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

# Mengarahkan kumpulan data
<a name="md-dataset-purpose"></a>

Cara Anda memberi label pada kumpulan data pelatihan dan pengujian dalam proyek Anda menentukan jenis model yang Anda buat. Dengan Amazon Rekognition Custom Labels Anda dapat membuat model yang melakukan hal berikut.
+ [Temukan objek, adegan, dan konsep](#md-dataset-purpose-classification)
+ [Temukan lokasi objek](#md-dataset-purpose-localization)
+ [Temukan lokasi merek](#md-dataset-purpose-brands)

## Temukan objek, adegan, dan konsep
<a name="md-dataset-purpose-classification"></a>

Model mengklasifikasikan objek, adegan, dan konsep yang terkait dengan keseluruhan gambar.

Anda dapat membuat dua jenis model klasifikasi, klasifikasi *gambar dan klasifikasi* *multi-label*. Untuk kedua jenis model klasifikasi, model menemukan satu atau lebih label yang cocok dari set lengkap label yang digunakan untuk pelatihan. Kumpulan data pelatihan dan pengujian keduanya membutuhkan setidaknya dua label. 

### Klasifikasi gambar
<a name="md-dataset-image-classification"></a>

 

Model mengklasifikasikan gambar sebagai milik satu set label yang telah ditentukan. Misalnya, Anda mungkin menginginkan model yang menentukan apakah gambar berisi ruang hidup. Gambar berikut mungkin memiliki label tingkat gambar *living\_space*. 

![Ruang tamu yang nyaman dengan perapian, jendela besar yang menghadap ke teras halaman belakang. Nada netral, aksen kayu.](http://docs.aws.amazon.com/id_id/rekognition/latest/customlabels-dg/images/living_space1.jpeg)


Untuk jenis model ini, tambahkan satu label tingkat gambar ke setiap gambar kumpulan data pelatihan dan uji. Untuk contoh proyek, lihat[Klasifikasi gambar](getting-started.md#gs-image-classification-example).

### Klasifikasi multi-label
<a name="md-dataset-image-classification-multi-label"></a>

Model ini mengklasifikasikan gambar ke dalam beberapa kategori, seperti jenis bunga dan apakah memiliki daun, atau tidak. *Misalnya, gambar berikut mungkin memiliki label level gambar *mediterranean\_spurge dan no\_leaves*.*

![Tampilan jarak dekat dari tandan bunga viburnum hijau dengan kuntum kecil yang padat.](http://docs.aws.amazon.com/id_id/rekognition/latest/customlabels-dg/images/mediterranean_spurge3.jpg)


Untuk jenis model ini, tetapkan label tingkat gambar untuk setiap kategori ke gambar kumpulan data pelatihan dan uji. Untuk contoh proyek, lihat[Klasifikasi gambar multi-label](getting-started.md#gs-multi-label-image-classification-example).

### Menetapkan label tingkat gambar
<a name="w2aac20c17c21b7c11"></a>

Jika gambar Anda disimpan dalam bucket Amazon S3, Anda dapat menggunakan [nama folder](md-create-dataset-s3.md) untuk menambahkan label tingkat gambar secara otomatis. Untuk informasi selengkapnya, lihat [Mengimpor gambar dari bucket Amazon S3](md-create-dataset-s3.md). Anda juga dapat menambahkan label tingkat gambar ke gambar setelah membuat kumpulan data, Untuk informasi selengkapnya, lihat. [Menetapkan label tingkat gambar ke gambar](md-assign-image-level-labels.md) Anda dapat menambahkan label baru saat Anda membutuhkannya. Untuk informasi selengkapnya, lihat [Mengelola label](md-labels.md).

## Temukan lokasi objek
<a name="md-dataset-purpose-localization"></a>

Untuk membuat model yang memprediksi lokasi objek dalam gambar Anda, Anda menentukan kotak pembatas lokasi objek dan label untuk gambar dalam kumpulan data pelatihan dan pengujian Anda. Kotak pembatas adalah kotak yang mengelilingi objek dengan erat. Misalnya, gambar berikut menunjukkan kotak pembatas di sekitar Amazon Echo dan Amazon Echo Dot. *Setiap kotak pembatas memiliki label yang ditetapkan (*Amazon Echo atau Amazon Echo* Dot).*

![Dua speaker pintar Amazon, satu dengan kotak pembatas hijau dan satu kotak pembatas biru, di permukaan kayu.](http://docs.aws.amazon.com/id_id/rekognition/latest/customlabels-dg/images/echos.png)


Untuk menemukan lokasi objek, kumpulan data Anda membutuhkan setidaknya satu label. Selama pelatihan model, label lebih lanjut secara otomatis dibuat yang mewakili area di luar kotak pembatas pada gambar. 

### Menetapkan kotak pembatas
<a name="w2aac20c17c21b9b9"></a>

 Saat membuat kumpulan data, Anda dapat menyertakan informasi kotak pembatas untuk gambar Anda. Misalnya, Anda dapat mengimpor [file manifes](md-create-manifest-file.md) format SageMaker AI Ground Truth yang berisi kotak pembatas. Anda juga dapat menambahkan kotak pembatas setelah membuat kumpulan data. Untuk informasi selengkapnya, lihat [Pelabelan objek dengan kotak pembatas](md-localize-objects.md). Anda dapat menambahkan label baru saat Anda membutuhkannya. Untuk informasi selengkapnya, lihat [Mengelola label](md-labels.md).

## Temukan lokasi merek
<a name="md-dataset-purpose-brands"></a>

Jika Anda ingin menemukan lokasi merek, seperti logo dan karakter animasi, Anda dapat menggunakan dua jenis gambar yang berbeda untuk gambar kumpulan data pelatihan Anda. 
+  Gambar yang hanya dari logo. Setiap gambar membutuhkan label tingkat gambar tunggal yang mewakili nama logo. *Misalnya, label tingkat gambar untuk gambar berikut dapat berupa Lambda.*  
![Logo Lambda berwarna putih pada latar belakang oranye.](http://docs.aws.amazon.com/id_id/rekognition/latest/customlabels-dg/images/lambda-logo.jpg)
+ Gambar yang berisi logo di lokasi alami, seperti pertandingan sepak bola atau diagram arsitektual. Setiap gambar pelatihan membutuhkan kotak pembatas yang mengelilingi setiap instance logo. Misalnya, gambar berikut menunjukkan diagram arsitektur dengan kotak pembatas berlabel yang mengelilingi logo AWS Lambda dan Amazon Pinpoint.   
![Alur kerja Diagrom yang menunjukkan layanan AWS Lambda memasukkan aktivitas pengguna ke Amazon Pinpoint untuk rekomendasi.](http://docs.aws.amazon.com/id_id/rekognition/latest/customlabels-dg/images/brand-detection-lambda.png)

Kami menyarankan Anda untuk tidak mencampur label tingkat gambar dan kotak pembatas dalam gambar pelatihan Anda. 

Gambar uji harus memiliki kotak pembatas di sekitar contoh merek yang ingin Anda temukan. Anda dapat membagi kumpulan data pelatihan untuk membuat kumpulan data pengujian, hanya jika gambar pelatihan menyertakan kotak pembatas berlabel. Jika gambar pelatihan hanya memiliki label tingkat gambar, Anda harus membuat kumpulan kumpulan data pengujian yang menyertakan gambar dengan kotak pembatas berlabel. Jika Anda melatih model untuk menemukan lokasi merek, lakukan [Pelabelan objek dengan kotak pembatas](md-localize-objects.md) dan [Menetapkan label tingkat gambar ke gambar](md-assign-image-level-labels.md) sesuai dengan cara Anda memberi label pada gambar Anda. 

Proyek [Deteksi merek](getting-started.md#gs-brand-detection-example) contoh menunjukkan bagaimana Amazon Rekognition Custom Labels menggunakan kotak pembatas berlabel untuk melatih model yang menemukan lokasi objek.

## Persyaratan label untuk jenis model
<a name="md-model-types-table"></a>

Gunakan tabel berikut untuk menentukan cara memberi label pada gambar Anda. 

Anda dapat menggabungkan label tingkat gambar dan gambar berlabel kotak pembatas dalam satu kumpulan data. Dalam hal ini, Amazon Rekognition Custom Labels memilih apakah akan membuat model tingkat gambar atau model lokasi objek. 


| Contoh | Gambar pelatihan | Gambar uji | 
| --- | --- | --- | 
| [Klasifikasi gambar](#md-dataset-image-classification) | 1 Label tingkat gambar per gambar | 1 Label tingkat gambar per gambar  | 
| [Klasifikasi multi-label](#md-dataset-image-classification-multi-label) | Beberapa label tingkat gambar per gambar | Beberapa label tingkat gambar per gambar | 
| [Temukan lokasi merek](#md-dataset-purpose-brands) | label tingkat gambar (Anda juga dapat menggunakan kotak pembatas berlabel) | Kotak pembatas berlabel | 
| [Temukan lokasi objek](#md-dataset-purpose-localization) | Kotak pembatas berlabel | Kotak pembatas berlabel |