기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 이미지 레이블 지정
<a name="sms-label-images"></a>

Ground Truth를 사용하여 이미지에 레이블을 지정합니다. 다음과 같은 기본 제공 태스크 유형 중 하나를 선택하여 해당 태스크 유형에 대해 자세히 알아보세요. 각 페이지에는 해당 태스크 유형을 사용하여 라벨링 작업을 생성하는 데 도움이 되는 지침이 포함되어 있습니다.

**작은 정보**  
지원되는 파일 유형 및 입력 데이터 할당량에 대한 자세한 내용은 [입력 데이터](sms-data-input.md)을 참조하세요.

**Topics**
+ [경계 상자를 사용하여 이미지 객체 분류](sms-bounding-box.md)
+ [의미 세분화를 사용하여 이미지 콘텐츠 식별](sms-semantic-segmentation.md)
+ [자동 세분화 도구](sms-auto-segmentation.md)
+ [이미지 분류 레이블 작업 생성(단일 레이블)](sms-image-classification.md)
+ [이미지 분류 작업 생성(다중 레이블)](sms-image-classification-multilabel.md)
+ [이미지 레이블 확인](sms-label-verification.md)

# 경계 상자를 사용하여 이미지 객체 분류
<a name="sms-bounding-box"></a>

기계 학습 모델을 훈련시키는 데 사용되는 이미지에는 둘 이상의 객체가 포함되어 있습니다. 이미지 내에서 하나 이상의 객체를 분류하고 현지화하려면 Amazon SageMaker Ground Truth 경계 상자 레이블 지정 작업 유형을 사용합니다. 이와 관련하여 현지화는 경계 상자의 픽셀 위치를 의미합니다. Amazon SageMaker AI 콘솔의 Ground Truth 섹션 또는 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 작업을 경계 상자 레이블링 작업을 생성합니다.

**중요**  
이 작업 유형에서 고유한 매니페스트 파일을 생성할 경우, `"source-ref"`를 사용하여 Amazon S3에서 레이블을 지정할 각 이미지의 위치를 식별하세요. 자세한 내용은 [입력 데이터](sms-data-input.md) 섹션을 참조하세요.

## 경계 상자 레이블 지정 작업 생성(콘솔)
<a name="sms-creating-bounding-box-labeling-job-console"></a>

[레이블 지정 작업 생성(콘솔)](sms-create-labeling-job-console.md) 지침에 따라 SageMaker AI 콘솔에서 경계 상자 레이블링 작업을 생성하는 방법을 학습할 수 있습니다. 10단계에서 **작업 범주** 드롭다운 메뉴에서 **이미지**를 선택하고 작업 유형으로 **경계 상자**를 선택합니다.

Ground Truth에서는 작업에 레이블을 지정할 때 다음과 유사한 작업자 UI를 제공합니다. 콘솔을 사용하여 레이블 지정 작업을 생성할 때 작업자가 작업을 완료하는 데 도움이 되는 지침과 작업자가 선택할 수 있는 레이블을 50개까지 지정합니다.

![\[범주의 객체 주위에 상자를 그리는 방법을 보여주는 Gif입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sms/gifs/bb-sample.gif)


## 경계 상자 레이블 지정 작업 생성(API)
<a name="sms-creating-bounding-box-labeling-job-api"></a>

경계 상자 레이블 지정 작업을 생성하려면 SageMaker API 작업 `CreateLabelingJob`을 사용합니다. 이 API는 모든 AWS SDKs에 대해이 작업을 정의합니다. 이 작업에 지원되는 언어별 SDK 목록을 보려면 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)의 **참고 항목** 섹션을 검토하세요.

[레이블 지정 작업 생성(API)](sms-create-labeling-job-api.md)의 지침에 따라 요청을 구성하는 동안 다음을 수행합니다.
+ 이 작업 유형에 대한 주석 전 Lambda 함수는 `PRE-BoundingBox`로 끝납니다. 해당 리전의 주석 전 Lambda ARN을 찾으려면 [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)을 참조하세요.
+ 이 작업 유형에 대한 주석 통합 Lambda 함수는 `ACS-BoundingBox`로 끝납니다. 해당 리전에 대한 주석 통합 Lambda ARN을 찾으려면 [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)을 참조하세요.

다음은 미국 동부(버지니아 북부) 리전에 레이블 지정 작업을 생성하는 [AWS Python SDK(Boto3) 요청](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job)의 예시입니다. 빨간색으로 된 모든 파라미터는 사양과 리소스로 대체해야 합니다.

```
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'
        },
    ]
)
```

### 경계 상자 레이블 지정 작업을 위한 템플릿 제공
<a name="sms-create-labeling-job-bounding-box-api-template"></a>

API를 사용하여 레이블 지정 작업을 생성하는 경우 `UiTemplateS3Uri`의 작업자 태스크 템플릿을 제공해야 합니다. 다음 템플릿을 복사하고 수정합니다. [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) 및 `header`만 수정합니다. 이 템플릿을 S3에 업로드하고 `UiTemplateS3Uri`에서 이 파일에 대한 S3 URI를 제공합니다.

```
<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>
```

## 경계 상자 출력 데이터
<a name="sms-bounding-box-output-data"></a>

경계 상자 레이블 지정 작업을 생성하면 출력 데이터는 API 사용 시 `S3OutputPath` 파라미터에 지정된 Amazon S3 버킷 또는 콘솔의 **작업 개요** 섹션의 **출력 데이터세트 위치** 필드에 있습니다.

예를 들어, 성공적으로 완료된 단일 클래스 경계 상자 작업의 출력 매니페스트 파일에는 다음이 포함됩니다.

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

이 `boundingBoxes` 파라미터는 (0,0) 픽셀 좌표로 간주되는 이미지의 왼쪽 위 모서리를 기준으로 “새”로 식별되는 객체 주위에 그려진 경계 상자의 위치를 식별합니다. 앞의 예에서 **`left`** 및 **`top`**은 이미지의 왼쪽 위 모서리를 기준으로 경계 상자의 왼쪽 위 모서리에 있는 픽셀 위치를 식별합니다. 경계 상자의 치수는 **`height`** 및 **`width`**로 식별됩니다. 이 `inputImageProperties` 파라미터는 원본 입력 이미지의 픽셀 크기를 제공합니다.

경계 상자 작업 유형을 사용하는 경우 단일 및 다중 클래스 경계 상자 레이블 지정 작업을 생성할 수 있습니다. 성공적으로 완료된 다중 클래스 경계 상자의 출력 매니페스트 파일에는 다음이 포함됩니다.

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

경계 상자 레이블 지정 작업의 결과인 출력 매니페스트 파일에 대한 자세한 내용은 [경계 상자 작업 출력](sms-data-output.md#sms-output-box) 섹션을 참조하세요.

Ground Truth에서 생성된 출력 매니페스트 파일 및 Ground Truth에서 출력 데이터 저장에 사용하는 파일 구조에 대한 자세한 내용은 [작업 출력 데이터 레이블 지정](sms-data-output.md)을 참고하세요.

# 의미 세분화를 사용하여 이미지 콘텐츠 식별
<a name="sms-semantic-segmentation"></a>

픽셀 수준에서 이미지의 내용을 식별하려면 Amazon SageMaker Ground Truth 의미 체계 세분화 레이블 지정 작업을 사용하세요. 의미 체계 세분화 레이블 지정 작업을 할당받은 작업자는 이미지의 픽셀을 사전 정의된 레이블 또는 클래스로 구성된 세트로 분류합니다. Ground Truth는 단일 및 다중 클래스 의미 체계 세분화 레이블 지정 작업을 지원합니다. Amazon SageMaker AI 콘솔의 Ground Truth 섹션 또는 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 연산을 사용하여 의미 체계 세분화 레이블링 작업을 생성해야 합니다.

이미지에 세분화해야 하는 객체 수가 많은 경우에는 더 많은 시간이 필요합니다. Ground Truth는 작업자(프라이빗 작업 인력 또는 공급업체 작업 인력)가 보다 짧은 시간 동안 더 정확하게 레이블을 지정할 수 있도록 AI 지원 자동 세분화 도구를 제공합니다. 자세한 내용은 [자동 세분화 도구](sms-auto-segmentation.md) 단원을 참조하세요.

**중요**  
이 작업 유형에서 고유한 매니페스트 파일을 생성할 경우, `"source-ref"`를 사용하여 Amazon S3에서 레이블을 지정할 각 이미지의 위치를 식별하세요. 자세한 내용은 [입력 데이터](sms-data-input.md) 섹션을 참조하세요.

## 의미 체계 분할 레이블 지정 작업 생성(콘솔)
<a name="sms-creating-ss-labeling-job-console"></a>

[레이블 지정 작업 생성(콘솔)](sms-create-labeling-job-console.md) 지침에 따라 SageMaker AI 콘솔에서 의미 체계 세분화 레이블링 작업을 생성하는 방법을 배울 수 있습니다. 10단계에서는 **작업 범주** 드롭다운 메뉴에서 **이미지**를 선택하고 **의미 체계 세분화**를 작업 유형으로 선택하세요.

Ground Truth는 레이블 지정 작업에 대해 다음과 유사한 작업자 UI를 제공합니다. 콘솔을 사용하여 레이블 지정 작업을 생성할 때 작업자가 작업을 완료하는 데 도움이 되는 지침과 작업자가 선택할 수 있는 레이블을 지정합니다.

![\[SageMaker AI 콘솔에서 의미 체계 세분화 레이블링 작업을 생성하는 방법에 대한 예시를 보여주는 Gif.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/semantic_segmentation_sample.gif)


## 의미 체계 분할 레이블 지정 작업 생성(API)
<a name="sms-creating-ss-labeling-job-api"></a>

의미 체계 세분화 레이블 지정 작업을 생성하려면 SageMaker API 연산 `CreateLabelingJob`을(를) 사용하세요. 이 API는 모든 AWS SDKs에 대해이 작업을 정의합니다. 이 작업에 지원되는 언어별 SDK 목록을 보려면 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)의 **참고 항목** 섹션을 검토하세요.

[레이블 지정 작업 생성(API)](sms-create-labeling-job-api.md)의 지침에 따라 요청을 구성하는 동안 다음을 수행합니다.
+ 이 작업 유형에 대한 주석 전 Lambda 함수는 `PRE-SemanticSegmentation`로 끝납니다. 해당 리전의 주석 전 Lambda ARN을 찾으려면 [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)을 참조하세요.
+ 이 작업 유형에 대한 주석 통합 Lambda 함수는 `ACS-SemanticSegmentation`로 끝납니다. 해당 리전에 대한 주석 통합 Lambda ARN을 찾으려면 [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)을 참조하세요.

다음은 미국 동부(버지니아 북부) 리전에 레이블 지정 작업을 생성하는 [AWS Python SDK(Boto3) 요청](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job)의 예시입니다. 빨간색으로 된 모든 파라미터는 사양과 리소스로 대체해야 합니다.

```
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'
        },
    ]
)
```

### 의미 체계 분할 레이블 지정 작업을 위한 템플릿 제공
<a name="sms-create-labeling-job-ss-api-template"></a>

API를 사용하여 레이블 지정 작업을 생성하는 경우 `UiTemplateS3Uri`의 작업자 태스크 템플릿을 제공해야 합니다. 다음 템플릿을 복사하고 수정합니다. [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) 및 `header`만 수정합니다.

이 템플릿을 S3에 업로드하고 `UiTemplateS3Uri`에서 이 파일에 대한 S3 URI를 제공합니다.

```
<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>
```

## 의미 체계 분할 출력 데이터
<a name="sms-ss-ouput-data"></a>

의미 체계 세분화 레이블 지정 작업을 생성하고 나면 출력 데이터가 API 사용 시 `S3OutputPath` 파라미터에 지정된 Amazon S3 버킷에 위치하거나, 콘솔의 **작업 개요** 섹션의 **출력 데이터세트 위치** 필드에 위치하게 됩니다.

Ground Truth에서 생성된 출력 매니페스트 파일 및 Ground Truth에서 출력 데이터 저장에 사용하는 파일 구조에 대한 자세한 내용은 [작업 출력 데이터 레이블 지정](sms-data-output.md)을(를) 참조하세요.

의미 체계 분할 레이블 지정 작업에 대한 출력 매니페스트 파일의 예제를 보려면 [3D 포인트 클라우드 의미 체계 분할 출력](sms-data-output.md#sms-output-point-cloud-segmentation) 섹션을 참조하세요.

# 자동 세분화 도구
<a name="sms-auto-segmentation"></a>

이미지 세분화는 이미지를 여러 세그먼트 또는 레이블이 지정된 픽셀 세트로 나누는 과정입니다. Amazon SageMaker Ground Truth에서 해당 레이블에 지정된 모든 픽셀을 식별하는 프로세스에는 해당 픽셀 위에 색상 필러 또는 ‘마스크’를 적용하는 과정이 포함됩니다. 일부 레이블 지정 작업에는 세분화해야 하는 객체 수가 많은 이미지가 포함되어 있습니다. Ground Truth는 작업자가 보다 짧은 시간 동안 더 정확하게 이들 객체에 레이블을 지정할 수 있도록, 프라이빗 작업 인력 및 공급업체 작업 인력에 할당된 세분화 작업에 필요한 자동 세분화 도구를 제공합니다. 이 도구는 기계 학습 모델을 사용하여 최소한의 작업자 입력으로 이미지에서 개별 개체를 자동으로 세분화합니다. 작업자는 작업자 콘솔에 있는 다른 도구를 사용하여 자동 세분화 도구에서 생성된 마스크를 미세 조정할 수 있습니다. 이를 통해 작업자가 이미지 세분화 작업을 더 빠르고 정확하게 완료할 수 있으므로 비용을 절감하고 라벨 품질을 높일 수 있습니다. 다음 페이지에서는 도구 및 사용 가능성에 대한 정보를 제공합니다.

**참고**  
자동 세분화 도구는 개인 인력 또는 공급업체 인력에게 전송되는 세분화 작업에 사용할 수 있습니다. 공공 인력(Amazon Mechanical Turk)에게 전송되는 작업에는 사용할 수 없습니다.

## 도구 미리보기
<a name="sms-auto-segment-tool-preview"></a>

작업자에게 자동 세분화 도구를 제공하는 레이블 지정 작업이 할당될 때 도구 사용 방법에 대한 자세한 지침이 제공됩니다. 예를 들어 작업자 콘솔에 다음과 같은 내용이 표시될 수 있습니다.

![\[작업자 콘솔에서 도구를 사용하는 방법에 대한 지침이 포함된 예제 UI입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/sms/gifs/semantic-segmentation.gif)


작업자는 **전체 지침 보기**를 사용하여 도구 사용 방법을 배울 수 있습니다. 작업자는 관심 객체의 네 개의 극단점(맨 위, 맨 아래, 맨 아래, 맨 왼쪽, 맨 오른쪽 점)에 점을 배치해야 하며, 이 도구는 객체에 대한 마스크를 자동으로 생성합니다. 작업자는 제공된 다른 도구를 사용하거나 누락된 객체의 더 작은 부분에서 자동 세분화 도구를 사용하여 마스크를 추가로 미세 조정할 수 있습니다.

## 도구 가용성
<a name="sms-auto-segment-tool-availability"></a>

Amazon SageMaker AI 콘솔을 사용하여 의미 체계 세분화 레이블링 작업을 생성할 경우, 자동 세분화 도구가 작업자의 콘솔에 자동으로 나타납니다. SageMaker AI 콘솔에서 의미 체계 세분화 작업을 생성할 경우, 도구를 미리 보는 동시에 작업자 지침을 생성할 수 있습니다. SageMaker AI 콘솔에서 의미 체계 세분화 레이블링 작업을 생성하는 방법을 알아보려면 [시작하기: Ground Truth로 경계 상자 레이블 지정 작업 생성](sms-getting-started.md)의 내용을 참조하세요.

SageMaker AI 콘솔에서 사용자 지정 인스턴스 세분화 레이블링 작업을 생성할 경우, 혹은 Ground Truth API를 사용하여 인스턴스 세분화 또는 의미 체계 세분화 레이블링 작업을 생성할 경우에는 사용자 지정 태스크 템플릿을 생성하여 작업자 콘솔 및 지침을 설계해야 합니다. 작업자 콘솔에 자동 세분화 도구를 포함시키려면 사용자 지정 작업 템플릿에서 다음 조건을 충족해야 합니다.
+ API를 사용하여 생성된 의미 체계 세분화 레이블 지정 작업의 경우, `<crowd-semantic-segmentation>`은 이 작업 템플릿에 있습니다. 사용자 지정 인스턴스 세분화 레이블 지정 작업의 경우, `<crowd-instance-segmentation>` 태그는 작업 템플릿에 있습니다.
+ 개인 인력 또는 공급업체 인력에 작업이 할당됩니다.
+ 레이블을 지정할 이미지는 액세스가 가능하도록 해당 작업자에 대해 사전 서명된 Amazon Simple Storage Service(Amazon S3) 객체입니다. 작업 템플릿에 `grant_read_access` 필터가 포함되어 있는 경우에 해당됩니다. `grant_read_access` 파일에 대한 자세한 내용은 [Liquid를 사용하여 자동화 추가](sms-custom-templates-step2-automate.md) 섹션을 참조하세요.

다음은 `<crowd-instance-segmentation/>` 태그와 `grant_read_access` Liquid 필터를 포함하는 사용자 지정 인스턴스 세분화 레이블 지정 작업에 대한 사용자 지정 작업 템플릿의 예입니다.

```
<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>
```

# 이미지 분류 레이블 작업 생성(단일 레이블)
<a name="sms-image-classification"></a>

작업자에게 사용자가 지정한 사전 정의 레이블을 사용해 이미지를 분류하도록 지시하려면 Amazon SageMaker Ground Truth 이미지 분류 레이블 지정 작업을 사용하세요. 작업자에게 이미지가 표시되고 각 이미지에 대해 하나의 레이블 선택하라는 메시지가 표시됩니다. Amazon SageMaker AI 콘솔의 Ground Truth 섹션 또는 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 연산을 사용하여 이미지 분류 레이블링 작업을 생성할 수 있습니다.

**중요**  
이 작업 유형에서 고유한 매니페스트 파일을 생성할 경우, `"source-ref"`를 사용하여 Amazon S3에서 레이블을 지정할 각 이미지의 위치를 식별하세요. 자세한 내용은 [입력 데이터](sms-data-input.md) 섹션을 참조하세요.

## 이미지 분류 레이블 지정 작업 생성(콘솔)
<a name="sms-creating-image-classification-console"></a>

[레이블 지정 작업 생성(콘솔)](sms-create-labeling-job-console.md) 지침에 따라 SageMaker AI 콘솔에서 이미지 분류 레이블링 작업을 생성하는 방법을 배울 수 있습니다. 10단계에서는 **작업 범주** 드롭다운 메뉴에서 **이미지**를 선택한 다음, 작업 유형으로 **이미지 분류(단일 레이블)**를 선택하세요.

Ground Truth는 레이블 지정 작업에 대해 다음과 유사한 작업자 UI를 제공합니다. 콘솔을 사용하여 레이블 지정 작업을 생성할 때 작업자가 작업을 완료하는 데 도움이 되는 지침과 작업자가 선택할 수 있는 레이블을 지정합니다.

![\[Ground Truth에서 제공하는 레이블 지정 작업에 대한 작업자 UI 예제입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/image-classification-example.png)


## 이미지 분류 레이블 지정 작업 생성(API)
<a name="sms-creating-image-classification-api"></a>

이미지 분류 레이블 지정 작업을 생성하려면 SageMaker API 연산 `CreateLabelingJob`을(를) 사용하세요. 이 API는 모든 AWS SDKs에 대해이 작업을 정의합니다. 이 작업에 지원되는 언어별 SDK 목록을 보려면 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)의 **참고 항목** 섹션을 검토하세요.

[레이블 지정 작업 생성(API)](sms-create-labeling-job-api.md)의 지침에 따라 요청을 구성하는 동안 다음을 수행합니다.
+ 이 작업 유형에 대한 주석 전 Lambda 함수는 `PRE-ImageMultiClass`로 끝납니다. 해당 리전의 주석 전 Lambda ARN을 찾으려면 [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)을 참조하세요.
+ 이 작업 유형에 대한 주석 통합 Lambda 함수는 `ACS-ImageMultiClass`로 끝납니다. 해당 리전에 대한 주석 통합 Lambda ARN을 찾으려면 [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)을 참조하세요.

다음은 미국 동부(버지니아 북부) 리전에 레이블 지정 작업을 생성하는 [AWS Python SDK(Boto3) 요청](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job)의 예시입니다. 빨간색으로 된 모든 파라미터는 사양과 리소스로 대체해야 합니다.

```
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'
        },
    ]
)
```

### 이미지 분류 레이블 지정 작업을 위한 템플릿 제공
<a name="worker-template-image-classification"></a>

API를 사용하여 레이블 지정 작업을 생성하는 경우 `UiTemplateS3Uri`의 작업자 태스크 템플릿을 제공해야 합니다. 다음 템플릿을 복사하고 수정합니다. [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) 및 `header`만 수정합니다.

이 템플릿을 S3에 업로드하고 `UiTemplateS3Uri`에서 이 파일에 대한 S3 URI를 제공합니다.

```
<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>
```

## 이미지 분류 출력 데이터
<a name="sms-image-classification-output-data"></a>

이미지 분류 레이블 지정 작업을 생성하고 나면 출력 데이터가 API 사용 시 `S3OutputPath` 파라미터에 지정된 Amazon S3 버킷에 위치하거나, 콘솔의 **작업 개요** 섹션의 **출력 데이터세트 위치** 필드에 위치하게 됩니다.

Ground Truth에서 생성된 출력 매니페스트 파일 및 Ground Truth에서 출력 데이터 저장에 사용하는 파일 구조의 세부 정보는 [작업 출력 데이터 레이블 지정](sms-data-output.md)을(를) 참조하세요.

이미지 분류 레이블 지정 작업에 대한 출력 매니페스트 파일의 예제를 보려면 [분류 작업 출력](sms-data-output.md#sms-output-class) 섹션을 참조하세요.

# 이미지 분류 작업 생성(다중 레이블)
<a name="sms-image-classification-multilabel"></a>

작업자가 이미지의 여러 객체를 분류해야 하는 경우 Amazon SageMaker Ground Truth 다중 레이블 이미지 분류 레이블 지정 작업을 사용하세요. 예를 들어, 다음 이미지에는 개와 고양이가 있습니다. 다중 레이블 이미지 분류를 사용하여 "개" 및 "고양이" 레이블을 이 이미지에 연결할 수 있습니다. 다음 페이지에서는 이미지 분류 작업 생성에 대한 정보를 제공합니다.

![\[사진 제공: Unsplash, Anusha Barwa\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/dog-cat-photo.jpg)


다중 레이블 이미지 분류 작업을 수행할 때 작업자는 적용 가능한 모든 레이블을 선택해야 하며, 최소 하나 이상의 레이블은 선택해야 합니다. 이 작업 유형을 사용하여 작업을 생성할 때 최대 50개의 레이블 범주를 제공할 수 있습니다.

콘솔에서 레이블 지정 작업을 생성할 경우, 이미지에 레이블이 적용되지 않으면 Ground Truth가 "없음" 범주를 제공하지 않습니다. 작업자에게 이 옵션을 제공하려면 다중 레이블 이미지 분류 작업을 생성할 때 "없음" 또는 "기타"와 유사한 레이블을 포함합니다.

작업자가 각 이미지에 대해 단일 레이블을 선택하도록 제한하려면 [이미지 분류 레이블 작업 생성(단일 레이블)](sms-image-classification.md) 작업 유형을 사용합니다.

**중요**  
이 작업 유형에서 고유한 매니페스트 파일을 생성할 경우, `"source-ref"`를 사용하여 Amazon S3에서 레이블을 지정할 각 이미지의 위치를 식별하세요. 자세한 내용은 [입력 데이터](sms-data-input.md) 섹션을 참조하세요.

## 다중 레이블 이미지 분류 레이블 지정 작업 생성(콘솔)
<a name="sms-creating-multilabel-image-classification-console"></a>

[레이블 지정 작업 생성(콘솔)](sms-create-labeling-job-console.md) 지침에 따라 SageMaker AI 콘솔에서 다중 레이블 이미지 분류 레이블링 작업을 생성하는 방법을 배울 수 있습니다. 10단계에서는 **작업 범주** 드롭다운 메뉴에서 **이미지**를 선택하고 작업 유형으로 **이미지 분류(다중 레이블)**를 선택하세요.

Ground Truth는 레이블 지정 작업에서 다음과 유사한 작업자 UI를 제공합니다. 콘솔에서 레이블 지정 작업을 생성할 때 작업자가 작업을 완료하는 데 도움이 되는 지침과 작업자가 선택할 수 있는 레이블을 지정합니다.

![\[Ground Truth에서 제공하는 레이블 지정 작업에 대한 작업자 UI 예제입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/image-classification-multilabel-example.png)


## 다중 레이블 이미지 분류 레이블 지정 작업 생성(API)
<a name="sms-create-multi-select-image-classification-job-api"></a>

다중 레이블 이미지 분류 레이블 지정 작업을 생성하려면 SageMaker API 연산 `CreateLabelingJob`을 사용하세요. 이 API는 모든 AWS SDKs에 대해이 작업을 정의합니다. 이 작업에 지원되는 언어별 SDK 목록을 보려면 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)의 **참고 항목** 섹션을 검토하세요.

[레이블 지정 작업 생성(API)](sms-create-labeling-job-api.md)의 지침에 따라 요청을 구성하는 동안 다음을 수행합니다.
+ 이 작업 유형에 대한 주석 전 Lambda 함수는 `PRE-ImageMultiClassMultiLabel`로 끝납니다. 해당 리전의 주석 전 Lambda ARN을 찾으려면 [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn)을 참조하세요.
+ 이 작업 유형에 대한 주석 통합 Lambda 함수는 `ACS-ImageMultiClassMultiLabel`로 끝납니다. 해당 리전에 대한 주석 통합 Lambda ARN을 찾으려면 [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn)을 참조하세요.

다음은 미국 동부(버지니아 북부) 리전에 레이블 지정 작업을 생성하는 [AWS Python SDK(Boto3) 요청](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job)의 예시입니다. 빨간색으로 된 모든 파라미터는 사양과 리소스로 대체해야 합니다.

```
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'
        },
    ]
)
```

### 다중 레이블 이미지 분류를 위한 템플릿 제공
<a name="sms-custom-template-multi-image-label-classification"></a>

API를 사용하여 레이블 지정 작업을 생성하는 경우 `UiTemplateS3Uri`의 작업자 태스크 템플릿을 제공해야 합니다. 다음 템플릿을 복사하고 수정합니다. [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) 및 `header`만 수정합니다.

이 템플릿을 S3에 업로드하고 `UiTemplateS3Uri`에서 이 파일에 대한 S3 URI를 제공합니다.

```
<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>
```

## 다중 레이블 이미지 분류 출력 데이터
<a name="sms-image-classification-multi-output-data"></a>

다중 레이블 이미지 분류 레이블 지정 작업을 생성하고 나면 출력 데이터가 API 사용 시 `S3OutputPath` 파라미터에 지정된 Amazon S3 버킷에 위치하거나, 콘솔의 **작업 개요** 섹션의 **출력 데이터세트 위치** 필드에 위치하게 됩니다.

Ground Truth에서 생성된 출력 매니페스트 파일 및 Ground Truth에서 출력 데이터 저장에 사용하는 파일 구조에 대한 자세한 내용은 [작업 출력 데이터 레이블 지정](sms-data-output.md)을(를) 참조하세요.

다중 레이블 이미지 분류 레이블 지정 작업에 대한 출력 매니페스트 파일의 예제를 보려면 [다중 레이블 분류 작업 출력](sms-data-output.md#sms-output-multi-label-classification) 섹션을 참조하세요.

# 이미지 레이블 확인
<a name="sms-label-verification"></a>

기계 학습(ML) 알고리즘을 위한 매우 정확한 훈련 데이터세트를 구축하는 것은 반복적인 프로세스입니다. 일반적으로 레이블이 만족할만한 수준으로 실측 정보 또는 현실 세계에서 직접 관찰할 수 있는 것을 정확하게 나타낼 때까지 레이블을 검토하고 지속적으로 조정합니다. Amazon SageMaker Ground Truth 이미지 레이블 확인 작업을 사용하여 작업자에게 데이터세트의 레이블을 검토하고 레이블 정확도를 개선하도록 지시할 수 있습니다. 작업자는 기존 레이블이 올바른지 표시하거나 레이블 품질을 평가할 수 있습니다. 또한 설명을 추가하여 추론을 설명할 수도 있습니다. Amazon SageMaker Ground Truth는 [경계 상자를 사용하여 이미지 객체 분류](sms-bounding-box.md) 레이블 및 [의미 세분화를 사용하여 이미지 콘텐츠 식별](sms-semantic-segmentation.md) 레이블에 대한 확인을 지원합니다. Amazon SageMaker AI 콘솔의 Ground Truth 섹션 또는 [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) 작업을 사용하여 이미지 레이블 확인 레이블링 작업을 생성합니다.

Ground Truth에서는 작업에 레이블을 지정할 때 다음과 유사한 작업자 콘솔을 제공합니다. 콘솔을 사용하여 레이블 지정 작업을 생성할 때 표시된 이미지와 콘텐츠를 수정할 수 있습니다. Ground Truth를 사용하여 콘솔에서 레이블 지정 작업을 생성하는 방법은 [레이블 지정 작업 생성(콘솔)](sms-create-labeling-job-console.md) 섹션을 참조하세요.

![\[Ground Truth에서 제공하는 레이블 지정 작업에 대한 작업자 콘솔 예제입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/label-verification-example.png)


SageMaker AI 콘솔 또는 API를 사용하여 레이블 확인 레이블링 작업을 생성할 수 있습니다. Ground Truth API 작업 `CreateLabelingJob`을 사용하여 레이블 지정 작업을 생성하는 방법을 알아보려면 [레이블 지정 작업 생성(API)](sms-create-labeling-job-api.md) 섹션을 참조하세요.