As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Usar dados de entrada e saída
<a name="sms-data"></a>

Os dados de entrada que você fornece ao Amazon SageMaker Ground Truth são enviados aos seus funcionários para rotulagem. Você escolhe os dados a serem enviados aos seus operadores criando um único arquivo de manifesto que define todos os dados que exigem rotulagem ou enviando objetos de dados de entrada para um trabalho contínuo de rotulagem de streaming para serem rotulados em tempo real. 

Os dados de saída são o resultado do seu trabalho de rotulagem. O arquivo de dados de saída, ou *arquivo de manifesto aumentado*, contém dados de rótulo para cada objeto que você envia para o trabalho de rotulagem e metadados sobre o rótulo atribuído aos objetos de dados.

Ao usar classificação de imagens (com um e vários rótulos), classificação de texto (com um e vários rótulos), detecção de objetos e segmentação semântica incorporados em tipos de tarefas para criar um trabalho de rotulagem, você pode usar o arquivo de manifesto aumentado resultante para iniciar um trabalho de treinamento. SageMaker Para uma demonstração de como usar um manifesto aumentado para treinar um modelo de aprendizado de máquina de detecção de objetos com a Amazon SageMaker AI, consulte [object\$1detection\$1augmented\$1manifest\$1training.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/ground_truth_labeling_jobs/object_detection_augmented_manifest_training/object_detection_augmented_manifest_training.html). Para obter mais informações, consulte [Arquivos de Manifestos Aumentados em Trabalhos de Treinamento](augmented-manifest.md).

**Topics**
+ [Dados de entrada](sms-data-input.md)
+ [Dados de entrada da nuvem de pontos 3D](sms-point-cloud-input-data.md)
+ [Dados de entrada do quadro de vídeo](sms-video-frame-input-data-overview.md)
+ [Rotulando dados de saída do trabalho](sms-data-output.md)