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

# Gambar Label
<a name="sms-label-images"></a>

Gunakan Ground Truth untuk melabeli gambar. Pilih salah satu jenis tugas bawaan berikut untuk mempelajari lebih lanjut tentang jenis tugas tersebut. Setiap halaman menyertakan instruksi untuk membantu Anda membuat pekerjaan pelabelan menggunakan jenis tugas tersebut.

**Tip**  
Untuk mempelajari lebih lanjut tentang jenis file yang didukung dan kuota data input, lihat[Data input](sms-data-input.md).

**Topics**
+ [Klasifikasi objek gambar menggunakan kotak pembatas](sms-bounding-box.md)
+ [Identifikasi konten gambar menggunakan segmentasi semantik](sms-semantic-segmentation.md)
+ [Alat Segmentasi Otomatis](sms-auto-segmentation.md)
+ [Buat pekerjaan klasifikasi gambar (Single Label)](sms-image-classification.md)
+ [Buat pekerjaan klasifikasi gambar (Multi-label)](sms-image-classification-multilabel.md)
+ [Verifikasi Label Gambar](sms-label-verification.md)

# Klasifikasi objek gambar menggunakan kotak pembatas
<a name="sms-bounding-box"></a>

Gambar yang digunakan untuk melatih model pembelajaran mesin sering mengandung lebih dari satu objek. Untuk mengklasifikasikan dan melokalkan satu atau beberapa objek dalam gambar, gunakan jenis tugas pekerjaan pelabelan kotak pembatas Amazon SageMaker Ground Truth. Dalam konteks ini, lokalisasi berarti lokasi piksel dari kotak pembatas. Anda membuat pekerjaan pelabelan kotak pembatas menggunakan bagian Ground Truth di konsol Amazon SageMaker AI atau operasinya. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

**penting**  
Untuk jenis tugas ini, jika Anda membuat file manifes sendiri, gunakan `"source-ref"` untuk mengidentifikasi lokasi setiap file gambar di Amazon S3 yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).

## Membuat Job Pelabelan Kotak Bounding (Konsol)
<a name="sms-creating-bounding-box-labeling-job-console"></a>

Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan kotak pembatas di konsol SageMaker AI. Pada Langkah 10, pilih **Gambar** dari menu **tarik-turun kategori Tugas**, dan pilih **Bounding kotak** sebagai tipe tugas. 

Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan hingga 50 label yang dapat dipilih pekerja. 

![\[Gif menunjukkan cara menggambar kotak di sekitar objek untuk kategori.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/sms/gifs/bb-sample.gif)


## Membuat Job Pelabelan Kotak Bounding (API)
<a name="sms-creating-bounding-box-labeling-job-api"></a>

Untuk membuat pekerjaan pelabelan kotak pembatas, gunakan operasi SageMaker API. `CreateLabelingJob` API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda: 
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-BoundingBox` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-BoundingBox` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda. 

```
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'
        },
    ]
)
```

### Berikan Template untuk Pekerjaan Pelabelan Kotak Bounding
<a name="sms-create-labeling-job-bounding-box-api-template"></a>

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [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), dan`header`. Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `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>
```

## Data Output Kotak Pembatas
<a name="sms-bounding-box-output-data"></a>

Setelah Anda membuat tugas pelabelan kotak pembatas, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output di bagian** Ikhtisar **pekerjaan konsol**. 

Misalnya, file manifes keluaran dari tugas kotak pembatas kelas tunggal yang berhasil diselesaikan akan berisi yang berikut: 

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

`boundingBoxes`Parameter mengidentifikasi lokasi kotak pembatas yang digambar di sekitar objek yang diidentifikasi sebagai “burung” relatif terhadap sudut kiri atas gambar yang diambil sebagai koordinat piksel (0,0). Pada contoh sebelumnya, **`left`**dan **`top`**identifikasi lokasi piksel di sudut kiri atas kotak pembatas relatif terhadap sudut kiri atas gambar. Dimensi kotak pembatas diidentifikasi dengan **`height`**dan **`width`**. `inputImageProperties`Parameter memberikan dimensi piksel dari gambar input asli.

Saat Anda menggunakan jenis tugas kotak pembatas, Anda dapat membuat pekerjaan pelabelan kotak pembatas tunggal dan multi-kelas. File manifes keluaran dari kotak pembatas multi-kelas yang berhasil diselesaikan akan berisi yang berikut: 

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

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan dari pekerjaan pelabelan kotak pembatas, lihat. [Output pekerjaan kotak pembatas](sms-data-output.md#sms-output-box)

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md). 

# Identifikasi konten gambar menggunakan segmentasi semantik
<a name="sms-semantic-segmentation"></a>

Untuk mengidentifikasi konten gambar pada tingkat piksel, gunakan tugas pelabelan segmentasi semantik Amazon SageMaker Ground Truth. Saat diberi pekerjaan pelabelan segmentasi semantik, pekerja mengklasifikasikan piksel dalam gambar ke dalam satu set label atau kelas yang telah ditentukan sebelumnya. Ground Truth mendukung pekerjaan pelabelan segmentasi semantik tunggal dan multi-kelas. Anda membuat pekerjaan pelabelan segmentasi semantik menggunakan bagian Ground Truth dari konsol Amazon SageMaker AI atau operasinya. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 

Gambar yang berisi sejumlah besar objek yang perlu disegmentasi membutuhkan lebih banyak waktu. Untuk membantu pekerja (dari tenaga kerja swasta atau vendor) memberi label objek ini dalam waktu yang lebih singkat dan dengan akurasi yang lebih besar, Ground Truth menyediakan alat segmentasi otomatis berbantuan AI. Untuk informasi, lihat [Alat Segmentasi Otomatis](sms-auto-segmentation.md).

**penting**  
Untuk jenis tugas ini, jika Anda membuat file manifes sendiri, gunakan `"source-ref"` untuk mengidentifikasi lokasi setiap file gambar di Amazon S3 yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).

## Membuat Pekerjaan Pelabelan Segmentasi Semantik (Konsol)
<a name="sms-creating-ss-labeling-job-console"></a>

Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan segmentasi semantik di konsol AI. SageMaker Pada Langkah 10, pilih **Gambar** dari menu tarik-turun **kategori Tugas**, dan pilih **Segmentasi semantik sebagai jenis** tugas. 

Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja. 

![\[Gif menunjukkan contoh tentang cara membuat pekerjaan pelabelan segmentasi semantik di konsol AI. SageMaker\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/semantic_segmentation_sample.gif)


## Membuat Semantic Segmentation Labeling Job (API)
<a name="sms-creating-ss-labeling-job-api"></a>

Untuk membuat pekerjaan pelabelan segmentasi semantik, gunakan operasi API. SageMaker `CreateLabelingJob` API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda: 
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-SemanticSegmentation` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-SemanticSegmentation` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda. 

```
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'
        },
    ]
)
```

### Berikan Template untuk Pekerjaan Pelabelan Segmentasi Semantik
<a name="sms-create-labeling-job-ss-api-template"></a>

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [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), dan`header`. 

Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `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>
```

## Data Keluaran Segmentasi Semantik
<a name="sms-ss-ouput-data"></a>

Setelah Anda membuat pekerjaan pelabelan segmentasi semantik, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang **lokasi kumpulan data Output** pada bagian Ikhtisar **pekerjaan** konsol. 

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md). 

Untuk melihat contoh file manifes keluaran untuk pekerjaan pelabelan segmentasi semantik, lihat. [Output segmentasi semantik awan titik 3D](sms-data-output.md#sms-output-point-cloud-segmentation)

# Alat Segmentasi Otomatis
<a name="sms-auto-segmentation"></a>

Segmentasi gambar adalah proses membagi gambar menjadi beberapa segmen, atau set piksel berlabel. Di Amazon SageMaker Ground Truth, proses mengidentifikasi semua piksel yang berada di bawah label tertentu melibatkan penerapan pengisi berwarna, atau “topeng”, di atas piksel tersebut. Beberapa tugas pekerjaan pelabelan berisi gambar dengan sejumlah besar objek yang perlu disegmentasi. Untuk membantu pekerja memberi label objek ini dalam waktu yang lebih singkat dan dengan akurasi yang lebih besar, Ground Truth menyediakan alat segmentasi otomatis untuk tugas segmentasi yang ditugaskan ke tenaga kerja pribadi dan vendor. Alat ini menggunakan model pembelajaran mesin untuk secara otomatis mengelompokkan objek individu dalam gambar dengan input pekerja minimal. Pekerja dapat menyempurnakan topeng yang dihasilkan oleh alat segmentasi otomatis menggunakan alat lain yang ditemukan di konsol pekerja. Ini membantu pekerja menyelesaikan tugas segmentasi gambar lebih cepat dan lebih akurat, menghasilkan biaya yang lebih rendah dan kualitas label yang lebih tinggi. Halaman berikut memberikan informasi tentang alat dan ketersediaannya.

**catatan**  
Alat segmentasi otomatis tersedia untuk tugas segmentasi yang dikirim ke tenaga kerja pribadi atau tenaga kerja vendor. Ini tidak tersedia untuk tugas yang dikirim ke tenaga kerja publik (Amazon Mechanical Turk). 

## Pratinjau Alat
<a name="sms-auto-segment-tool-preview"></a>

Ketika pekerja diberi pekerjaan pelabelan yang menyediakan alat segmentasi otomatis, mereka diberikan instruksi terperinci tentang cara menggunakan alat tersebut. Misalnya, pekerja mungkin melihat hal berikut di konsol pekerja: 

![\[Contoh UI dengan petunjuk tentang cara menggunakan alat di konsol pekerja.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/sms/gifs/semantic-segmentation.gif)


Pekerja dapat menggunakan **Lihat instruksi lengkap** untuk mempelajari cara menggunakan alat ini. Pekerja perlu menempatkan titik pada empat titik ekstrem (paling atas, paling bawah, paling kiri, dan paling kanan) dari objek yang diinginkan, dan alat akan secara otomatis menghasilkan topeng untuk objek tersebut. Pekerja dapat lebih menyempurnakan topeng menggunakan alat lain yang disediakan, atau dengan menggunakan alat segmen otomatis pada bagian yang lebih kecil dari objek yang terlewatkan. 

## Ketersediaan Alat
<a name="sms-auto-segment-tool-availability"></a>

Alat segmentasi otomatis secara otomatis muncul di konsol pekerja Anda jika Anda membuat pekerjaan pelabelan segmentasi semantik menggunakan konsol Amazon AI. SageMaker Saat membuat pekerjaan segmentasi semantik di konsol SageMaker AI, Anda akan dapat melihat pratinjau alat sambil membuat instruksi pekerja. Untuk mempelajari cara membuat pekerjaan pelabelan segmentasi semantik di konsol SageMaker AI, lihat. [Memulai: Buat pekerjaan pelabelan kotak pembatas dengan Ground Truth](sms-getting-started.md) 

Jika Anda membuat pekerjaan pelabelan segmentasi instans khusus di konsol SageMaker AI atau membuat pekerjaan pelabelan segmentasi instance atau semantik menggunakan Ground Truth API, Anda perlu membuat templat tugas khusus untuk mendesain konsol dan instruksi pekerja Anda. Untuk menyertakan alat segmentasi otomatis di konsol pekerja Anda, pastikan bahwa kondisi berikut terpenuhi dalam templat tugas kustom Anda:
+ Untuk pekerjaan pelabelan segmentasi semantik yang dibuat menggunakan API, `<crowd-semantic-segmentation>` ada di template tugas. Untuk pekerjaan pelabelan segmentasi instance khusus, `<crowd-instance-segmentation>` tag ada di templat tugas.
+ Tugas tersebut diberikan kepada tenaga kerja swasta atau tenaga kerja vendor. 
+ Gambar yang akan diberi label adalah objek Amazon Simple Storage Service Amazon S3) yang telah ditandatangani sebelumnya untuk Pekerja sehingga mereka dapat mengaksesnya. Ini benar jika template tugas menyertakan `grant_read_access` filter. Untuk informasi tentang `grant_read_access` filter, lihat[Menambahkan otomatisasi dengan Liquid](sms-custom-templates-step2-automate.md).

Berikut ini adalah contoh template tugas khusus untuk pekerjaan pelabelan segmentasi instance kustom, yang mencakup `<crowd-instance-segmentation/>` tag dan filter `grant_read_access` Liquid.

```
<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>
```

# Buat pekerjaan klasifikasi gambar (Single Label)
<a name="sms-image-classification"></a>

Gunakan tugas pelabelan klasifikasi gambar Amazon SageMaker Ground Truth saat Anda membutuhkan pekerja untuk mengklasifikasikan gambar menggunakan label yang telah ditentukan sebelumnya yang Anda tentukan. Pekerja diperlihatkan gambar dan diminta untuk memilih satu label untuk setiap gambar. Anda dapat membuat pekerjaan pelabelan klasifikasi gambar menggunakan bagian Ground Truth dari konsol Amazon SageMaker AI atau [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operasinya. 

**penting**  
Untuk jenis tugas ini, jika Anda membuat file manifes sendiri, gunakan `"source-ref"` untuk mengidentifikasi lokasi setiap file gambar di Amazon S3 yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).

## Membuat Pekerjaan Pelabelan Klasifikasi Gambar (Konsol)
<a name="sms-creating-image-classification-console"></a>

Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi gambar di konsol SageMaker AI. Pada Langkah 10, pilih **Gambar** dari menu tarik-turun **kategori Tugas**, dan pilih **Klasifikasi Gambar (Label Tunggal)** sebagai jenis tugas. 

Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan dengan konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja. 

![\[Contoh UI pekerja untuk tugas pelabelan, disediakan oleh Ground Truth.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/image-classification-example.png)


## Membuat Pekerjaan Pelabelan Klasifikasi Gambar (API)
<a name="sms-creating-image-classification-api"></a>

Untuk membuat pekerjaan pelabelan klasifikasi gambar, gunakan operasi SageMaker `CreateLabelingJob` API. API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda: 
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-ImageMultiClass` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-ImageMultiClass` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda. 

```
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'
        },
    ]
)
```

### Berikan Template untuk Pekerjaan Pelabelan Klasifikasi Gambar
<a name="worker-template-image-classification"></a>

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [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), dan`header`. 

Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `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>
```

## Data Output Klasifikasi Gambar
<a name="sms-image-classification-output-data"></a>

Setelah Anda membuat tugas pelabelan klasifikasi gambar, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output** di bagian Ikhtisar **pekerjaan** konsol. 

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md). 

Untuk melihat contoh file manifes keluaran dari pekerjaan pelabelan klasifikasi gambar, lihat[Klasifikasi output pekerjaan](sms-data-output.md#sms-output-class).

# Buat pekerjaan klasifikasi gambar (Multi-label)
<a name="sms-image-classification-multilabel"></a>

Gunakan tugas pelabelan klasifikasi gambar multi-label Amazon SageMaker Ground Truth saat Anda membutuhkan pekerja untuk mengklasifikasikan beberapa objek dalam sebuah gambar. Misalnya, gambar berikut menampilkan kucing dan kucing. Anda dapat menggunakan klasifikasi gambar multi-label untuk mengaitkan label “dog” dan “cat” dengan gambar ini. Halaman berikut memberikan informasi tentang membuat pekerjaan klasifikasi gambar.

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


Saat mengerjakan tugas klasifikasi gambar multi-label, pekerja harus memilih semua label yang berlaku, tetapi harus memilih setidaknya satu. Saat membuat pekerjaan menggunakan jenis tugas ini, Anda dapat memberikan hingga 50 kategori label. 

Saat membuat pekerjaan pelabelan di konsol, Ground Truth tidak menyediakan kategori “tidak ada” ketika tidak ada label yang berlaku untuk gambar. Untuk memberikan opsi ini kepada pekerja, sertakan label yang mirip dengan “tidak ada” atau “lainnya” saat Anda membuat pekerjaan klasifikasi gambar multi-label. 

Untuk membatasi pekerja memilih satu label untuk setiap gambar, gunakan tipe [Buat pekerjaan klasifikasi gambar (Single Label)](sms-image-classification.md) tugas.

**penting**  
Untuk jenis tugas ini, jika Anda membuat file manifes sendiri, gunakan `"source-ref"` untuk mengidentifikasi lokasi setiap file gambar di Amazon S3 yang ingin diberi label. Untuk informasi selengkapnya, lihat [Data input](sms-data-input.md).

## Membuat Pekerjaan Pelabelan Klasifikasi Gambar Multi-Label (Konsol)
<a name="sms-creating-multilabel-image-classification-console"></a>

Anda dapat mengikuti petunjuk [Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md) untuk mempelajari cara membuat pekerjaan pelabelan klasifikasi gambar multi-label di konsol SageMaker AI. Pada Langkah 10, pilih **Gambar** dari menu tarik-turun **kategori Tugas**, dan pilih **Klasifikasi Gambar (Multi-label)** sebagai jenis tugas. 

Ground Truth menyediakan UI pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat membuat pekerjaan pelabelan di konsol, Anda menentukan petunjuk untuk membantu pekerja menyelesaikan pekerjaan dan label yang dapat dipilih pekerja. 

![\[Contoh UI pekerja untuk tugas pelabelan, disediakan oleh Ground Truth.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/image-classification-multilabel-example.png)


## Membuat Pekerjaan Pelabelan Klasifikasi Gambar Multi-Label (API)
<a name="sms-create-multi-select-image-classification-job-api"></a>

Untuk membuat tugas pelabelan klasifikasi gambar multi-label, gunakan operasi SageMaker API. `CreateLabelingJob` API ini mendefinisikan operasi ini untuk semua AWS SDKs. Untuk melihat daftar bahasa khusus yang SDKs didukung untuk operasi ini, tinjau bagian **Lihat Juga**. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)

Ikuti petunjuk [Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md) dan lakukan hal berikut saat Anda mengonfigurasi permintaan Anda: 
+ Fungsi Lambda pra-anotasi untuk jenis tugas ini diakhiri dengan. `PRE-ImageMultiClassMultiLabel` Untuk menemukan Lambda ARN pra-anotasi untuk Wilayah Anda, lihat. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) 
+ Fungsi Lambda konsolidasi anotasi untuk jenis tugas ini diakhiri dengan. `ACS-ImageMultiClassMultiLabel` Untuk menemukan Lambda ARN konsolidasi anotasi untuk Wilayah Anda, lihat. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) 

Berikut ini adalah contoh [permintaan AWS Python SDK (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) untuk membuat pekerjaan pelabelan di Wilayah AS Timur (Virginia N.). Semua parameter berwarna merah harus diganti dengan spesifikasi dan sumber daya Anda. 

```
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'
        },
    ]
)
```

### Berikan Template untuk Klasifikasi Gambar Multi-label
<a name="sms-custom-template-multi-image-label-classification"></a>

Jika Anda membuat pekerjaan pelabelan menggunakan API, Anda harus menyediakan template tugas pekerja di`UiTemplateS3Uri`. Salin dan modifikasi template berikut. Hanya memodifikasi [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), dan`header`. 

Unggah template ini ke S3, dan berikan URI S3 untuk file ini. `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>
```

## Data Keluaran Klasifikasi Gambar Multi-label
<a name="sms-image-classification-multi-output-data"></a>

Setelah Anda membuat tugas pelabelan klasifikasi gambar multi-label, data keluaran Anda akan ditempatkan di bucket Amazon S3 yang ditentukan dalam `S3OutputPath` parameter saat menggunakan API atau di bidang lokasi **kumpulan data Output pada bagian** Ikhtisar **pekerjaan konsol**. 

Untuk mempelajari lebih lanjut tentang file manifes keluaran yang dihasilkan oleh Ground Truth dan struktur file yang digunakan Ground Truth untuk menyimpan data keluaran Anda, lihat[Pelabelan data keluaran pekerjaan](sms-data-output.md). 

Untuk melihat contoh file manifes keluaran untuk pekerjaan pelabelan klasifikasi gambar multi-label, lihat. [Output pekerjaan klasifikasi multi-label](sms-data-output.md#sms-output-multi-label-classification)

# Verifikasi Label Gambar
<a name="sms-label-verification"></a>

Membangun kumpulan data pelatihan yang sangat akurat untuk algoritme pembelajaran mesin (ML) Anda adalah proses berulang. Biasanya, Anda meninjau dan terus menyesuaikan label Anda sampai Anda puas bahwa mereka secara akurat mewakili kebenaran dasar, atau apa yang dapat diamati secara langsung di dunia nyata. Anda dapat menggunakan tugas verifikasi label gambar Amazon SageMaker Ground Truth untuk mengarahkan pekerja meninjau label kumpulan data dan meningkatkan akurasi label. Pekerja dapat menunjukkan apakah label yang ada benar atau menilai kualitas label. Mereka juga dapat menambahkan komentar untuk menjelaskan alasan mereka. Amazon SageMaker Ground Truth mendukung verifikasi label [Klasifikasi objek gambar menggunakan kotak pembatas](sms-bounding-box.md) dan [Identifikasi konten gambar menggunakan segmentasi semantik](sms-semantic-segmentation.md) label. Anda membuat pekerjaan pelabelan verifikasi label gambar menggunakan bagian Ground Truth di konsol Amazon SageMaker AI atau [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operasinya. 

Ground Truth menyediakan konsol pekerja yang mirip dengan yang berikut ini untuk tugas pelabelan. Saat Anda membuat pekerjaan pelabelan dengan konsol, Anda dapat memodifikasi gambar dan konten yang ditampilkan. Untuk mempelajari cara membuat pekerjaan pelabelan menggunakan konsol Ground Truth, lihat[Membuat Job Pelabelan (Konsol)](sms-create-labeling-job-console.md).

![\[Contoh konsol pekerja untuk tugas pelabelan, disediakan oleh Ground Truth.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/label-verification-example.png)


Anda dapat membuat pekerjaan pelabelan verifikasi label menggunakan konsol SageMaker AI atau API. Untuk mempelajari cara membuat job pelabelan menggunakan operasi Ground Truth API`CreateLabelingJob`, lihat[Membuat Job Pelabelan (API)](sms-create-labeling-job-api.md).