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. # Rótulo de imagens Use o Ground Truth para rotular imagens. Selecione um dos seguintes tipos de tarefa incorporados para saber mais sobre esse tipo de tarefa. Cada página inclui instruções para ajudar você a criar um trabalho de rotulagem usando esse tipo de tarefa. **dica** Para saber mais sobre os tipos de arquivo compatíveis e as cotas de dados de entrada, consulte [Dados de entrada](sms-data-input.md). **Topics** + [Classifique objetos de imagem usando uma caixa delimitadora](sms-bounding-box.md) + [Identifique o conteúdo da imagem usando segmentação semântica](sms-semantic-segmentation.md) + [Ferramenta de segmentação automática](sms-auto-segmentation.md) + [Criar um trabalho de classificação de imagem (Rótulo único)](sms-image-classification.md) + [Criar um trabalho de classificação de imagem (multirrótulo)](sms-image-classification-multilabel.md) + [Verificação dos rótulos de imagem](sms-label-verification.md) # Classifique objetos de imagem usando uma caixa delimitadora As imagens usadas para treinar um modelo de machine learning geralmente contêm mais de um objeto. Para classificar e localizar um ou mais objetos em imagens, use a caixa delimitadora Amazon SageMaker Ground Truth rotulando o tipo de tarefa de trabalho. Nesse contexto, a localização significa a localização de pixel na caixa delimitadora. Você cria um trabalho de rotulagem de caixa delimitadora usando a seção Ground Truth do console Amazon SageMaker AI ou a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operação. **Importante** Para esse tipo de tarefa, se você criar seu próprio arquivo de manifesto, use `"source-ref"` para identificar o local de cada arquivo de imagem no Amazon S3 que deseja rotular. Para obter mais informações, consulte [Dados de entrada](sms-data-input.md). ## Criar um trabalho de rotulagem da caixa delimitadora (console) Você pode seguir as instruções [Criar um trabalho de rotulagem (console)](sms-create-labeling-job-console.md) para aprender como criar um trabalho de rotulagem de caixa delimitadora no console de SageMaker IA. Na Etapa 10, escolha **Imagem**, no menu suspenso **Categoria de tarefa**, e **Caixa delimitadora** como o tipo de tarefa. O Ground Truth fornece uma interface de usuário do operador que se parece com a seguinte para tarefas de rotulagem: Ao criar o trabalho de rotulagem com o console, você especifica instruções para ajudar os operadores a concluírem o trabalho e até 50 rótulos que eles podem escolher. ![\[O GIF mostra como desenhar uma caixa ao redor de um objeto para uma categoria.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/sms/gifs/bb-sample.gif) ## Criar um trabalho de rotulagem da caixa delimitadora (API) Para criar um trabalho de rotulagem de caixa delimitadora, use a operação de SageMaker API. `CreateLabelingJob` Essa API define essa operação para todos AWS SDKs. Para ver uma lista de idiomas específicos com SDKs suporte para essa operação, **consulte a seção Consulte também** do. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Siga as instruções em [Criar um trabalho de rotulagem (API)](sms-create-labeling-job-api.md) e faça o seguinte enquanto você configura a solicitação: + As funções do Lambda de pré-anotação para esse tipo de tarefa terminam com `PRE-BoundingBox`. Para encontrar a pré-anotação Lambda ARN para sua região, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + As funções do Lambda de consolidação de anotações para esse tipo de tarefa terminam com `ACS-BoundingBox`. Para encontrar o ARN Lambda de consolidação de anotações para sua região, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Veja a seguir um exemplo de uma [solicitação do SDK Python (Boto3) da AWS](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para criar um trabalho de rotulagem de dados automatizada na região Leste dos EUA (Norte da Virgínia). Todos os parâmetros em vermelho devem ser substituídos por suas especificações e recursos. ``` 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' }, ] ) ``` ### Fornecer um modelo para trabalhos de rotulagem da caixa delimitadora Se você criar um trabalho de rotulagem usando a API, será necessário fornecer um modelo de tarefas de operador em `UiTemplateS3Uri`. Copie e modifique o modelo a seguir. Modifique somente [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) e `header`. Faça upload deste modelo para o S3 e forneça o URI do S3 para este arquivo em `UiTemplateS3Uri`. ```
  1. Inspect the image
  2. Determine if the specified label is/are visible in the picture.
  3. Outline each instance of the specified label in the image using the provided “Box” tool.
  • Boxes should fit tight around each object
  • Do not include parts of the object are overlapping or that cannot be seen, even though you think you can interpolate the whole shape.
  • Avoid including shadows.
  • If the target is off screen, draw the box up to the edge of the image.

    • Good example

    Enter description of a correct bounding box label and add images

    Bad example

    Enter description of an incorrect bounding box label and add images

     ``` ## Dados de saída da caixa delimitadora Depois de criar um trabalho de rotulagem de uma caixa delimitadora, seus dados de saída serão localizados no bucket do Amazon S3 especificado no parâmetro `S3OutputPath` ao usar a API ou no campo **Local do conjunto de dados** de saída da seção **Visão geral do trabalho** do console. Por exemplo, o arquivo manifesto de saída de uma tarefa de caixa delimitadora de classe única concluída com êxito conterá o seguinte: ``` [ { "boundingBox": { "boundingBoxes": [ { "height": 2832, "label": "bird", "left": 681, "top": 599, "width": 1364 } ], "inputImageProperties": { "height": 3726, "width": 2662 } } } ] ``` O parâmetro `boundingBoxes` identifica o local da caixa delimitadora desenhada em volta de um objeto identificado como um “pássaro” em relação ao canto superior esquerdo da imagem que é considerada como a coordenada de pixel (0,0). No exemplo anterior, **`left`** e **`top`** identificam o local do pixel no canto superior esquerdo da caixa delimitadora em relação ao canto superior esquerdo da imagem. As dimensões da caixa delimitadora são identificadas por **`height`** e **`width`**. O parâmetro `inputImageProperties` fornece as dimensões do pixel da imagem de entrada original. Ao usar o tipo de tarefa da caixa delimitadora, é possível criar trabalhos de rotulagem de caixa delimitadora de classe única e múltipla. O arquivo manifesto de saída de uma caixa delimitadora de várias classes concluída com êxito conterá o seguinte: ``` [ { "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 } } } ] ``` Para saber mais sobre o arquivo manifesto de saída resultante de um trabalho de rotulagem de caixa delimitadora, consulte [Saída do trabalho de caixa delimitadora](sms-data-output.md#sms-output-box). Para saber mais sobre o arquivo manifesto de saída gerado pelo Ground Truth, e sobre a estrutura do arquivo que o Ground Truth usa para armazenar os dados de saída, consulte [Rotulando dados de saída do trabalho](sms-data-output.md). # Identifique o conteúdo da imagem usando segmentação semântica Para identificar o conteúdo de uma imagem no nível de pixel, use uma tarefa de rotulagem de segmentação semântica do Amazon SageMaker Ground Truth. Quando recebem um trabalho de rotulagem de segmentação semântica, os operadores classificam pixels na imagem em um conjunto de rótulos ou classes predefinidos. O Ground Truth oferece apoio a trabalhos de rotulagem de segmentação semântica única e multiclasse. Você cria um trabalho de rotulagem de segmentação semântica usando a seção Ground Truth do console Amazon SageMaker AI ou a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operação. As imagens que contêm um grande número de objetos que precisam ser segmentados exigem mais tempo. Para ajudar os operadores (de força de trabalho privada ou de fornecedores) a rotular esses objetos em menos tempo e com maior precisão, o Ground Truth fornece uma ferramenta de segmentação automática assistida por inteligência artificial. Para mais informações, consulte [Ferramenta de segmentação automática](sms-auto-segmentation.md). **Importante** Para esse tipo de tarefa, se você criar seu próprio arquivo de manifesto, use `"source-ref"` para identificar o local de cada arquivo de imagem no Amazon S3 que deseja rotular. Para obter mais informações, consulte [Dados de entrada](sms-data-input.md). ## Criar um trabalho de rotulagem de segmentação semântica (Console) Você pode seguir as instruções [Criar um trabalho de rotulagem (console)](sms-create-labeling-job-console.md) para aprender como criar um trabalho de rotulagem de segmentação semântica no console de SageMaker IA. Na Etapa 10, escolha **Imagem**, no menu suspenso **Categoria da tarefa**, e **Segmentação semântica** como o tipo de tarefa. O Ground Truth fornece uma interface de usuário do operador que se parece com a seguinte para tarefas de rotulagem: Ao criar o trabalho de rotulagem com o console, você especifica instruções para ajudar os operadores a concluírem o trabalho e os rótulos que eles podem escolher. ![\[Gif mostrando um exemplo de como criar um trabalho de rotulagem de segmentação semântica no SageMaker console de IA.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/semantic_segmentation_sample.gif) ## Criar um trabalho de rotulagem de segmentação semântica (API) Para criar um trabalho de rotulagem de segmentação semântica, use a operação de SageMaker API. `CreateLabelingJob` Essa API define essa operação para todos AWS SDKs. Para ver uma lista de idiomas específicos com SDKs suporte para essa operação, **consulte a seção Consulte também** do. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Siga as instruções em [Criar um trabalho de rotulagem (API)](sms-create-labeling-job-api.md) e faça o seguinte enquanto você configura a solicitação: + As funções do Lambda de pré-anotação para esse tipo de tarefa terminam com `PRE-SemanticSegmentation`. Para encontrar a pré-anotação Lambda ARN para sua região, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + As funções do Lambda de consolidação de anotações para esse tipo de tarefa terminam com `ACS-SemanticSegmentation`. Para encontrar o ARN Lambda de consolidação de anotações para sua região, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Veja a seguir um exemplo de uma [solicitação do SDK Python (Boto3) da AWS](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para criar um trabalho de rotulagem de dados automatizada na região Leste dos EUA (Norte da Virgínia). Todos os parâmetros em vermelho devem ser substituídos por suas especificações e recursos. ``` 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' }, ] ) ``` ### Fornecer um modelo para trabalhos de rotulagem de segmentação semântica Se você criar um trabalho de rotulagem usando a API, será necessário fornecer um modelo de tarefas de operador em `UiTemplateS3Uri`. Copie e modifique o modelo a seguir. Modifique somente [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) e `header`. Faça upload deste modelo para o S3 e forneça o URI do S3 para este arquivo em `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate label that best suits an object and paint that object using the tools provided.

    Good example

    Enter description to explain a correctly done segmentation


    Bad example

    Enter description of an incorrectly done segmentation

         ``` ## Dados de saída de segmentação semântica Depois de criar um trabalho de rotulagem de segmentação semântica, seus dados de saída serão localizados no bucket do Amazon S3 especificado no parâmetro `S3OutputPath` ao usar a API ou no campo **Localização do conjunto de dados** de saída da seção **Visão geral do trabalho** do console. Para saber mais sobre o arquivo manifesto de saída gerado pelo Ground Truth, e sobre a estrutura do arquivo que o Ground Truth usa para armazenar os dados de saída, consulte [Rotulando dados de saída do trabalho](sms-data-output.md). Para ver um exemplo de arquivo manifesto de saída de um trabalho de rotulagem de segmentação semântica, consulte [Saída de segmentação semântica da nuvem de pontos 3D](sms-data-output.md#sms-output-point-cloud-segmentation). # Ferramenta de segmentação automática A segmentação da imagem é o processo da divisão de uma imagem em vários segmentos ou conjuntos de pixels rotulados. No Amazon SageMaker Ground Truth, o processo de identificação de todos os pixels que ficam sob um determinado rótulo envolve a aplicação de um preenchimento colorido ou "máscara" sobre esses pixels. Algumas tarefas de trabalho de rotulagem contêm imagens com um grande número de objetos que precisam ser segmentados. Para ajudar os operadores a rotular esses objetos em menos tempo e com maior precisão, o Ground Truth fornece uma ferramenta de segmentação automática para tarefas de segmentação atribuídas a forças de trabalho privadas e de fornecedores. Essa ferramenta usa um modelo de machine learning para segmentar automaticamente objetos individuais na imagem com o mínimo de entrada do operador. Os operadores podem refinar a máscara gerada pela ferramenta de segmentação automática usando outras ferramentas disponíveis no console do operador. Isso os ajuda a concluir tarefas de segmentação de imagens com mais rapidez e precisão, resultando em menor custo e maior qualidade do rótulo. A página a seguir fornece informações sobre a ferramenta e sua disponibilidade. **nota** A ferramenta de segmentação automática está disponível para as tarefas de segmentação enviadas para uma força de trabalho privada ou de fornecedor. Ela não está disponível para as tarefas enviadas à força de trabalho pública (Amazon Mechanical Turk). ## Visualização da ferramenta Quando os operadores recebem um trabalho de rotulagem que fornece a ferramenta de segmentação automática, eles recebem as instruções detalhadas sobre como usá-la. Por exemplo, um operador pode ver o seguinte no console do operador: ![\[Exemplo de interface de usuário com instruções sobre como usar a ferramenta no console do operador.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/sms/gifs/semantic-segmentation.gif) Os operadores podem acessar **View full instructions (Exibir instruções completas)** para saber como usar a ferramenta. Os operadores precisarão colocar um ponto nos quatro extremos (pontos mais alto, mais baixo, mais à esquerda e mais à direita) do objeto de interesse, e a ferramenta gerará automaticamente uma máscara para o objeto. Os operadores podem refinar ainda mais a máscara usando outras ferramentas fornecidas ou a ferramenta de segmentação automática em partes menores do objeto que ficaram sem o rótulo. ## Disponibilidade da ferramenta A ferramenta de segmentação automática aparecerá automaticamente nos consoles dos seus operadores quando você criar um trabalho de rotulagem de segmentação semântica usando o console do Amazon SageMaker AI. Ao criar um trabalho de segmentação semântica no console do SageMaker AI, você poderá visualizar a ferramenta ao criar as instruções do operador. Para saber como criar um trabalho de rotulagem de segmentação semântica no console do SageMaker AI, consulte [Introdução: crie um trabalho de rotulagem de caixa delimitadora com o Ground Truth](sms-getting-started.md). Se você estiver criando um trabalho de rotulagem de segmentação de instância personalizado no console do SageMaker AI ou um trabalho de rotulagem de segmentação semântica ou de instância usando a API do Ground Truth, será necessário criar um modelo de tarefas personalizado para projetar o console e as instruções do operador. Para incluir a ferramenta de segmentação automática no console do operador, certifique-se de que as seguintes condições sejam atendidas no modelo de tarefa personalizado: + Para trabalhos de rotulagem de segmentação semântica criados usando a API, a tag `` deve constar no modelo de tarefa. Para trabalhos de rotulagem de segmentação de instância personalizados, a tag `` deve constar no modelo de tarefa. + A tarefa é atribuída a uma força de trabalho privada ou de fornecedor. + As imagens a serem rotuladas são objetos do Amazon Simple Storage Service (Amazon S3) pré-assinados para o operador, para que ele possa acessá-las. Isso será verdadeiro se o modelo de tarefa incluir o filtro `grant_read_access`. Para obter mais informações sobre o filtro `grant_read_access`, consulte [Adicionar automação com o Liquid](sms-custom-templates-step2-automate.md). Veja a seguir um exemplo de modelo de tarefa personalizado para um trabalho de rotulagem de segmentação de instância personalizada, incluindo a tag `` e o filtro `grant_read_access` do Liquid. ``` Segment each instance of each class of objects in the image.

    Segment each instance of each class of objects in the image.

    GOOD EXAMPLES

    Good because A, B, C.

    BAD EXAMPLES

    Bad because X, Y, Z.

         ``` # Criar um trabalho de classificação de imagem (Rótulo único) Use uma tarefa de rotulagem de classificação de imagens do Amazon SageMaker Ground Truth quando precisar que os trabalhadores classifiquem imagens usando rótulos predefinidos que você especifica. Imagens são exibidas aos operadores, e eles são solicitados a escolher um rótulo para cada uma. Você pode criar um trabalho de rotulagem de classificação de imagens usando a seção Ground Truth do console Amazon SageMaker AI ou a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html)operação. **Importante** Para esse tipo de tarefa, se você criar seu próprio arquivo de manifesto, use `"source-ref"` para identificar o local de cada arquivo de imagem no Amazon S3 que deseja rotular. Para obter mais informações, consulte [Dados de entrada](sms-data-input.md). ## Criar um trabalho de rotulagem de classificação de imagem (console) Você pode seguir as instruções [Criar um trabalho de rotulagem (console)](sms-create-labeling-job-console.md) para aprender como criar um trabalho de rotulagem de classificação de imagens no console de SageMaker IA. Na Etapa 10, escolha **Imagem** no menu suspenso **Categoria de tarefa** e **Classificação de imagem (único rótulo)** como o tipo de tarefa. O Ground Truth fornece uma interface de usuário do operador que se parece com a seguinte para tarefas de rotulagem: Ao criar o trabalho de rotulagem com o console, você especifica instruções para ajudar os operadores a concluírem o trabalho e os rótulos que eles podem escolher. ![\[Exemplo de interface de usuário do operador para rotular tarefas, fornecido pelo Ground Truth.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/image-classification-example.png) ## Criar um trabalho de rotulagem de classificação de imagem (API) Para criar um trabalho de rotulagem de classificação de imagens, use a operação SageMaker da API`CreateLabelingJob`. Essa API define essa operação para todos AWS SDKs. Para ver uma lista de idiomas específicos com SDKs suporte para essa operação, **consulte a seção Consulte também** do. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Siga as instruções em [Criar um trabalho de rotulagem (API)](sms-create-labeling-job-api.md) e faça o seguinte enquanto você configura a solicitação: + As funções do Lambda de pré-anotação para esse tipo de tarefa terminam com `PRE-ImageMultiClass`. Para encontrar a pré-anotação Lambda ARN para sua região, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + As funções do Lambda de consolidação de anotações para esse tipo de tarefa terminam com `ACS-ImageMultiClass`. Para encontrar o ARN Lambda de consolidação de anotações para sua região, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Veja a seguir um exemplo de uma [solicitação do SDK Python (Boto3) da AWS](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para criar um trabalho de rotulagem de dados automatizada na região Leste dos EUA (Norte da Virgínia). Todos os parâmetros em vermelho devem ser substituídos por suas especificações e recursos. ``` 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' }, ] ) ``` ### Fornecer um modelo para trabalhos de rotulagem de classificação de imagem Se você criar um trabalho de rotulagem usando a API, será necessário fornecer um modelo de tarefas de operador em `UiTemplateS3Uri`. Copie e modifique o modelo a seguir. Modifique somente [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) e `header`. Faça upload deste modelo para o S3 e forneça o URI do S3 para este arquivo em `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate label that best suits the image.

    Good example

    Enter description to explain the correct label to the workers

    Bad example

    Enter description of an incorrect label

         ``` ## Dados de saída de classificação de imagens Depois de criar um trabalho de rotulagem de classificação de imagem, seus dados de saída serão localizados no bucket do Amazon S3 especificado no parâmetro `S3OutputPath` ao usar a API ou no campo **Local do conjunto de dados** de saída da seção **Visão geral do trabalho** do console. Para saber mais sobre o arquivo manifesto de saída gerado pelo Ground Truth, e sobre a estrutura do arquivo que o Ground Truth usa para armazenar os dados de saída, consulte [Rotulando dados de saída do trabalho](sms-data-output.md). Para ver um exemplo de arquivo manifesto de saída de um trabalho de rotulagem de classificação de imagem, consulte [Saída do trabalho de classificação](sms-data-output.md#sms-output-class). # Criar um trabalho de classificação de imagem (multirrótulo) Use uma tarefa de rotulagem de classificação de imagens com vários rótulos do Amazon SageMaker Ground Truth quando precisar que os trabalhadores classifiquem vários objetos em uma imagem. Por exemplo, a imagem a seguir apresenta um cão e um gato. Você pode usar a classificação de imagens com vários rótulos para associar os rótulos “cão” e “gato” a essa imagem. A página a seguir fornece informações sobre a criação de um trabalho de classificação de imagem. ![\[Foto de Anusha Barwa em Unsplash\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/dog-cat-photo.jpg) Ao trabalhar em uma tarefa de classificação de imagem com vários rótulos, os operadores devem escolher todos os rótulos aplicáveis, mas devem escolher pelo menos um. Ao criar um trabalho usando esse tipo de tarefa, você pode fornecer até 50 categorias de rótulo. Ao criar um trabalho de rotulagem no console, o Ground Truth não fornece uma categoria “none (nenhum)” para quando nenhum dos rótulos se aplicar a uma imagem. Para fornecer essa opção aos operadores, inclua um rótulo semelhante a “none (nenhum)” ou “other (outro)” ao criar um trabalho de classificação de imagem com vários rótulos. Para restringir a escolha dos operadores a um único rótulo para cada imagem, use o tipo de tarefa [Criar um trabalho de classificação de imagem (Rótulo único)](sms-image-classification.md). **Importante** Para esse tipo de tarefa, se você criar seu próprio arquivo de manifesto, use `"source-ref"` para identificar o local de cada arquivo de imagem que deseja rotular. Para obter mais informações, consulte [Dados de entrada](sms-data-input.md). ## Criar um trabalho de rotulagem de classificação de imagem com vários rótulos (console) Você pode seguir as instruções [Criar um trabalho de rotulagem (console)](sms-create-labeling-job-console.md) para aprender como criar um trabalho de rotulagem de classificação de imagens com vários rótulos no console de SageMaker IA. Na Etapa 10, escolha **Imagem** no menu suspenso **Categoria de tarefa** e **Classificação de imagem (com vários rótulos)** como o tipo de tarefa. O Ground Truth fornece uma interface de usuário do operador que se parece com a seguinte para tarefas de rotulagem: Ao criar um trabalho de rotulagem no console, você especifica instruções para ajudar os operadores a concluírem o trabalho e os rótulos que eles podem escolher. ![\[Exemplo de interface de usuário do operador para rotular tarefas, fornecido pelo Ground Truth.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/image-classification-multilabel-example.png) ## Criar um trabalho de rotulagem de classificação de imagem com vários rótulos (API) Para criar um trabalho de rotulagem de classificação de imagem com vários rótulos, use a operação `CreateLabelingJob` de SageMaker API. Essa API define essa operação para todos AWS SDKs. Para ver uma lista de idiomas específicos com SDKs suporte para essa operação, **consulte a seção Consulte também** do. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) Siga as instruções em [Criar um trabalho de rotulagem (API)](sms-create-labeling-job-api.md) e faça o seguinte enquanto você configura a solicitação: + As funções do Lambda de pré-anotação para esse tipo de tarefa terminam com `PRE-ImageMultiClassMultiLabel`. Para encontrar a pré-anotação Lambda ARN para sua região, consulte. [PreHumanTaskLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_HumanTaskConfig.html#SageMaker-Type-HumanTaskConfig-PreHumanTaskLambdaArn) + As funções do Lambda de consolidação de anotações para esse tipo de tarefa terminam com `ACS-ImageMultiClassMultiLabel`. Para encontrar o ARN Lambda de consolidação de anotações para sua região, consulte. [AnnotationConsolidationLambdaArn](https://docs.aws.amazon.com/sagemaker/latest/dg/API_AnnotationConsolidationConfig.html#SageMaker-Type-AnnotationConsolidationConfig-AnnotationConsolidationLambdaArn) Veja a seguir um exemplo de uma [solicitação do SDK Python (Boto3) da AWS](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_labeling_job) para criar um trabalho de rotulagem de dados automatizada na região Leste dos EUA (Norte da Virgínia). Todos os parâmetros em vermelho devem ser substituídos por suas especificações e recursos. ``` 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' }, ] ) ``` ### Fornecer um modelo para classificação de imagem com vários rótulos Se você criar um trabalho de rotulagem usando a API, será necessário fornecer um modelo de tarefas de operador em `UiTemplateS3Uri`. Copie e modifique o modelo a seguir. Modifique somente [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) e `header`. Faça upload deste modelo para o S3 e forneça o URI do S3 para este arquivo em `UiTemplateS3Uri`. ```
    1. Read the task carefully and inspect the image.
    2. Read the options and review the examples provided to understand more about the labels.
    3. Choose the appropriate labels that best suit the image.

    Good example

    Enter description to explain the correct label to the workers

    Bad example

    Enter description of an incorrect label

         ``` ## Dados de saída de classificação de imagens com vários rótulos Depois de criar um trabalho de rotulagem de classificação de imagem de vários rótulos, seus dados de saída serão localizados no bucket do Amazon S3 especificado no parâmetro `S3OutputPath` ao usar a API ou no campo **Local do conjunto de dados** de saída da seção **Visão geral do trabalho** do console. Para saber mais sobre o arquivo manifesto de saída gerado pelo Ground Truth, e sobre a estrutura do arquivo que o Ground Truth usa para armazenar os dados de saída, consulte [Rotulando dados de saída do trabalho](sms-data-output.md). Para ver um exemplo de arquivos manifesto de saída para o trabalho de rotulagem de classificação de imagem com vários rótulos, consulte [Saída do trabalho de classificação multirrótulo](sms-data-output.md#sms-output-multi-label-classification). # Verificação dos rótulos de imagem A criação de um conjunto de dados de treinamento altamente preciso para seu algoritmo de machine learning (ML) é um processo iterativo. Normalmente, você revisa e ajusta continuamente os rótulos até estar convencido de que eles representam com precisão a verdade fundamental, ou o que é diretamente observável no mundo real. Você pode usar uma tarefa de verificação de rótulo do Amazon SageMaker Ground Truth para direcionar os operadores para revisar os rótulos de um conjunto de dados e melhorar a precisão da rotulagem. Os operadores podem indicar se os rótulos existentes estão corretos ou classificar a qualidade deles. Eles também podem adicionar comentários para explicar seu raciocínio. O Amazon SageMaker Ground Truth oferece apoio à verificação de [Classifique objetos de imagem usando uma caixa delimitadora](sms-bounding-box.md) e de rótulos de [Identifique o conteúdo da imagem usando segmentação semântica](sms-semantic-segmentation.md). Você cria um trabalho de rotulagem de verificação de rótulos de imagem usando a seção do Ground Truth do console do Amazon SageMaker AI ou a operação [CreateLabelingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html). O Ground Truth fornece uma interface de usuário do operador que se parece com a seguinte para tarefas de rotulagem: Após criar o trabalho de rotulagem com o console, é possível modificar as imagens e o conteúdo exibidos. Para saber como criar um trabalho de rotulagem no console usando o Ground Truth, consulte [Criar um trabalho de rotulagem (console)](sms-create-labeling-job-console.md). ![\[Exemplo de console do operador para rotular tarefas, fornecido pela Ground Truth.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/label-verification-example.png) É possível criar um trabalho de rotulagem de verificação de rótulos usando o console ou a API do SageMaker. Para saber como criar um trabalho de rotulagem usando a operação da API Ground Truth`CreateLabelingJob`, consulte [Criar um trabalho de rotulagem (API)](sms-create-labeling-job-api.md).