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

# Aturan validasi untuk file manifes
<a name="md-create-manifest-file-validation-rules"></a>

 Saat Anda mengimpor file manifes, Label Kustom Rekognition Amazon menerapkan aturan validasi untuk batas, sintaks, dan semantik. Skema SageMaker AI Ground Truth memberlakukan validasi sintaks. Untuk informasi selengkapnya, lihat [Output](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-data-output.html). Berikut ini adalah aturan validasi untuk batas dan semantik.

**catatan**  
Aturan ketidakabsahan 20% berlaku secara kumulatif di semua aturan validasi. Jika impor melebihi batas 20% karena kombinasi apa pun, seperti 15% JSON tidak valid dan 15% gambar tidak valid, impor gagal. 
Setiap objek dataset adalah garis dalam manifes. Baris kosong/tidak valid juga dihitung sebagai objek dataset.
Tumpang tindih adalah (label umum antara tes dan kereta)/(label kereta).

**Topics**
+ [Batas](#md-validation-rules-limits)
+ [Semantik](#md-validation-rules-semantics)

## Batas
<a name="md-validation-rules-limits"></a>


| Validasi | Kuota | Kesalahan dimunculkan | 
| --- | --- | --- | 
| Ukuran file manifes | Maksimal 1 GB | Kesalahan | 
| Jumlah baris maksimum untuk file manifes | Maksimum 250.000 objek dataset sebagai garis dalam manifes.  | Kesalahan | 
| Batas bawah pada jumlah total objek dataset yang valid per label  | >= 1 | Kesalahan | 
| Batas bawah pada label | >=2 | Kesalahan | 
| Batas atas pada label | <= 250 | Kesalahan | 
| Kotak pembatas minimum per gambar | 0 | Tidak ada | 
| Kotak pembatas maksimum per gambar | 50 | Tidak ada | 

## Semantik
<a name="md-validation-rules-semantics"></a>




| Validasi | Kuota | Kesalahan dimunculkan | 
| --- | --- | --- | 
| Manifes kosong |  | Kesalahan | 
| Objek referensi sumber yang hilang/dapat diakses | Jumlah objek kurang dari 20% | Peringatan | 
| Objek referensi sumber yang hilang/dapat diakses | Jumlah objek > 20% | Kesalahan | 
| Label uji tidak ada dalam kumpulan data pelatihan  | Setidaknya 50% tumpang tindih dalam label | Kesalahan | 
| Campuran contoh label vs. objek untuk label yang sama dalam kumpulan data. Klasifikasi dan deteksi untuk kelas yang sama dalam objek dataset.  |  | Tidak ada kesalahan atau peringatan | 
| Aset yang tumpang tindih antara tes dan kereta  | Seharusnya tidak ada tumpang tindih antara set data tes dan pelatihan.  |  | 
| Gambar dalam kumpulan data harus dari ember yang sama  | Kesalahan jika objek berada di ember yang berbeda | Kesalahan |