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.
# Requisitos de dados de imagens
Um trabalho de processamento do SageMaker Clarify fornece suporte para explicar imagens. Este tópico fornece os requisitos de formato de dados para dados de imagem. Para obter mais informações sobre o processamento de dados de imagem, consulte [Analise os dados da imagem para explicabilidade da visão computacional](clarify-processing-job-run.md#clarify-processing-job-run-cv).
Um conjunto de dados de imagem contém um ou mais arquivos de imagem. Para identificar um conjunto de dados de entrada para o trabalho de processamento do SageMaker Clarify, defina um `dataset_uri` parâmetro de configuração [ProcessingInput](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProcessingJob.html#sagemaker-CreateProcessingJob-request-ProcessingInputs)nomeado `dataset` ou de análise como um prefixo URI do Amazon S3 dos seus arquivos de imagem.
Os formatos de arquivo de imagem e extensões de arquivo compatíveis estão listados na tabela a seguir.
| Formato de imagem | Extensão do arquivo |
| --- | --- |
| JPEG | jpg, jpeg |
| PNG | png |
Configure o parâmetro `dataset_type` da análise para o valor **application/x-image**. Como o tipo não é um formato de arquivo de imagem específico, `content_type` ele será usado para decidir o formato e a extensão do arquivo de imagem.
O trabalho de processamento do SageMaker Clarify carrega cada arquivo de imagem em uma [NumPymatriz](https://numpy.org/doc/stable/reference/generated/numpy.ndarray.html) tridimensional para processamento adicional. As três dimensões incluem altura, largura e valores RGB de cada pixel.
## Formato de solicitação do endpoint
O trabalho de processamento do SageMaker Clarify converte os dados RGB brutos de uma imagem em um formato de imagem compatível, como JPEG. Ele faz isso antes de enviar os dados ao endpoint para predições. Os formatos de imagem compatíveis são os seguintes:
| Formatos de dados | Tipo MIME | Extensão do arquivo |
| --- | --- | --- |
| JPEG | `image/jpeg` | jpg, jpeg |
| PNG | `image/png` | png |
| NPY | `application/x-npy` | Todas acima |
Especifique o formato de dados da carga útil da solicitação usando o parâmetro de configuração de análise `content_type`. Se o `content_type` não for fornecido, o formato de dados será padronizado como `image/jpeg`.
## Formato de resposta do endpoint
Ao receber a resposta de uma invocação de endpoint de inferência, o trabalho de processamento do SageMaker Clarify desserializa a carga útil da resposta e, em seguida, extrai as previsões dela.
### Problema de classificação de imagem
O formato de dados da carga útil da resposta deve ser especificado pelo parâmetro de configuração de análise accept\_type. Se `accept_type` não for fornecido, o formato de dados será padronizado como `application/json`. Os formatos compatíveis são os mesmos descritos na **resposta do Endpoint para dados tabulares na seção de dados** tabulares.
Veja um [Inferência com o algoritmo de classificação de imagens](image-classification.md#IC-inference) exemplo de um algoritmo de classificação de imagens integrado com SageMaker IA que aceita uma única imagem e, em seguida, retorna uma matriz de valores de probabilidade (pontuações), cada um para uma classe.
Conforme mostrado na tabela a seguir, quando o parâmetro `content_type` é definido como `application/jsonlines`, a resposta é um objeto JSON.
| Carga útil da solicitação de endpoint | Carga útil da resposta do endpoint (representação de string) |
| --- | --- |
| Imagem única | '{"prediction":[0.1,0.6,0.3]}' |
No exemplo anterior, configure o parâmetro `probability` para a expressão JMESPath "prediction" para extrair as pontuações.
Conforme mostrado na tabela a seguir, quando o parâmetro `content_type` é definido como `application/json`, a resposta é um objeto JSON.
| Carga útil da solicitação de endpoint | Carga útil da resposta do endpoint (representação de string) |
| --- | --- |
| Imagem única | '[0.1,0.6,0.3]' |
No exemplo anterior, defina `probability` como expressão JMESPath “[\*]” para extrair todos os elementos da matriz. No exemplo anterior, [`0.1, 0.6, 0.3]` é extraído. Alternativamente, se você pular a configuração do parâmetro de configuração `probability`, todos os elementos da matriz também serão extraídos. Isso ocorre porque toda a carga útil é desserializada como as predições.
### Problema de detecção de objetos
A configuração de análise `accept_type` tem o padrão `application/json`, e o único formato compatível é o Object Detection Inference Format. Para obter mais informações sobre os formatos de resposta, consulte [Formatos de resposta](object-detection-in-formats.md#object-detection-recordio).
A tabela a seguir é um exemplo de resposta de um terminal que gera uma matriz. Cada elemento da matriz é uma matriz de valores contendo o índice da classe, a pontuação de confiança e as coordenadas da caixa delimitadora do objeto detectado.
| Carga útil da solicitação de endpoint | Carga útil da resposta do endpoint (representação de string) |
| --- | --- |
| Imagem única (um objeto) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]' |
| Imagem única (dois objetos) | '[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]' |
A tabela a seguir é um exemplo de resposta de um endpoint que gera um objeto JSON com uma chave referente à matriz. Defina a configuração da análise `probability` com a chave “predição” para extrair os valores.
| Carga útil da solicitação de endpoint | Carga útil da resposta do endpoint (representação de string) |
| --- | --- |
| Imagem única (um objeto) | '{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]}' |
| Imagem única (dois objetos) | '{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]}' |
## Pre-check solicitação e resposta de endpoint para dados de imagem
Recomendamos que você implante seu modelo em um endpoint de inferência de SageMaker IA em tempo real e envie solicitações para o endpoint. Examine manualmente as solicitações e respostas. Certifique-se de que ambos estejam em conformidade com os requisitos na seção **Solicitação do Endpoint para dados de imagem** e **Resposta do Endpoint para dados de imagem**.
A seguir estão dois exemplos de código que mostram como enviar solicitações e examinar as respostas para problemas de classificação de imagens e detecção de objetos.
### Problema de classificação de imagem
O código de exemplo a seguir instrui um endpoint a ler um arquivo PNG e depois classificá-lo.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-image-classification \
--content-type "image/png" \
--accept "application/json" \
--body fileb://./test.png \
/dev/stderr 1>/dev/null
```
A partir do exemplo de código anterior, segue a saída da resposta.
```
[0.1,0.6,0.3]
```
### Problema de detecção de objetos
O código de exemplo a seguir instrui um endpoint a ler um arquivo JPEG e, em seguida, detectar os objetos nele contidos.
```
aws sagemaker-runtime invoke-endpoint \
--endpoint-name test-endpoint-sagemaker-object-detection \
--content-type "image/jpg" \
--accept "application/json" \
--body fileb://./test.jpg \
/dev/stderr 1>/dev/null
```
A partir do exemplo de código anterior, segue a saída da resposta.
```
{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475],[4.0, 0.32643985450267792, 0.3677481412887573, 0.034883320331573486, 0.6318609714508057, 0.5967587828636169],[8.0, 0.22552496790885925, 0.6152569651603699, 0.5722782611846924, 0.882301390171051, 0.8985623121261597],[3.0, 0.42260299175977707, 0.019305512309074402, 0.08386176824569702, 0.39093565940856934, 0.9574796557426453]]}
```