As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Detectando rótulos em um vídeo
O Amazon Rekognition Video pode detectar rótulos (objetos e conceitos) e a hora em que um rótulo é detectado em um vídeo. Para obter um exemplo de código do SDK, consulte [Análise de um vídeo armazenado em um bucket do Amazon S3 com Java ou Python (SDK)](video-analyzing-with-sqs.md). Para obter um AWS CLI exemplo, consulte[Analisando um vídeo com o AWS Command Line Interface](video-cli-commands.md).
A detecção de rótulos do Amazon Rekognition Video é uma operação assíncrona. Para iniciar a detecção de rótulos em um vídeo, ligue [StartLabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_StartlabelDetection.html).
O Amazon Rekognition Video publica o status de conclusão da análise de vídeo em um tópico do Amazon Simple Notification Service. Se a análise do vídeo for bem-sucedida, chame [GetLabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_GetLabelDetection.html) para obter os rótulos detectados. Para obter informações sobre como chamar as operações da API de análise de vídeo, consulte [Chamando as operações de vídeo do Amazon Rekognition Video](api-video.md).
## StartLabelDetection Solicitação
O exemplo a seguir é uma solicitação para a operação `StartLabelDetection`. Você fornece à operação `StartLabelDetection` um vídeo armazenado em um bucket do Amazon S3. No exemplo de solicitação JSON, o bucket do Amazon S3 e o nome do vídeo são especificados com `MinConfidence`, `Features`, `Settings`, e `NotificationChannel`.
`MinConfidence` é a confiança mínima que o Amazon Rekognition Video deve ter na precisão do rótulo detectado, ou de uma caixa delimitadora de instância (se detectada), para que ele seja retornado na resposta.
Com `Features`, você pode especificar que deseja que GENERAL\_LABELS seja retornado como parte da resposta.
Com `Settings`, você pode filtrar os itens retornados para GENERAL\_LABELS. Para etiquetas, você pode usar filtros inclusivos e exclusivos. Você também pode filtrar por rótulo específico, rótulos individuais ou por categoria de rótulo:
+ `LabelInclusionFilters`: usado para especificar quais rótulos você deseja incluir na resposta
+ `LabelExclusionFilters`: usado para especificar quais rótulos você deseja excluir da resposta.
+ `LabelCategoryInclusionFilters`: usado para especificar quais categorias de rótulos você deseja incluir na resposta.
+ `LabelCategoryExclusionFilters`: usado para especificar quais categorias de rótulos você deseja excluir da resposta.
Você também pode combinar filtros inclusivos e exclusivos de acordo com suas necessidades, excluindo alguns rótulos ou categorias e incluindo outros.
`NotificationChannel` é o ARN do tópico do Amazon SNS no qual você deseja que o Amazon Rekognition Video publique o status de conclusão da operação de detecção de rótulos. Se você estiver usando a política de permissões `AmazonRekognitionServiceRole`, o tópico do Amazon SNS deverá ter um nome de tópico que comece com Rekognition.
Veja a seguir um exemplo de solicitação `StartLabelDetection` no formato JSON, incluindo filtros:
```
{
"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 Resposta da operação
O `GetLabelDetection` retorna uma matriz (`Labels`) que contém informações sobre os rótulos detectados no vídeo. A matriz pode ser classificada por hora ou pelo rótulo detectado ao especificar o parâmetro `SortBy`. Você também pode selecionar como os itens de resposta são agregados usando o parâmetro `AggregateBy`.
O exemplo a seguir é a resposta JSON do `GetLabelDetection`. Na resposta, observe o seguinte:
+ **Ordem de classificação** — A matriz de etiquetas retornadas é classificada por hora. Para classificar por rótulo, especifique `NAME` no parâmetro de entrada `SortBy` para `GetLabelDetection`. Se o rótulo aparecer várias vezes no vídeo, haverá várias instâncias do elemento ([LabelDetection](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_LabelDetection.html)). A ordem de classificação padrão é `TIMESTAMP`, enquanto a ordem de classificação secundária é `NAME`.
+ **Informações do rótulo**: o elemento da `LabelDetection` matriz contém um objeto ([Label](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_Label.html)) que, por sua vez, contém o nome do rótulo e a confiança que o Amazon Rekognition tem na precisão do rótulo detectado. Um objeto `Label` também inclui uma taxonomia hierárquica de rótulos e informações de caixa delimitadora para rótulos comuns. `Timestamp` é a hora em que o rótulo foi detectado, definido como o número de milissegundos decorridos desde o início do vídeo.
As informações sobre quaisquer categorias ou aliases associados a uma etiqueta também são retornadas. Para resultados agregados por `SEGMENTS` do vídeo, as estruturas `StartTimestampMillis`, `EndTimestampMillis` e `DurationMillis` são retornadas, definindo a hora de início, a hora de término e a duração de um segmento, respectivamente.
+ **Agregação**: specifica como os resultados são agregados quando retornados. O padrão é agregar por `TIMESTAMPS`. Você também pode optar por agregar por `SEGMENTS`, o que agrega os resultados em uma janela de tempo. Se a agregação for feita por `SEGMENTS`, as informações sobre instâncias detectadas com caixas delimitadoras não serão retornadas. Somente rótulos detectados durante os segmentos são retornados.
+ **Informações de paginação** – O exemplo mostra uma página de informações de detecção de rótulo. Você pode especificar quantos objetos `LabelDetection` retornar no parâmetro de entrada `MaxResults` para `GetLabelDetection`. Se existirem mais resultados além de `MaxResults`, o `GetLabelDetection` retornará um token (`NextToken`) usado para obter a próxima página de resultados. Para obter mais informações, consulte [Obter os resultados da análise do Amazon Rekognition Video](api-video.md#api-video-get).
+ **Informações de vídeo** – a resposta inclui informações sobre o formato do vídeo (`VideoMetadata`) em cada página de informações retornada pelo `GetLabelDetection`.
Veja a seguir um exemplo de GetLabelDetection resposta no formato JSON com agregação por 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
}
}
```
Veja a seguir um exemplo de GetLabelDetection resposta no formato JSON com agregação por SEGMENTOS:
```
{
"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
}
}
```
## Transformando a resposta GetLabelDetection
Ao recuperar resultados com a operação da GetLabelDetection API, talvez você precise que a estrutura de resposta imite a estrutura de resposta da API mais antiga, na qual tanto os rótulos primários quanto os aliases estavam contidos na mesma lista.
O exemplo de resposta JSON encontrado na seção anterior exibe a forma atual da resposta da API de. GetLabelDetection
O exemplo a seguir mostra a resposta anterior da 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
}
}
```
Se necessário, você pode transformar a resposta atual para seguir o formato da resposta mais antiga. Você pode usar o código de exemplo a seguir para transformar a resposta mais recente da API na estrutura de resposta da API anterior:
```
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
```