Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Etiquetar imágenes
<a name="sms-label-images"></a>

Utilice Ground Truth para etiquetar imágenes. Seleccione uno de los siguientes tipos de tareas integradas para obtener más información. Cada página incluye instrucciones que le ayudarán a crear un trabajo de etiquetado utilizando ese tipo de tarea.

**sugerencia**  
Para obtener más información sobre los tipos de archivos compatibles y las cuotas de datos de entrada, consulte [Datos de entrada](sms-data-input.md).

**Topics**
+ [Clasificación de los objetos de imagen mediante un cuadro delimitador](sms-bounding-box.md)
+ [Identificación del contenido de las imágenes mediante la segmentación semántica](sms-semantic-segmentation.md)
+ [Herramienta de segmentación automática](sms-auto-segmentation.md)
+ [Creación de un trabajo de etiquetado de clasificación de imágenes (una sola etiqueta)](sms-image-classification.md)
+ [Creación de un trabajo de etiquetado de clasificación de imágenes (varias etiquetas)](sms-image-classification-multilabel.md)
+ [Verificación de etiquetas de imagen](sms-label-verification.md)

# Clasificación de los objetos de imagen mediante un cuadro delimitador
<a name="sms-bounding-box"></a>

Es frecuente que las imágenes que se utilizan para entrenar un modelo de machine learning contengan varios objetos. Para clasificar y localizar uno o más objetos dentro de las imágenes, utiliza el tipo de tarea de etiquetado de cajas delimitadoras Amazon SageMaker Ground Truth. En este contexto, la localización es la ubicación en píxeles del cuadro delimitador. Para crear un trabajo de etiquetado de cajas delimitadoras, utilice la sección Ground Truth de la consola Amazon SageMaker AI o la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operación.

**importante**  
Para este tipo de tarea, si crea su propio archivo de manifiesto, utilice `"source-ref"` para identificar la ubicación de cada archivo de imagen en Amazon S3 que desee etiquetar. Para obtener más información, consulte [Datos de entrada](sms-data-input.md).

## Crear un trabajo de etiquetado con cuadros delimitadores (consola)
<a name="sms-creating-bounding-box-labeling-job-console"></a>

Puedes seguir las instrucciones [Crear un trabajo de etiquetado (consola)](sms-create-labeling-job-console.md) para aprender a crear un trabajo de etiquetado de cajas delimitadoras en la consola de SageMaker IA. En el paso 10, elija **Imagen** en el menú desplegable **Categoría de tareas** y elija **Cuadro delimitador** como tipo de tarea. 

Ground Truth proporciona una interfaz de usuario del trabajador similar a la siguiente para las tareas de etiquetado. Al crear el trabajo de etiquetado con la consola, se especifican instrucciones para ayudar a los trabajadores a completar el trabajo y hasta 50 etiquetas que los trabajadores pueden elegir. 

![\[Gif que muestra cómo dibujar un cuadro alrededor de un objeto para una categoría\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/sms/gifs/bb-sample.gif)


## Crear un trabajo de etiquetado con cuadros delimitadores (API)
<a name="sms-creating-bounding-box-labeling-job-api"></a>

Para crear un trabajo de etiquetado de cuadros delimitadores, utilice la operación SageMaker API. `CreateLabelingJob` Esta API define esta operación para todos AWS SDKs. Para ver una lista de los idiomas específicos SDKs compatibles con esta operación, consulte la sección **Vea también** de. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Siga las instrucciones de [Crear un trabajo de etiquetado (API)](sms-create-labeling-job-api.md) y haga lo siguiente mientras configura su solicitud: 
+ Las funciones de Lambda de preanotación para este tipo de tareas terminan con `PRE-BoundingBox`. Para encontrar el ARN Lambda previo a la anotación correspondiente a su región, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Las funciones de Lambda de consolidación de anotaciones para este tipo de tareas terminan con `ACS-BoundingBox`. Para encontrar el ARN Lambda de consolidación de anotaciones de su región, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

A continuación se ofrece un ejemplo de [solicitud del SDK de AWS Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para crear un trabajo de etiquetado en la región Este de EE. UU. (Norte de Virginia). Todos los parámetros en rojo deben reemplazarse con sus especificaciones y recursos. 

```
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'
        },
    ]
)
```

### Proporcionar una plantilla para los trabajos de etiquetado de cuadro delimitador
<a name="sms-create-labeling-job-bounding-box-api-template"></a>

Si crea un trabajo de etiquetado con la API, debe proporcionar una plantilla de tarea del trabajador en `UiTemplateS3Uri`. Copie y modifique la siguiente plantilla. Modifique únicamente [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) y `header`. Cargue esta plantilla a S3 y proporcione el URI de S3 para este archivo en `UiTemplateS3Uri`.

```
<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-bounding-box
    name="boundingBox"
    src="{{ task.input.taskObject | grant_read_access }}"
    header="please draw box"
    labels="{{ task.input.labels | to_json | escape }}"
  >

    <full-instructions header="Bounding box instructions">
      <ol><li><strong>Inspect</strong> the image</li><li><strong>Determine</strong> 
      if the specified label is/are visible in the picture.</li>
      <li><strong>Outline</strong> each instance of the specified label in the image using the provided “Box” tool.</li></ol>
      <ul><li>Boxes should fit tight around each object</li>
      <li>Do not include parts of the object are overlapping or that cannot be seen, even though you think you can interpolate the whole shape.</li>
      <li>Avoid including shadows.</li>
      <li>If the target is off screen, draw the box up to the edge of the image.</li>    
    </full-instructions>
  
    <short-instructions>
      <h3><span style="color: rgb(0, 138, 0);">Good example</span></h3>
      <p>Enter description of a correct bounding box label and add images</p>
      <h3><span style="color: rgb(230, 0, 0);">Bad example</span></h3>
      <p>Enter description of an incorrect bounding box label and add images</p>
    </short-instructions>
  
  </crowd-bounding-box>
</crowd-form>
```

## Datos de salida de cuadro delimitador
<a name="sms-bounding-box-output-data"></a>

Después de crear un trabajo de etiquetado con cuadros delimitadores, los datos de salida se ubicarán en el bucket de Amazon S3 especificado en el parámetro `S3OutputPath` al utilizar la API o en el campo **Ubicación del conjunto de datos de salida** de la sección **Descripción general del trabajo** de la consola. 

Por ejemplo, el archivo de manifiesto de salida de una tarea de cuadro delimitador de clase única completada correctamente contendrá lo siguiente: 

```
[
  {
    "boundingBox": {
      "boundingBoxes": [
        {
          "height": 2832,
          "label": "bird",
          "left": 681,
          "top": 599,
          "width": 1364
        }
      ],
      "inputImageProperties": {
        "height": 3726,
        "width": 2662
      }
    }
  }
]
```

El parámetro `boundingBoxes` identifica la ubicación del cuadro delimitador dibujado alrededor de un objeto identificado como un "ave" con respecto a la esquina superior izquierda de la imagen, que se considera la coordenada de píxeles (0,0). En el ejemplo anterior, **`left`** y **`top`** identifican la ubicación del píxel situado en la esquina superior izquierda del cuadro delimitador con respecto a la esquina superior izquierda de la imagen. Las dimensiones del cuadro delimitador se identifican con **`height`** y **`width`**. El parámetro `inputImageProperties` proporciona las dimensiones en píxeles de la imagen de entrada original.

Cuando se utiliza el tipo de tarea de cuadro delimitador se pueden crear trabajos de etiquetado con cuadro delimitador de una o varias clases. El archivo de manifiesto de salida de un cuadro delimitador multiclase completado correctamente contendrá lo siguiente: 

```
[
  {
    "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
      }
    }
  }
]
```

Para obtener más información sobre el archivo de manifiesto de salida resultante de un trabajo de etiquetado con cuadros delimitadores, consulte [Salida del trabajo de cuadro delimitador](sms-data-output.md#sms-output-box).

Para obtener más información sobre el archivo de manifiesto de salida generado por Ground Truth y la estructura de archivos que Ground Truth utiliza para almacenar los datos de salida, consulte [Etiquetado de los datos de salida del trabajo](sms-data-output.md). 

# Identificación del contenido de las imágenes mediante la segmentación semántica
<a name="sms-semantic-segmentation"></a>

Para identificar el contenido de una imagen a nivel de píxel, usa una tarea de etiquetado de segmentación semántica de Amazon SageMaker Ground Truth. Cuando se asigna un trabajo de etiquetado de segmentación semántica, los trabajadores clasifican los píxeles de la imagen en un conjunto de etiquetas o clases predefinidas. Ground Truth admite trabajos de etiquetado de segmentación semántica de clase única y múltiple. Para crear un trabajo de etiquetado de segmentación semántica, utilice la sección Ground Truth de la consola Amazon SageMaker AI o la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operación. 

Las imágenes que contienen un gran número de objetos que deben segmentarse requieren más tiempo. Para ayudar a los trabajadores (de personal privado o de proveedor) a etiquetar estos objetos en menos tiempo y con mayor precisión, Ground Truth proporciona una herramienta de segmentación automática asistida por IA. Para obtener información, consulte [Herramienta de segmentación automática](sms-auto-segmentation.md).

**importante**  
Para este tipo de tarea, si crea su propio archivo de manifiesto, utilice `"source-ref"` para identificar la ubicación de cada archivo de imagen en Amazon S3 que desee etiquetar. Para obtener más información, consulte [Datos de entrada](sms-data-input.md).

## Crear un trabajo de etiquetado de segmentación semántica (consola)
<a name="sms-creating-ss-labeling-job-console"></a>

Puede seguir las instrucciones [Crear un trabajo de etiquetado (consola)](sms-create-labeling-job-console.md) para aprender a crear un trabajo de etiquetado de segmentación semántica en la consola de IA. SageMaker En el paso 10, elija **Image (Imagen)** en el menú desplegable **Task category (Categoría de tarea)** y, luego, **Semantic segmentation (Segmentación semántica)** como tipo de tarea. 

Ground Truth proporciona una interfaz de usuario de trabajador similar a la siguiente para las tareas de etiquetado. Al crear el trabajo de etiquetado con la consola, se especifican instrucciones para ayudar a los trabajadores a completar el trabajo y las etiquetas que los trabajadores pueden elegir. 

![\[Gif que muestra un ejemplo sobre cómo crear un trabajo de etiquetado de segmentación semántica en la consola de IA. SageMaker\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/semantic_segmentation_sample.gif)


## Crear un trabajo de etiquetado de segmentación semántica (API)
<a name="sms-creating-ss-labeling-job-api"></a>

Para crear un trabajo de etiquetado de segmentación semántica, utilice la operación API. SageMaker `CreateLabelingJob` Esta API define esta operación para todos. AWS SDKs Para ver una lista de los idiomas específicos SDKs compatibles con esta operación, consulte la sección **Vea también** de. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Siga las instrucciones de [Crear un trabajo de etiquetado (API)](sms-create-labeling-job-api.md) y haga lo siguiente mientras configura su solicitud: 
+ Las funciones de Lambda de preanotación para este tipo de tareas terminan con `PRE-SemanticSegmentation`. Para encontrar el ARN Lambda previo a la anotación correspondiente a su región, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Las funciones de Lambda de consolidación de anotaciones para este tipo de tareas terminan con `ACS-SemanticSegmentation`. Para encontrar el ARN Lambda de consolidación de anotaciones de su región, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

A continuación se ofrece un ejemplo de [solicitud del SDK de AWS Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para crear un trabajo de etiquetado en la región Este de EE. UU. (Norte de Virginia). Todos los parámetros en rojo deben reemplazarse con sus especificaciones y recursos. 

```
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'
        },
    ]
)
```

### Proporcionar una plantilla para trabajos de etiquetado de segmentación semántica
<a name="sms-create-labeling-job-ss-api-template"></a>

Si crea un trabajo de etiquetado con la API, debe proporcionar una plantilla de tarea del trabajador en `UiTemplateS3Uri`. Copie y modifique la siguiente plantilla. Modifique únicamente [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) y `header`. 

Cargue esta plantilla a S3 y proporcione el URI de S3 para este archivo en `UiTemplateS3Uri`.

```
<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-semantic-segmentation
    name="crowd-semantic-segmentation"
    src="{{ task.input.taskObject | grant_read_access }}"
    header="Please segment out all pedestrians."
    labels="{{ task.input.labels | to_json | escape }}"
  >
    <full-instructions header="Segmentation 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 an object and paint that object using the tools provided.</li></ol>
    </full-instructions>
    <short-instructions>
      <h2><span style="color: rgb(0, 138, 0);">Good example</span></h2>
      <p>Enter description to explain a correctly done segmentation</p>
      <p><br></p><h2><span style="color: rgb(230, 0, 0);">Bad example</span></h2>
      <p>Enter description of an incorrectly done segmentation</p>
    </short-instructions>
  </crowd-semantic-segmentation>
</crowd-form>
```

## Datos de salida de segmentación semántica
<a name="sms-ss-ouput-data"></a>

Después de crear un trabajo de etiquetado de segmentación semántica, los datos de salida se ubicarán en el bucket de Amazon S3 especificado en el parámetro `S3OutputPath` al utilizar la API o en el campo **Ubicación de conjunto de datos de salida** de la sección **Información general del trabajo** de la consola. 

Para obtener más información sobre el archivo de manifiesto de salida generado por Ground Truth y la estructura de archivos que Ground Truth utiliza para almacenar los datos de salida, consulte [Etiquetado de los datos de salida del trabajo](sms-data-output.md). 

Para ver un ejemplo de un archivo de manifiesto de salida para un trabajo de etiquetado de segmentación semántica, consulte [Salida de segmentación semántica de nubes de puntos 3D](sms-data-output.md#sms-output-point-cloud-segmentation).

# Herramienta de segmentación automática
<a name="sms-auto-segmentation"></a>

La segmentación de imágenes es el proceso de dividir una imagen en varios segmentos o conjuntos de píxeles etiquetados. En Amazon SageMaker Ground Truth, el proceso de identificación de todos los píxeles que corresponden a una etiqueta determinada supone la aplicación de un relleno de color, o "máscara", sobre esos píxeles. Algunas tareas de trabajo de etiquetado contienen imágenes con un gran número de objetos que deben segmentarse. Para ayudar a los trabajadores a etiquetar estos objetos en menos tiempo y con mayor precisión, Ground Truth proporciona una herramienta de segmentación automática para tareas de segmentación asignadas a personal privado y del proveedor. Esta herramienta utiliza un modelo de machine learning para segmentar automáticamente objetos individuales en la imagen con una intervención mínima del trabajador. Los trabajadores pueden refinar la máscara generada por la herramienta de segmentación automática utilizando otras herramientas que se encuentran en la consola de trabajo. Esto ayuda a los trabajadores a completar las tareas de segmentación de imágenes con mayor rapidez y precisión, lo que reduce los costos y mejora la calidad de las etiquetas. En la siguiente página se proporciona información sobre la herramienta y su disponibilidad.

**nota**  
La herramienta de segmentación automática está disponible para las tareas de segmentación que se envían a personal privado o a personal del proveedor. No está disponible para tareas enviadas al personal público (Amazon Mechanical Turk). 

## Vista previa de la herramienta
<a name="sms-auto-segment-tool-preview"></a>

Cuando se asigna a los trabajadores un trabajo de etiquetado que proporciona la herramienta de segmentación automática, reciben instrucciones detalladas sobre cómo utilizar la herramienta. Por ejemplo, un trabajador podría ver lo siguiente en la consola de trabajo: 

![\[Ejemplo de interfaz de usuario con instrucciones sobre cómo utilizar la herramienta en la consola de trabajo\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/sms/gifs/semantic-segmentation.gif)


Los trabajadores pueden utilizar **Ver instrucciones completas** para aprender a utilizar la herramienta. Los trabajadores tendrán que colocar un punto en cuatro puntos extremos (superior, inferior, izquierda y derecha) del objeto de interés, y la herramienta generará automáticamente una máscara para el objeto. Los trabajadores pueden refinar aún más la máscara utilizando las otras herramientas que se facilitan, o mediante la herramienta de segmentación automática en las partes más pequeñas del objeto que se han pasado por alto. 

## Disponibilidad de herramientas
<a name="sms-auto-segment-tool-availability"></a>

La herramienta de segmentación automática aparece automáticamente en las consolas de trabajo si crea un trabajo de etiquetado de segmentación semántica mediante la consola de Amazon SageMaker AI. Al crear un trabajo de segmentación semántica en la consola de SageMaker AI, podrá obtener una vista previa de la herramienta mientras crea instrucciones de trabajo. Para obtener más información sobre cómo crear un trabajo de etiquetado de segmentación semántica en la consola de SageMaker AI, consulte [Introducción: creación de un trabajo de etiquetado mediante cuadros delimitadores con Ground Truth](sms-getting-started.md). 

Si está creando un trabajo de etiquetado de segmentación de instancias personalizado en la consola de SageMaker AI o creando un trabajo de etiquetado de segmentación de instancias o semánticas mediante la API de Ground Truth, debe crear una plantilla de tareas personalizada para diseñar la consola y las instrucciones de trabajo. Para incluir la herramienta de segmentación automática en la consola de trabajo, asegúrese de que se cumplen las siguientes condiciones en la plantilla de tareas personalizada:
+ Para los trabajos de etiquetado de segmentación semántica creados con la API, la `<crowd-semantic-segmentation>` está presente en la plantilla de tareas. Para trabajos de etiquetado de segmentación de instancias personalizadas, la etiqueta `<crowd-instance-segmentation>` está presente en la plantilla de tareas.
+ La tarea se asigna a personal privado o a personal del proveedor. 
+ Las imágenes que se etiquetarán son objetos de Amazon Simple Storage Service Amazon (S3) que se han prefirmado para el trabajador para que pueda acceder a ellas. Esto es cierto si la plantilla de tarea incluye el filtro `grant_read_access`. Para obtener más información sobre el filtro `grant_read_access`, consulte [Adición de automatización con Liquid](sms-custom-templates-step2-automate.md).

A continuación se muestra un ejemplo de una plantilla de tarea personalizada para un trabajo de etiquetado de segmentación de instancias personalizadas, que incluye la etiqueta `<crowd-instance-segmentation/>` y el filtro Liquid `grant_read_access`.

```
<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-instance-segmentation
    name="crowd-instance-segmentation"
    src="{{ task.input.taskObject | grant_read_access }}"
    labels="['Car','Road']"
   <full-instructions header="Segmentation instructions">
      Segment each instance of each class of objects in the image. 
    </full-instructions>

    <short-instructions>
      <p>Segment each instance of each class of objects in the image.</p>

      <h3 style="color: green">GOOD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Good because A, B, C.</p>

      <h3 style="color: red">BAD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Bad because X, Y, Z.</p>
    </short-instructions>
  </crowd-instance-segmentation>
</crowd-form>
```

# Creación de un trabajo de etiquetado de clasificación de imágenes (una sola etiqueta)
<a name="sms-image-classification"></a>

Usa una tarea de etiquetado de clasificación de imágenes de Amazon SageMaker Ground Truth cuando necesites trabajadores que clasifiquen las imágenes con las etiquetas predefinidas que especifiques. Los trabajadores reciben imágenes y se les pide que elijan una etiqueta para cada imagen. Puede crear un trabajo de etiquetado y clasificación de imágenes utilizando la sección Ground Truth de la consola Amazon SageMaker AI o la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operación. 

**importante**  
Para este tipo de tarea, si crea su propio archivo de manifiesto, utilice `"source-ref"` para identificar la ubicación de cada archivo de imagen en Amazon S3 que desee etiquetar. Para obtener más información, consulte [Datos de entrada](sms-data-input.md).

## Crear un trabajo de etiquetado de clasificación de imágenes (consola)
<a name="sms-creating-image-classification-console"></a>

Puede seguir las instrucciones [Crear un trabajo de etiquetado (consola)](sms-create-labeling-job-console.md) para aprender a crear un trabajo de etiquetado y clasificación de imágenes en la consola de SageMaker IA. En el paso 10, elija **Imagen** en el menú desplegable **Categoría de tareas** y elija **Clasificación de imágenes (etiqueta única)** como tipo de tarea. 

Ground Truth proporciona una interfaz de usuario del trabajador similar a la siguiente para las tareas de etiquetado. Al crear el trabajo de etiquetado con la consola, se especifican instrucciones para ayudar a los trabajadores a completar el trabajo y las etiquetas que los trabajadores pueden elegir. 

![\[Ejemplo de interfaz de usuario de trabajador para tareas de etiquetado, proporcionada por Ground Truth\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/image-classification-example.png)


## Crear un trabajo de etiquetado de clasificación de imágenes (API)
<a name="sms-creating-image-classification-api"></a>

Para crear un trabajo de etiquetado de clasificación de imágenes, utilice la operación SageMaker API`CreateLabelingJob`. Esta API define esta operación para todos AWS SDKs. Para ver una lista de los idiomas específicos SDKs compatibles con esta operación, consulte la sección **Vea también** de. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Siga las instrucciones de [Crear un trabajo de etiquetado (API)](sms-create-labeling-job-api.md) y haga lo siguiente mientras configura su solicitud: 
+ Las funciones de Lambda de preanotación para este tipo de tareas terminan con `PRE-ImageMultiClass`. Para encontrar el ARN Lambda previo a la anotación correspondiente a su región, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Las funciones de Lambda de consolidación de anotaciones para este tipo de tareas terminan con `ACS-ImageMultiClass`. Para encontrar el ARN Lambda de consolidación de anotaciones de su región, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

A continuación se ofrece un ejemplo de [solicitud del SDK de AWS Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para crear un trabajo de etiquetado en la región Este de EE. UU. (Norte de Virginia). Todos los parámetros en rojo deben reemplazarse con sus especificaciones y recursos. 

```
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'
        },
    ]
)
```

### Proporcionar una plantilla para los trabajos de etiquetado de clasificación de imágenes
<a name="worker-template-image-classification"></a>

Si crea un trabajo de etiquetado con la API, debe proporcionar una plantilla de tarea del trabajador en `UiTemplateS3Uri`. Copie y modifique la siguiente plantilla. Modifique únicamente [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) y `header`. 

Cargue esta plantilla a S3 y proporcione el URI de S3 para este archivo en `UiTemplateS3Uri`.

```
<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>
```

## Datos de salida de clasificación de imágenes
<a name="sms-image-classification-output-data"></a>

Una vez que haya creado un trabajo de etiquetado de clasificación de imágenes, los datos de salida se ubicarán en el bucket de Amazon S3 especificado en el parámetro `S3OutputPath` al utilizar la API o en el campo **Ubicación del conjunto de datos de salida** de la sección **Información general del trabajo** de la consola. 

Para obtener más información sobre el archivo de manifiesto de salida generado por Ground Truth y la estructura de archivos que Ground Truth utiliza para almacenar los datos de salida, consulte [Etiquetado de los datos de salida del trabajo](sms-data-output.md). 

Para ver un ejemplo de un archivo de manifiesto de salida de un trabajo de etiquetado de clasificación de imágenes, consulte [Salida del trabajo de clasificación](sms-data-output.md#sms-output-class).

# Creación de un trabajo de etiquetado de clasificación de imágenes (varias etiquetas)
<a name="sms-image-classification-multilabel"></a>

Usa una tarea de etiquetado de clasificación de imágenes con múltiples etiquetas de Amazon SageMaker Ground Truth cuando necesites trabajadores que clasifiquen varios objetos de una imagen. Por ejemplo, la siguiente imagen muestra un perro y un gato. Puede utilizar la clasificación de imágenes de varias etiquetas para asociar las etiquetas "perro" y "gato" con esta imagen. En la siguiente página se proporciona información sobre la creación de un trabajo de clasificación de imágenes.

![\[Foto de Anusha Barwa en Unsplash\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/dog-cat-photo.jpg)


Al trabajar en una tarea de clasificación de imágenes de varias etiquetas, los trabajadores deben elegir todas las etiquetas aplicables y una como mínimo. Cuando se crea un trabajo con este tipo de tareas, se pueden proporcionar hasta 50 categorías de etiquetas. 

Al crear un trabajo de etiquetado en la consola, Ground Truth no proporciona la categoría "ninguno" cuando ninguna de las etiquetas se aplica a una imagen. Para proporcionar esta opción a los trabajadores, incluya una etiqueta similar a "none" u "other" cuando cree un trabajo de clasificación de imágenes con varias etiquetas. 

Para evitar que los trabajadores seleccionen una sola etiqueta para cada imagen, utilice el tipo de tarea [Creación de un trabajo de etiquetado de clasificación de imágenes (una sola etiqueta)](sms-image-classification.md).

**importante**  
Para este tipo de tarea, si crea su propio archivo de manifiesto, utilice `"source-ref"` para identificar la ubicación de cada archivo de imagen en Amazon S3 que desee etiquetar. Para obtener más información, consulte [Datos de entrada](sms-data-input.md).

## Crear un trabajo de etiquetado de clasificación de imágenes de varias etiquetas (consola)
<a name="sms-creating-multilabel-image-classification-console"></a>

Puede seguir las instrucciones [Crear un trabajo de etiquetado (consola)](sms-create-labeling-job-console.md) para aprender a crear un trabajo de etiquetado de clasificación de imágenes con múltiples etiquetas en la consola de SageMaker IA. En el paso 10, elija **Imagen** en el menú desplegable **Categoría de tareas** y elija **Clasificación de imágenes (varias etiquetas)** como tipo de tarea. 

Ground Truth proporciona una interfaz de usuario del trabajador similar a la siguiente para las tareas de etiquetado. Al crear el trabajo de etiquetado en la consola, se especifican instrucciones para ayudar a los trabajadores a completar el trabajo y las etiquetas que los trabajadores pueden elegir. 

![\[Ejemplo de interfaz de usuario de trabajador para tareas de etiquetado, proporcionada por Ground Truth\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/image-classification-multilabel-example.png)


## Crear un trabajo de etiquetado de clasificación de imágenes de varias etiquetas (API)
<a name="sms-create-multi-select-image-classification-job-api"></a>

Para crear un trabajo de etiquetado de clasificación de imágenes con varias etiquetas, utilice la operación SageMaker API. `CreateLabelingJob` Esta API define esta operación para todos AWS SDKs. Para ver una lista de los idiomas específicos SDKs compatibles con esta operación, consulte la sección **Vea también** de. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Siga las instrucciones de [Crear un trabajo de etiquetado (API)](sms-create-labeling-job-api.md) y haga lo siguiente mientras configura su solicitud: 
+ Las funciones de Lambda de preanotación para este tipo de tareas terminan con `PRE-ImageMultiClassMultiLabel`. Para encontrar el ARN Lambda previo a la anotación correspondiente a su región, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Las funciones de Lambda de consolidación de anotaciones para este tipo de tareas terminan con `ACS-ImageMultiClassMultiLabel`. Para encontrar el ARN Lambda de consolidación de anotaciones de su región, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

A continuación se ofrece un ejemplo de [solicitud del SDK de AWS Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para crear un trabajo de etiquetado en la región Este de EE. UU. (Norte de Virginia). Todos los parámetros en rojo deben reemplazarse con sus especificaciones y recursos. 

```
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'
        },
    ]
)
```

### Proporcionar una plantilla para la clasificación de imágenes de múltiples etiquetas
<a name="sms-custom-template-multi-image-label-classification"></a>

Si crea un trabajo de etiquetado con la API, debe proporcionar una plantilla de tarea del trabajador en `UiTemplateS3Uri`. Copie y modifique la siguiente plantilla. Modifique únicamente [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) y `header`. 

Cargue esta plantilla a S3 y proporcione el URI de S3 para este archivo en `UiTemplateS3Uri`.

```
<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-image-classifier-multi-select
    name="crowd-image-classifier-multi-select"
    src="{{ task.input.taskObject | grant_read_access }}"
    header="Please identify all classes in image"
    categories="{{ task.input.labels | to_json | escape }}"
  >
    <full-instructions header="Multi Label 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 labels that best suit 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-multi-select>
</crowd-form>
```

## Datos de salida de clasificación de imágenes de etiquetas múltiples
<a name="sms-image-classification-multi-output-data"></a>

Una vez haya creado un trabajo de etiquetado de clasificación de imágenes con varias etiquetas, los datos de salida se ubicarán en el bucket de Amazon S3 especificado en el parámetro `S3OutputPath` al utilizar la API o en el campo **Ubicación del conjunto de datos de salida** de la sección **Descripción general del trabajo** de la consola. 

Para obtener más información sobre el archivo de manifiesto de salida generado por Ground Truth y la estructura de archivos que Ground Truth utiliza para almacenar los datos de salida, consulte [Etiquetado de los datos de salida del trabajo](sms-data-output.md). 

Para ver un ejemplo de archivos de manifiesto de salida para el trabajo de etiquetado de clasificación de imágenes con etiquetas múltiples, consulte [Salida del trabajo de clasificación de etiquetas múltiples](sms-data-output.md#sms-output-multi-label-classification).

# Verificación de etiquetas de imagen
<a name="sms-label-verification"></a>

La creación de un conjunto de datos de entrenamiento altamente preciso para su algoritmo de machine learning (ML) es un proceso iterativo. Normalmente, usted revisa y ajusta continuamente las etiquetas hasta que esté satisfecho de que representan con precisión la realidad o lo que es directamente observable en el mundo real. Puede utilizar una tarea de verificación de etiquetas de imagen de Amazon SageMaker Ground Truth para dirigir a los trabajadores a revisar las etiquetas de un conjunto de datos y mejorar la precisión de las etiquetas. Los trabajadores pueden indicar si las etiquetas existentes son correctas o calificar la calidad de la etiqueta. También pueden añadir comentarios para explicar su razonamiento. Amazon SageMaker Ground Truth admite la verificación de etiquetas [Clasificación de los objetos de imagen mediante un cuadro delimitador](sms-bounding-box.md) y [Identificación del contenido de las imágenes mediante la segmentación semántica](sms-semantic-segmentation.md). Puede crear un trabajo de etiquetado de verificación de etiquetas de imagen utilizando la sección Ground Truth de la consola de Amazon SageMaker AI o la operación [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html). 

Ground Truth proporciona una consola de trabajador similar a la siguiente para las tareas de etiquetado. Si crea un trabajo de etiquetado con la consola, puede modificar el contenido y las imágenes que se muestran. Para obtener información acerca de cómo crear un trabajo de etiquetado utilizando la consola Ground Truth, consulte [Crear un trabajo de etiquetado (consola)](sms-create-labeling-job-console.md).

![\[Ejemplo de consola de trabajador para etiquetar tareas, proporcionada por Ground Truth\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/label-verification-example.png)


Puede crear un trabajo de etiquetado de verificación de etiquetas mediante la API o la consola de SageMaker AI. Para aprender a crear un trabajo de etiquetado utilizando la operación `CreateLabelingJob` de la API de Ground Truth, consulte [Crear un trabajo de etiquetado (API)](sms-create-labeling-job-api.md).