tipo di attività, se si crea un file manifest personalizzato, utilizza `"source-ref"` per identificare la posizione di ciascun file immagine in Amazon S3 che desideri etichettare. Per ulteriori informazioni, consulta [Dati di input](sms-data-input.md). ## Creazione di un processo di etichettatura per la classificazione delle immagini (console) Puoi seguire le istruzioni [Creare un processo di etichettatura (console)](sms-create-labeling-job-console.md) per imparare a creare un processo di etichettatura per la classificazione delle immagini nella console SageMaker AI. Nella fase 10, scegli **Immagine** dal menu a discesa della **categoria Attività** e scegli **Classificazione immagine (etichetta singola)** come tipo di attività. Ground Truth fornisce un'interfaccia utente di lavoro simile alla seguente per le attività di etichettatura. Quando si crea il processo di etichettatura con la console, si specificano le istruzioni per consentire ai worker di completare il processo e le etichette tra cui i worker possono scegliere. ![\[Interfaccia utente dei worker di esempio per attività di etichettatura, fornita da Ground Truth.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/image-classification-example.png) ## Creazione di un processo di etichettatura per la classificazione delle immagini (API) Per creare un processo di etichettatura di classificazione delle immagini, utilizza l'operazione SageMaker API. `CreateLabelingJob` Questa API definisce questa operazione per tutti AWS SDKs. Per visualizzare un elenco delle lingue specifiche SDKs supportate per questa operazione, **consulta la sezione Vedere anche** di. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Segui queste istruzioni su [Creare un processo di etichettatura (API)](sms-create-labeling-job-api.md) ed effettua le seguenti operazioni durante la configurazione della richiesta: + Le funzioni Lambda di pre-annotazione per questo tipo di attività terminano con `PRE-ImageMultiClass`. Per trovare l'ARN Lambda di pre-annotazione per la tua regione, consulta. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + Le funzioni Lambda di consolidamento delle annotazioni per questo tipo di attività terminano con `ACS-ImageMultiClass`. Per trovare l'ARN Lambda di consolidamento delle annotazioni per la tua regione, consulta. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Di seguito è riportato un esempio di richiesta [AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) per creare un processo di etichettatura nella Regione Stati Uniti orientali (Virginia settentrionale). Tutti i parametri in rosso devono essere sostituiti con le specifiche e le risorse. ``` 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' }, ] ) ``` ### Fornitura di un modello per i processi di etichettatura della classificazione delle immagini Se stai creando un'attività di etichettatura utilizzando l'API, devi fornire un modello di attività del worker in `UiTemplateS3Uri`. Copia e modifica il modello seguente. Modifica solo [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions) e `header`. Carica questo modello in S3 e fornisci l'URI S3 per questo file in `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate label that best suits the image.

    Good example

    Enter description to explain the correct label to the workers

    Bad example

    Enter description of an incorrect label

         ``` ## Dati di output di classificazione delle immagini Dopo aver creato un processo di etichettatura di classificazione delle immagini, i dati di output si troveranno nel bucket Amazon S3 specificato nel parametro `S3OutputPath` quando si utilizza l'API o nel campo **Posizione del set di dati di output** della sezione **Panoramica processo** della console. Per ulteriori informazioni sul file manifest di output generato da Ground Truth e sulla struttura di file utilizzata da Ground Truth per archiviare i dati di output, consulta [Etichettatura dei dati di output di un processo](sms-data-output.md). Per visualizzare un esempio di file manifest di output da un processo di etichettatura di classificazione delle immagini, consulta [Output del processo di classificazione](sms-data-output.md#sms-output-class). # Creare un processo di etichettatura per la classificazione delle immagini (multi-etichetta) Usa un'attività di classificazione delle immagini multietichetta di Amazon SageMaker Ground Truth quando hai bisogno di lavoratori per classificare più oggetti in un'immagine. Ad esempio, l'immagine seguente raffigura un cane e un gatto. È possibile utilizzare la classificazione delle immagini multi-etichetta per associare le etichette "cane" e "gatto" a questa immagine. La pagina seguente fornisce informazioni sulla creazione di un processo per la classificazione delle immagini. ![\[Foto di Anusha Barwa su Unsplash\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/dog-cat-photo.jpg) Quando si utilizza a un'attività di classificazione delle immagini multi-etichetta, i worker possono scegliere tutte le etichette applicabili, ma devono sceglierne almeno una. Durante la creazione di un processo utilizzando questo tipo di attività, è possibile fornire fino a 50 categorie di etichette. Durante la creazione del processo di etichettatura nella console, Ground Truth non fornisce una categoria "nessuna" quando nessuna delle etichette si applica a un'immagine. Per fornire questa opzione ai worker, includere un'etichetta simile a "nessuna" o "altro" quando si crea un processo di classificazione delle immagini multi-etichetta. Per limitare la scelta dei worker a una singola etichetta per ogni immagine, utilizza il tipo di attività [Creare un processo di etichettatura per la classificazione delle immagini (API)](sms-image-classification.md). **Importante** Per questo tipo di attività, se si crea un file manifest personalizzato, utilizza `"source-ref"` per identificare la posizione di ciascun file immagine in Amazon S3 che desideri etichettare. Per ulteriori informazioni, consulta [Dati di input](sms-data-input.md). ## Creazione di un processo di etichettatura di classificazione delle immagini multi-etichetta (console) Puoi seguire le istruzioni [Creare un processo di etichettatura (console)](sms-create-labeling-job-console.md) per imparare a creare un processo di classificazione delle immagini multietichetta nella console AI. SageMaker Nella fase 10, scegli **Immagine** dal menu a discesa della **categoria Attività** e scegli **Classificazione immagine (etichetta multipla)** come tipo di attività. Ground Truth fornisce un'interfaccia utente di lavoro simile alla seguente per le attività di etichettatura. Quando si crea un processo di etichettatura nella console, si specificano le istruzioni per consentire ai worker di completare il processo e le etichette tra cui i worker possono scegliere. ![\[Interfaccia utente dei worker di esempio per attività di etichettatura, fornita da Ground Truth.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/image-classification-multilabel-example.png) ## Creazione di un processo di etichettatura di classificazione delle immagini multi-etichetta (API) Per creare un processo di etichettatura di classificazione delle immagini multietichetta, utilizza l'operazione API. SageMaker `CreateLabelingJob` Questa API definisce questa operazione per tutti. AWS SDKs Per visualizzare un elenco delle lingue specifiche SDKs supportate per questa operazione, **consulta la sezione Vedere anche** di. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Segui queste istruzioni su [Creare un processo di etichettatura (API)](sms-create-labeling-job-api.md) ed effettua le seguenti operazioni durante la configurazione della richiesta: + Le funzioni Lambda di pre-annotazione per questo tipo di attività terminano con `PRE-ImageMultiClassMultiLabel`. Per trovare l'ARN Lambda di pre-annotazione per la tua regione, consulta. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + Le funzioni Lambda di consolidamento delle annotazioni per questo tipo di attività terminano con `ACS-ImageMultiClassMultiLabel`. Per trovare l'ARN Lambda di consolidamento delle annotazioni per la tua regione, consulta. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Di seguito è riportato un esempio di richiesta [AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) per creare un processo di etichettatura nella Regione Stati Uniti orientali (Virginia settentrionale). Tutti i parametri in rosso devono essere sostituiti con le specifiche e le risorse. ``` response = client.create_labeling_job( LabelingJobName='example-multi-label-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-ImageMultiClassMultiLabel', 'TaskKeywords': [ 'Image Classification', ], 'TaskTitle': 'Multi-label image classification task', 'TaskDescription': 'Select all labels that apply to the images shown', 'NumberOfHumanWorkersPerDataObject': 123, 'TaskTimeLimitInSeconds': 123, 'TaskAvailabilityLifetimeInSeconds': 123, 'MaxConcurrentTaskCount': 123, 'AnnotationConsolidationConfig': { 'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-ImageMultiClassMultiLabel' }, Tags=[ { 'Key': 'string', 'Value': 'string' }, ] ) ``` ### Fornire un modello per la classificazione di immagini con più etichette Se stai creando un'attività di etichettatura utilizzando l'API, devi fornire un modello di attività del worker in `UiTemplateS3Uri`. Copia e modifica il modello seguente. Modifica solo [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-quick-instructions), [https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-creating-instruction-pages.html#sms-creating-full-instructions) e `header`. Carica questo modello in S3 e fornisci l'URI S3 per questo file in `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate labels that best suit the image.

    Good example

    Enter description to explain the correct label to the workers

    Bad example

    Enter description of an incorrect label

         ``` ## Dati di output della classificazione delle immagini multi-etichetta Dopo aver creato un processo di etichettatura di classificazione delle immagini multi-etichetta, i dati di output si troveranno nel bucket Amazon S3 specificato nel parametro `S3OutputPath` quando utilizzi l'API o nel campo **Posizione del set di dati di output** della sezione **Panoramica processo** della console. Per ulteriori informazioni sul file manifest di output generato da Ground Truth e sulla struttura di file utilizzata da Ground Truth per archiviare i dati di output, consulta [Etichettatura dei dati di output di un processo](sms-data-output.md). Per visualizzare un esempio di file manifest di output per il processo di etichettatura di classificazione delle immagini multi-etichetta, consulta [Output del processo di classificazione multi-etichetta](sms-data-output.md#sms-output-multi-label-classification). # Verifica dell'etichetta dell’immagine La creazione di un set di dati di addestramento altamente accurato per l'algoritmo di Machine Learning (ML) è un processo iterativo. In genere, si riesaminano e modificano continuamente le etichette fino a quando si è certi che rappresentano con precisione la verità di base o ciò che è direttamente osservabile nel mondo reale. È possibile utilizzare un'attività di verifica dell’etichetta dell’immagine Amazon SageMaker Ground Truth per indirizzare i worker a rivedere le etichette di un set di dati e migliorare la precisione delle etichette. I worker possono indicare se le etichette esistenti sono corrette o valutare la qualità delle etichette. Possono anche aggiungere commenti per spiegare il loro ragionamento. Amazon SageMaker Ground Truth supporta la verifica dell’etichetta per le etichette [Classificare oggetti di immagini utilizzando un riquadro di delimitazione](sms-bounding-box.md) e [Identificare i contenuti delle immagini utilizzando la segmentazione semantica](sms-semantic-segmentation.md). È possibile creare un processo di etichettatura per la verifica delle etichette delle immagini utilizzando la sezione Ground Truth della console di Amazon SageMaker AI o l’operazione [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html). Ground Truth fornisce una console worker simile alla seguente per le attività di etichettatura. Quando crei il processo di etichettatura con la console, puoi modificare le immagini e il contenuto visualizzati. Per informazioni su come creare un processo di etichettatura utilizzando la console Ground Truth, consulta [Creare un processo di etichettatura (console)](sms-create-labeling-job-console.md). ![\[Console dei worker di esempio per attività di etichettatura, fornita da Ground Truth.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/label-verification-example.png) È possibile creare un processo di etichettatura per la verifica delle etichette utilizzando la console SageMaker AI o l’API. Per informazioni su come creare un processo di etichettatura utilizzando l’operazione API Ground Truth `CreateLabelingJob`, consulta [Creare un processo di etichettatura (API)](sms-create-labeling-job-api.md).