Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Modello demo: annotazione di immagini con `crowd-bounding-box` Quando scegli di utilizzare un modello personalizzato come tipo di attività nella console Amazon SageMaker Ground Truth, accedi al **pannello attività Etichettatura personalizzata**. in cui puoi scegliere tra più modelli di base. I modelli rappresentano alcune delle attività più comuni e forniscono un punto di partenza per la creazione di un modello di attività di etichettatura personalizzata. Se non utilizzi la console o come risorsa aggiuntiva, consulta [Amazon SageMaker AI Ground Truth Sample Task UIs ](https://github.com/aws-samples/amazon-sagemaker-ground-truth-task-uis) per un archivio di modelli dimostrativi per una varietà di tipi di attività di etichettatura. Questa dimostrazione funziona con il modello. **BoundingBox** La dimostrazione funziona anche con le AWS Lambda funzioni necessarie per l'elaborazione dei dati prima e dopo l'operazione. Nel repository Github riportato sopra, per trovare modelli che funzionano con AWS Lambda le funzioni, `{{ task.input. }}` cercate nel modello. **Topics** + [Modello Riquadro di delimitazione personalizzato iniziale](#sms-custom-templates-step2-demo1-base-template) + [Modello Riquadro di delimitazione personalizzato](#sms-custom-templates-step2-demo1-your-own-template) + [Il file manifest](#sms-custom-templates-step2-demo1-manifest) + [La tua funzione Lambda di pre-annotazione](#sms-custom-templates-step2-demo1-pre-annotation) + [La tua funzione Lambda di post-annotazione](#sms-custom-templates-step2-demo1-post-annotation) + [Output del processo di etichettatura](#sms-custom-templates-step2-demo1-job-output) ## Modello Riquadro di delimitazione personalizzato iniziale Di seguito è riportato il modello di riquadro di delimitazione iniziale fornito. ```

Use the bounding box tool to draw boxes around the requested target of interest:

  1. Draw a rectangle using your mouse over each instance of the target.
  2. Make sure the box does not cut into the target, leave a 2 - 3 pixel margin
  3. When targets are overlapping, draw a box around each object, include all contiguous parts of the target in the box. Do not include parts that are completely overlapped by another object.
  4. Do not include parts of the target that cannot be seen, even though you think you can interpolate the whole shape of the target.
  5. Avoid shadows, they're not considered as a part of the target.
  6. If the target goes off the screen, label up to the edge of the image.
 Use the bounding box tool to draw boxes around the requested target of interest. ``` I modelli personalizzati utilizzano il [linguaggio modello Liquid](https://shopify.github.io/liquid/) e ciascuno degli elementi tra parentesi graffe doppie è una variabile. La AWS Lambda funzione di pre-annotazione dovrebbe fornire un oggetto denominato `taskInput` e le proprietà di quell'oggetto sono accessibili come nel modello. `{{ task.input. }}` ## Modello Riquadro di delimitazione personalizzato Ad esempio, supponiamo che tu abbia una grande raccolta di foto di animali in cui conosci il tipo di animale presente in un'immagine da un precedente processo di classificazione delle immagini. A questo punto vuoi tracciare un riquadro di delimitazione. Nell'esempio iniziale sono disponibili tre variabili: `taskObject`, `header` e `labels`. Ciascuna di queste sarà rappresentata in parti diverse del riquadro di delimitazione. + `taskObject` è un URL HTTP(S) o URI S3 per la foto che deve essere annotata. Il `| grant_read_access` aggiunto è un filtro che convertirà un URI S3 in un URL HTTPS con accesso di breve durata a tale risorsa. Se stai utilizzando un URL HTTP(S), non è necessario. + `header` è il testo sopra la foto da etichettare, ad esempio "Disegnare una casella attorno al volatile nella foto." + `labels` è un array, rappresentato come `['item1', 'item2', ...]`. Si tratta di etichette che possono essere assegnate dal worker alle diverse caselle che vengono disegnate. Ce ne può essere solo una o molte. Ciascuno dei nomi di variabile proviene dall'oggetto JSON nella risposta del Lambda di pre-annotazione. I nomi riportati sopra sono semplici suggerimenti. Utilizza i nomi di variabile che ti sembrano più adatti per migliorare la leggibilità del codice all'interno del team. **Utilizza le variabili solo quando necessario** Se un campo non cambia, puoi rimuovere la variabile dal modello e sostituirla con il testo, altrimenti dovrai ripetere il testo come valore in ogni oggetto nel manifest o codificarlo nella funzione Lambda di pre-annotazione. **Example : Modello Riquadro di delimitazione personalizzato finale** Per semplificare la procedura, questo modello includerà una variabile, un'etichetta e istruzioni di base. Supponendo che il manifest includa una proprietà "animal" in ogni oggetto dati, quel valore può essere riutilizzato in due parti del modello. ```

Draw a bounding box around the {{ task.input.animal }} in the image. If there is more than one {{ task.input.animal }} per image, draw a bounding box around the largest one.

The box should be tight around the {{ task.input.animal }} with no more than a couple of pixels of buffer around the edges.

If the image does not contain a {{ task.input.animal }}, check the Nothing to label box.

Draw a bounding box around the {{ task.input.animal }} in each image. If there is more than one {{ task.input.animal }} per image, draw a bounding box around the largest one.

 ``` Nota il riutilizzo di `{{ task.input.animal }}` in tutto il modello. Se nel manifest tutti i nomi di animale iniziavano con una lettera maiuscola, puoi utilizzare `{{ task.input.animal | downcase }}`, incorporando uno dei filtri Liquid predefiniti nelle frasi in cui devono essere visualizzati in minuscolo. ## Il file manifest Il file manifest deve fornire i valori delle variabili che stai utilizzando nel modello. Puoi eseguire alcune trasformazioni dei dati manifest nella Lambda di pre-annotazione, ma se non è necessario puoi mantenere basso il rischio di errori e la Lambda verrà eseguita più rapidamente. Di seguito è riportato un file manifest di esempio per il modello. ``` {"source-ref": "", "animal": "horse"} {"source-ref": "", "animal" : "bird"} {"source-ref": "", "animal" : "dog"} {"source-ref": "", "animal" : "cat"} ``` ## La tua funzione Lambda di pre-annotazione Come parte della configurazione del lavoro, fornite l'ARN di AWS Lambda una funzione che può essere chiamata per elaborare le voci del manifesto e passarle al motore dei modelli. **Attribuzione di un nome alla funzione Lambda** Le best practice per la denominazione della funzione prevedono l'utilizzo di una delle quattro stringhe seguenti come parte del nome della funzione: `SageMaker`, `Sagemaker`, `sagemaker` o `LabelingFunction`. Questo vale per le funzioni sia di pre-annotazione che di post-annotazione. Quando utilizzi la console, se disponi di funzioni AWS Lambda di proprietà del tuo account, verrà fornito un elenco a discesa di funzioni che soddisfano i requisiti di denominazione tra cui sceglierne una. In questo esempio di base, passi informazioni al manifest senza ulteriori attività di elaborazione. Questo esempio di funzione di pre-annotazione è scritto per Python 3.7. ``` import json def lambda_handler(event, context): return { "taskInput": event['dataObject'] } ``` L'oggetto JSON del manifest verrà fornito come figlio dell'oggetto `event`. Le proprietà all'interno dell'oggetto `taskInput` saranno disponibili come variabili per il modello, perciò è sufficiente impostare il valore `taskInput` su `event['dataObject']` per passare tutti i valori dal tuo oggetto manifest al tuo modello senza doverli copiare uno a uno. Se vuoi inviare altri valori al modello, puoi aggiungerli all'oggetto `taskInput`. ## La tua funzione Lambda di post-annotazione Come parte della configurazione del lavoro, fornite l'ARN di AWS Lambda una funzione che può essere chiamata per elaborare i dati del modulo quando un lavoratore completa un'attività. Questo può essere semplice o complesso quanto vuoi. Se desideri eseguire il consolidamento delle risposte e il punteggio non appena disponibili, puoi applicare gli algoritmi di consolidamento del punteggio che and/or preferisci. Se desideri archiviare i dati non elaborati per l’elaborazione offline, puoi farlo. **Fornire autorizzazioni alla Lambda di pre-annotazione** I dati di annotazione saranno contenuti in un file designato dalla stringa `s3Uri` nell’oggetto `payload`. Per elaborare le annotazioni quando arrivano, anche per una semplice funzione passthrough, occorre assegnare l’accesso `S3ReadOnly` alla Lambda, in modo che possa leggere i file di annotazione. Nella pagina Console di creazione della Lambda, scorri fino al pannello **Execution role (Ruolo esecuzione)**. Seleziona **Create a new role from one or more templates (Crea un nuovo ruolo da uno o più modelli)**. Assegna un nome al ruolo. Dal menu a discesa **Policy templates (Modelli policy)**, scegli **Amazon S3 object read-only permissions (Autorizzazioni di sola lettura oggetto Amazon S3)**. Salva la Lambda; il ruolo verrà salvato e selezionato. L'esempio seguente è in Python 2.7. ``` import json import boto3 from urlparse import urlparse def lambda_handler(event, context): consolidated_labels = [] parsed_url = urlparse(event['payload']['s3Uri']); s3 = boto3.client('s3') textFile = s3.get_object(Bucket = parsed_url.netloc, Key = parsed_url.path[1:]) filecont = textFile['Body'].read() annotations = json.loads(filecont); for dataset in annotations: for annotation in dataset['annotations']: new_annotation = json.loads(annotation['annotationData']['content']) label = { 'datasetObjectId': dataset['datasetObjectId'], 'consolidatedAnnotation' : { 'content': { event['labelAttributeName']: { 'workerId': annotation['workerId'], 'boxesInfo': new_annotation, 'imageSource': dataset['dataObject'] } } } } consolidated_labels.append(label) return consolidated_labels ``` La Lambda di post-annotazione riceverà spesso batch di risultati dell’attività nell’oggetto evento. Questo batch sarà l’oggetto `payload` in cui Lambda esegue le iterazioni. Ciò che viene restituito sarà un oggetto che soddisfa il [contratto API](sms-custom-templates-step3.md). ## Output del processo di etichettatura L’output del processo è disponibile in una cartella denominata in base al processo di etichettatura nel bucket S3 di destinazione specificato, all’interno di una sottocartella denominata `manifests`. Per un'attività riquadro di delimitazione, l'aspetto dell'output disponibile nel manifest di output sarà simile alla demo sottostante. L'esempio è stato pulito per la stampa. L'output effettivo sarà una riga singola per record. **Example : JSON nel manifest di output** ``` { "source-ref":"", "