Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mendeteksi label dalam video
Amazon Rekognition Video dapat mendeteksi label (objek dan konsep), dan waktu label terdeteksi, dalam video. Untuk contoh kode SDK, lihat [Menganalisis video yang disimpan di bucket Amazon S3 dengan Java atau Python (SDK)](video-analyzing-with-sqs.md). AWS CLI Sebagai contoh, lihat[Menganalisis video dengan AWS Command Line Interface](video-cli-commands.md).
Deteksi label dengan Amazon Rekognition Video adalah operasi tidak sinkron. Untuk memulai deteksi label dalam video, panggil [StartLabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_StartlabelDetection.html).
Amazon Rekognition Video menerbitkan status penyelesaian analisis video ke topik Amazon Simple Notification Service. Jika analisis video berhasil, panggil [GetLabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_GetLabelDetection.html) untuk mendapatkan label yang terdeteksi. Untuk informasi tentang memanggil operasi API analisis video, lihat [Memanggil operasi Amazon Rekognition Video](api-video.md).
## StartLabelDetection Permintaan
Contoh berikut adalah permintaan untuk `StartLabelDetection` operasi. Anda menyediakan `StartLabelDetection` operasi dengan video yang disimpan dalam ember Amazon S3. Dalam permintaan contoh JSON, bucket Amazon S3 dan nama video ditentukan, bersama `MinConfidence` dengan, `Features``Settings`, dan. `NotificationChannel`
`MinConfidence`adalah keyakinan minimum yang harus dimiliki Video Rekognition Amazon dalam keakuratan label yang terdeteksi, atau kotak pembatas instance (jika terdeteksi), agar dapat dikembalikan dalam respons.
Dengan`Features`, Anda dapat menentukan bahwa Anda ingin GENERAL\$1LABELS dikembalikan sebagai bagian dari respons.
Dengan`Settings`, Anda dapat memfilter item yang dikembalikan untuk GENERAL\$1LABELS. Untuk label, Anda dapat menggunakan filter inklusif dan eksklusif. Anda juga dapat memfilter berdasarkan label khusus, label individual atau berdasarkan kategori label:
+ `LabelInclusionFilters`- Digunakan untuk menentukan label mana yang ingin Anda sertakan dalam respons
+ `LabelExclusionFilters`- Digunakan untuk menentukan label mana yang ingin Anda kecualikan dari respons.
+ `LabelCategoryInclusionFilters`- Digunakan untuk menentukan kategori label mana yang ingin Anda sertakan dalam respons.
+ `LabelCategoryExclusionFilters`- Digunakan untuk menentukan kategori label mana yang ingin Anda kecualikan dari respons.
Anda juga dapat menggabungkan filter inklusif dan eksklusif sesuai dengan kebutuhan Anda, tidak termasuk beberapa label atau kategori dan termasuk yang lain.
`NotificationChannel`adalah ARN dari topik Amazon SNS yang Anda inginkan agar Video Rekognition Amazon mempublikasikan status penyelesaian operasi deteksi label. Jika Anda menggunakan kebijakan `AmazonRekognitionServiceRole` izin, maka topik Amazon SNS harus memiliki nama topik yang dimulai dengan Rekognition.
Berikut ini adalah contoh `StartLabelDetection` permintaan dalam bentuk JSON, termasuk filter:
```
{
"ClientRequestToken": "5a6e690e-c750-460a-9d59-c992e0ec8638",
"JobTag": "5a6e690e-c750-460a-9d59-c992e0ec8638",
"Video": {
"S3Object": {
"Bucket": "bucket",
"Name": "video.mp4"
}
},
"Features": ["GENERAL_LABELS"],
"MinConfidence": 75,
"Settings": {
"GeneralLabels": {
"LabelInclusionFilters": ["Cat", "Dog"],
"LabelExclusionFilters": ["Tiger"],
"LabelCategoryInclusionFilters": ["Animals and Pets"],
"LabelCategoryExclusionFilters": ["Popular Landmark"]
}
},
"NotificationChannel": {
"RoleArn": "arn:aws:iam::012345678910:role/SNSAccessRole",
"SNSTopicArn": "arn:aws:sns:us-east-1:012345678910:notification-topic",
}
}
```
## GetLabelDetection Respon Operasi
`GetLabelDetection` mengembalikan array (`Labels`) yang berisi informasi tentang label yang terdeteksi dalam video. Array dapat diurutkan berdasarkan waktu atau oleh label yang terdeteksi saat menentukan `SortBy` parameter.Anda juga dapat memilih bagaimana item respons digabungkan dengan menggunakan parameter. `AggregateBy`
Contoh berikut adalah respons JSON dari `GetLabelDetection`. Dalam respons, perhatikan hal berikut:
+ **Urutkan sesuai urutan** - array label yang dikembalikan diurutkan berdasarkan waktu. Untuk mengurutkan berdasarkan label, tentukan `NAME` dalam parameter input `SortBy` untuk `GetLabelDetection`. Jika label muncul beberapa kali dalam video, akan ada beberapa instans elemen ([LabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_LabelDetection.html)). Urutan oder default adalah`TIMESTAMP`, sedangkan urutan urutan sekunder adalah`NAME`.
+ **Informasi label** - Elemen `LabelDetection` array berisi objek ([Label](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_Label.html)), yang pada gilirannya berisi nama label dan kepercayaan Amazon Rekognition dalam keakuratan label yang terdeteksi. Sebuah `Label` objek juga mencakup taksonomi hierarkis label dan informasi kotak pembatas untuk label umum. `Timestamp`adalah waktu label terdeteksi, didefinisikan sebagai jumlah milidetik yang berlalu sejak awal video.
Informasi tentang Kategori atau Alias apa pun yang terkait dengan label juga dikembalikan. Untuk hasil yang dikumpulkan berdasarkan video `SEGMENTS``StartTimestampMillis`, `DurationMillis` struktur`EndTimestampMillis`, dan dikembalikan, yang menentukan waktu mulai, waktu akhir, dan durasi segmen masing-masing.
+ **Agregasi** - Menentukan bagaimana hasil dikumpulkan ketika dikembalikan. Defaultnya adalah agregat dengan`TIMESTAMPS`. Anda juga dapat memilih untuk agregat menurut`SEGMENTS`, yang mengumpulkan hasil melalui jendela waktu. Jika digabungkan dengan`SEGMENTS`, informasi tentang instance yang terdeteksi dengan kotak pembatas tidak dikembalikan. Hanya label yang terdeteksi selama segmen yang dikembalikan.
+ **Informasi halaman** - Contoh menunjukkan satu halaman informasi deteksi label. Anda dapat menentukan berapa banyak objek `LabelDetection` yang akan dikembalikan dalam parameter input `MaxResults` untuk `GetLabelDetection`. Jika ada lebih banyak hasil daripada `MaxResults`, `GetLabelDetection` mengembalikan token (`NextToken`) yang digunakan untuk mendapatkan halaman hasil berikutnya. Untuk informasi selengkapnya, lihat [Mendapatkan hasil analisis Amazon Rekognition Video](api-video.md#api-video-get).
+ **Informasi video** - Respons mencakup informasi tentang format video (`VideoMetadata`) di setiap halaman informasi yang dikembalikan oleh `GetLabelDetection`.
Berikut ini adalah contoh GetLabelDetection respons dalam bentuk JSON dengan agregasi oleh TIMESTAMPS:
```
{
"JobStatus": "SUCCEEDED",
"LabelModelVersion": "3.0",
"Labels": [
{
"Timestamp": 1000,
"Label": {
"Name": "Car",
"Categories": [
{
"Name": "Vehicles and Automotive"
}
],
"Aliases": [
{
"Name": "Automobile"
}
],
"Parents": [
{
"Name": "Vehicle"
}
],
"Confidence": 99.9364013671875, // Classification confidence
"Instances": [
{
"BoundingBox": {
"Width": 0.26779675483703613,
"Height": 0.8562285900115967,
"Left": 0.3604024350643158,
"Top": 0.09245597571134567
},
"Confidence": 99.9364013671875 // Detection confidence
}
]
}
},
{
"Timestamp": 1000,
"Label": {
"Name": "Cup",
"Categories": [
{
"Name": "Kitchen and Dining"
}
],
"Aliases": [
{
"Name": "Mug"
}
],
"Parents": [],
"Confidence": 99.9364013671875, // Classification confidence
"Instances": [
{
"BoundingBox": {
"Width": 0.26779675483703613,
"Height": 0.8562285900115967,
"Left": 0.3604024350643158,
"Top": 0.09245597571134567
},
"Confidence": 99.9364013671875 // Detection confidence
}
]
}
},
{
"Timestamp": 2000,
"Label": {
"Name": "Kangaroo",
"Categories": [
{
"Name": "Animals and Pets"
}
],
"Aliases": [
{
"Name": "Wallaby"
}
],
"Parents": [
{
"Name": "Mammal"
}
],
"Confidence": 99.9364013671875,
"Instances": [
{
"BoundingBox": {
"Width": 0.26779675483703613,
"Height": 0.8562285900115967,
"Left": 0.3604024350643158,
"Top": 0.09245597571134567,
},
"Confidence": 99.9364013671875
}
]
}
},
{
"Timestamp": 4000,
"Label": {
"Name": "Bicycle",
"Categories": [
{
"Name": "Hobbies and Interests"
}
],
"Aliases": [
{
"Name": "Bike"
}
],
"Parents": [
{
"Name": "Vehicle"
}
],
"Confidence": 99.9364013671875,
"Instances": [
{
"BoundingBox": {
"Width": 0.26779675483703613,
"Height": 0.8562285900115967,
"Left": 0.3604024350643158,
"Top": 0.09245597571134567
},
"Confidence": 99.9364013671875
}
]
}
}
],
"VideoMetadata": {
"ColorRange": "FULL",
"DurationMillis": 5000,
"Format": "MP4",
"FrameWidth": 1280,
"FrameHeight": 720,
"FrameRate": 24
}
}
```
Berikut ini adalah contoh GetLabelDetection respon dalam bentuk JSON dengan agregasi oleh SEGMENTS:
```
{
"JobStatus": "SUCCEEDED",
"LabelModelVersion": "3.0",
"Labels": [
{
"StartTimestampMillis": 225,
"EndTimestampMillis": 3578,
"DurationMillis": 3353,
"Label": {
"Name": "Car",
"Categories": [
{
"Name": "Vehicles and Automotive"
}
],
"Aliases": [
{
"Name": "Automobile"
}
],
"Parents": [
{
"Name": "Vehicle"
}
],
"Confidence": 99.9364013671875 // Maximum confidence score for Segment mode
}
},
{
"StartTimestampMillis": 7578,
"EndTimestampMillis": 12371,
"DurationMillis": 4793,
"Label": {
"Name": "Kangaroo",
"Categories": [
{
"Name": "Animals and Pets"
}
],
"Aliases": [
{
"Name": "Wallaby"
}
],
"Parents": [
{
"Name": "Mammal"
}
],
"Confidence": 99.9364013671875
}
},
{
"StartTimestampMillis": 22225,
"EndTimestampMillis": 22578,
"DurationMillis": 2353,
"Label": {
"Name": "Bicycle",
"Categories": [
{
"Name": "Hobbies and Interests"
}
],
"Aliases": [
{
"Name": "Bike"
}
],
"Parents": [
{
"Name": "Vehicle"
}
],
"Confidence": 99.9364013671875
}
}
],
"VideoMetadata": {
"ColorRange": "FULL",
"DurationMillis": 5000,
"Format": "MP4",
"FrameWidth": 1280,
"FrameHeight": 720,
"FrameRate": 24
}
}
```
## Mengubah Respon GetLabelDetection
Saat mengambil hasil dengan operasi GetLabelDetection API, Anda mungkin memerlukan struktur respons untuk meniru struktur respons API yang lebih lama, di mana label utama dan alias terkandung dalam daftar yang sama.
Contoh respons JSON yang ditemukan di bagian sebelumnya menampilkan bentuk respons API saat ini dari. GetLabelDetection
Contoh berikut menunjukkan respons sebelumnya dari GetLabelDetection API:
```
{
"Labels": [
{
"Timestamp": 0,
"Label": {
"Instances": [],
"Confidence": 60.51791763305664,
"Parents": [],
"Name": "Leaf"
}
},
{
"Timestamp": 0,
"Label": {
"Instances": [],
"Confidence": 99.53411102294922,
"Parents": [],
"Name": "Human"
}
},
{
"Timestamp": 0,
"Label": {
"Instances": [
{
"BoundingBox": {
"Width": 0.11109819263219833,
"Top": 0.08098889887332916,
"Left": 0.8881205320358276,
"Height": 0.9073750972747803
},
"Confidence": 99.5831298828125
},
{
"BoundingBox": {
"Width": 0.1268676072359085,
"Top": 0.14018426835536957,
"Left": 0.0003282368124928324,
"Height": 0.7993982434272766
},
"Confidence": 99.46029663085938
}
],
"Confidence": 99.63411102294922,
"Parents": [],
"Name": "Person"
}
},
.
.
.
{
"Timestamp": 166,
"Label": {
"Instances": [],
"Confidence": 73.6471176147461,
"Parents": [
{
"Name": "Clothing"
}
],
"Name": "Sleeve"
}
}
],
"LabelModelVersion": "2.0",
"JobStatus": "SUCCEEDED",
"VideoMetadata": {
"Format": "QuickTime / MOV",
"FrameRate": 23.976024627685547,
"Codec": "h264",
"DurationMillis": 5005,
"FrameHeight": 674,
"FrameWidth": 1280
}
}
```
Jika diperlukan, Anda dapat mengubah respons saat ini untuk mengikuti format respons yang lebih lama. Anda dapat menggunakan kode contoh berikut untuk mengubah respons API terbaru ke struktur respons API sebelumnya:
```
from copy import deepcopy
VIDEO_LABEL_KEY = "Labels"
LABEL_KEY = "Label"
ALIASES_KEY = "Aliases"
INSTANCE_KEY = "Instances"
NAME_KEY = "Name"
#Latest API response sample for AggregatedBy SEGMENTS
EXAMPLE_SEGMENT_OUTPUT = {
"Labels": [
{
"Timestamp": 0,
"Label":{
"Name": "Person",
"Confidence": 97.530106,
"Parents": [],
"Aliases": [
{
"Name": "Human"
},
],
"Categories": [
{
"Name": "Person Description"
}
],
},
"StartTimestampMillis": 0,
"EndTimestampMillis": 500666,
"DurationMillis": 500666
},
{
"Timestamp": 6400,
"Label": {
"Name": "Leaf",
"Confidence": 89.77790069580078,
"Parents": [
{
"Name": "Plant"
}
],
"Aliases": [],
"Categories": [
{
"Name": "Plants and Flowers"
}
],
},
"StartTimestampMillis": 6400,
"EndTimestampMillis": 8200,
"DurationMillis": 1800
},
]
}
#Output example after the transformation for AggregatedBy SEGMENTS
EXPECTED_EXPANDED_SEGMENT_OUTPUT = {
"Labels": [
{
"Timestamp": 0,
"Label":{
"Name": "Person",
"Confidence": 97.530106,
"Parents": [],
"Aliases": [
{
"Name": "Human"
},
],
"Categories": [
{
"Name": "Person Description"
}
],
},
"StartTimestampMillis": 0,
"EndTimestampMillis": 500666,
"DurationMillis": 500666
},
{
"Timestamp": 6400,
"Label": {
"Name": "Leaf",
"Confidence": 89.77790069580078,
"Parents": [
{
"Name": "Plant"
}
],
"Aliases": [],
"Categories": [
{
"Name": "Plants and Flowers"
}
],
},
"StartTimestampMillis": 6400,
"EndTimestampMillis": 8200,
"DurationMillis": 1800
},
{
"Timestamp": 0,
"Label":{
"Name": "Human",
"Confidence": 97.530106,
"Parents": [],
"Categories": [
{
"Name": "Person Description"
}
],
},
"StartTimestampMillis": 0,
"EndTimestampMillis": 500666,
"DurationMillis": 500666
},
]
}
#Latest API response sample for AggregatedBy TIMESTAMPS
EXAMPLE_TIMESTAMP_OUTPUT = {
"Labels": [
{
"Timestamp": 0,
"Label": {
"Name": "Person",
"Confidence": 97.530106,
"Instances": [
{
"BoundingBox": {
"Height": 0.1549897,
"Width": 0.07747964,
"Top": 0.50858885,
"Left": 0.00018205095
},
"Confidence": 97.530106
},
],
"Parents": [],
"Aliases": [
{
"Name": "Human"
},
],
"Categories": [
{
"Name": "Person Description"
}
],
},
},
{
"Timestamp": 6400,
"Label": {
"Name": "Leaf",
"Confidence": 89.77790069580078,
"Instances": [],
"Parents": [
{
"Name": "Plant"
}
],
"Aliases": [],
"Categories": [
{
"Name": "Plants and Flowers"
}
],
},
},
]
}
#Output example after the transformation for AggregatedBy TIMESTAMPS
EXPECTED_EXPANDED_TIMESTAMP_OUTPUT = {
"Labels": [
{
"Timestamp": 0,
"Label": {
"Name": "Person",
"Confidence": 97.530106,
"Instances": [
{
"BoundingBox": {
"Height": 0.1549897,
"Width": 0.07747964,
"Top": 0.50858885,
"Left": 0.00018205095
},
"Confidence": 97.530106
},
],
"Parents": [],
"Aliases": [
{
"Name": "Human"
},
],
"Categories": [
{
"Name": "Person Description"
}
],
},
},
{
"Timestamp": 6400,
"Label": {
"Name": "Leaf",
"Confidence": 89.77790069580078,
"Instances": [],
"Parents": [
{
"Name": "Plant"
}
],
"Aliases": [],
"Categories": [
{
"Name": "Plants and Flowers"
}
],
},
},
{
"Timestamp": 0,
"Label": {
"Name": "Human",
"Confidence": 97.530106,
"Parents": [],
"Categories": [
{
"Name": "Person Description"
}
],
},
},
]
}
def expand_aliases(inferenceOutputsWithAliases):
if VIDEO_LABEL_KEY in inferenceOutputsWithAliases:
expandInferenceOutputs = []
for segmentLabelDict in inferenceOutputsWithAliases[VIDEO_LABEL_KEY]:
primaryLabelDict = segmentLabelDict[LABEL_KEY]
if ALIASES_KEY in primaryLabelDict:
for alias in primaryLabelDict[ALIASES_KEY]:
aliasLabelDict = deepcopy(segmentLabelDict)
aliasLabelDict[LABEL_KEY][NAME_KEY] = alias[NAME_KEY]
del aliasLabelDict[LABEL_KEY][ALIASES_KEY]
if INSTANCE_KEY in aliasLabelDict[LABEL_KEY]:
del aliasLabelDict[LABEL_KEY][INSTANCE_KEY]
expandInferenceOutputs.append(aliasLabelDict)
inferenceOutputsWithAliases[VIDEO_LABEL_KEY].extend(expandInferenceOutputs)
return inferenceOutputsWithAliases
if __name__ == "__main__":
segmentOutputWithExpandAliases = expand_aliases(EXAMPLE_SEGMENT_OUTPUT)
assert segmentOutputWithExpandAliases == EXPECTED_EXPANDED_SEGMENT_OUTPUT
timestampOutputWithExpandAliases = expand_aliases(EXAMPLE_TIMESTAMP_OUTPUT)
assert timestampOutputWithExpandAliases == EXPECTED_EXPANDED_TIMESTAMP_OUTPUT
```