本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 將資料集新增至專案
您可以將培訓資料集或測試資料集新增至現有專案。如果要取代現有資料集，請先刪除現有的資料集。如需更多詳細資訊，請參閱 [刪除資料集](md-delete-dataset.md)。然後，新增新的資料集。
**Topics**
+ [將資料集新增至如果您尚未執行此操作，請安裝並設定 專案（主控台）](#md-add-dataset-console)
+ [將資料集新增至專案（SDK）](#md-add-dataset-sdk)
## 將資料集新增至如果您尚未執行此操作，請安裝並設定 專案（主控台）
您可以使用 Amazon Rekognition 自訂標籤主控台將培訓或測試資料集新增至專案。
**將資料集新增至專案**
1. 開啟 Amazon Rekognition 主控台：[https://console.aws.amazon.com/rekognition/](https://console.aws.amazon.com/rekognition/)。
1. 在左側視窗中，選擇使用 **自訂標籤**。畫面將會顯示 Amazon Rekognition 自訂標籤的登入頁面。
1. 在左側導覽視窗中，選擇 **專案**。畫面將會顯示專案概覽。
1. 選擇您想要新增資料集的專案。
1. 在左側導覽視窗中，專案名稱的下方，選擇 **資料集**。
1. 如果專案沒有現有的資料集，則會顯示 **建立資料集** 的頁面。請執行下列操作：
1. 在 **建立資料集** 的頁面，輸入圖像來源資訊。如需更多詳細資訊，請參閱 [建立包含影像的訓練和測試資料集](md-create-dataset.md)。
1. 選擇 **建立資料集** 以建立資料集。
1. 如果專案擁有現有的資料集 (培訓或測試)，則會顯示專案詳細資料的頁面。請執行下列操作：
1. 在專案詳細資料頁面上，選擇 **動作**。
1. 如果要新增培訓資料集，選擇 **建立培訓資料集**。
1. 如果要新增測試資料集，選擇 **建立測試資料集**。
1. 在 **建立資料集** 的頁面中，輸入圖像來源資訊。如需更多詳細資訊，請參閱 [建立包含影像的訓練和測試資料集](md-create-dataset.md)。
1. 選擇 **建立資料集** 以建立資料集。
1. 將圖像新增至資料集。如需更多詳細資訊，請參閱 [新增更多圖像（主控台）](md-add-images.md#md-add-images-console)。
1. 在資料集中新增標籤。如需更多詳細資訊，請參閱 [新增標籤 (主控台)](md-labels.md#md-add-new-labels)。
1. 為您的圖像新增標籤。如果您要新增圖像的層階標籤，請參閱 [將影像層級標籤指派給影像](md-assign-image-level-labels.md)。如果您要新增邊界框，請參閱 [使用週框方塊標記物件](md-localize-objects.md)。如需更多詳細資訊，請參閱 [規劃資料集](md-dataset-purpose.md)。
## 將資料集新增至專案（SDK）
您可以透過以下方式將培訓或測試資料集新增至現有專案：
+ 使用清單檔案建立資料集。如需詳細資訊，請參閱[使用 SageMaker AI Ground Truth 資訊清單檔案 (SDK) 建立資料集](md-create-dataset-ground-truth.md#md-create-dataset-ground-truth-sdk)。
+ 建立一個空白的資料集，隨後填入該資料集。以下範例展示如何建立空白的資料集。若要在建立空白的資料集後新增條目，請參閱 [將更多圖像新增至資料集](md-add-images.md)。
**Topics**
**將資料集新增至專案 (SDK)**
1. 如果您尚未這麼做，請安裝並設定 AWS CLI 和 AWS SDKs。如需詳細資訊，請參閱[步驟 4：設定 AWS CLI 和 AWS SDKs](su-awscli-sdk.md)。
1. 使用以下範例將 JSON 文件新增至資料集。
------
#### [ CLI ]
將 `project_arn` 替換為您想要新增資料集的專案。將 `TRAIN` 替換為 `dataset_type` 以建立培訓資料集，或 `TEST` 建立測試資料集。
```
aws rekognition create-dataset --project-arn {{project_arn}} \
--dataset-type {{dataset_type}} \
--profile custom-labels-access
```
------
#### [ Python ]
使用以下程式碼建立資料集。提供以下命令列選項：
+ `project_arn` — 您要為其新增測試資料集的專案的 ARN。
+ `type` — 您要建立的資料集類型（培訓或測試）
```
# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
import argparse
import logging
import time
import boto3
from botocore.exceptions import ClientError
logger = logging.getLogger(__name__)
def create_empty_dataset(rek_client, project_arn, dataset_type):
"""
Creates an empty Amazon Rekognition Custom Labels dataset.
:param rek_client: The Amazon Rekognition Custom Labels Boto3 client.
:param project_arn: The ARN of the project in which you want to create a dataset.
:param dataset_type: The type of the dataset that you want to create (train or test).
"""
try:
#Create the dataset.
logger.info("Creating empty %s dataset for project %s",
dataset_type, project_arn)
dataset_type=dataset_type.upper()
response = rek_client.create_dataset(
ProjectArn=project_arn, DatasetType=dataset_type
)
dataset_arn=response['DatasetArn']
logger.info("dataset ARN: %s", dataset_arn)
finished=False
while finished is False:
dataset=rek_client.describe_dataset(DatasetArn=dataset_arn)
status=dataset['DatasetDescription']['Status']
if status == "CREATE_IN_PROGRESS":
logger.info(("Creating dataset: %s ", dataset_arn))
time.sleep(5)
continue
if status == "CREATE_COMPLETE":
logger.info("Dataset created: %s", dataset_arn)
finished=True
continue
if status == "CREATE_FAILED":
error_message = f"Dataset creation failed: {status} : {dataset_arn}"
logger.exception(error_message)
raise Exception(error_message)
error_message = f"Failed. Unexpected state for dataset creation: {status} : {dataset_arn}"
logger.exception(error_message)
raise Exception(error_message)
return dataset_arn
except ClientError as err:
logger.exception("Couldn't create dataset: %s", err.response['Error']['Message'])
raise
def add_arguments(parser):
"""
Adds command line arguments to the parser.
:param parser: The command line parser.
"""
parser.add_argument(
"project_arn", help="The ARN of the project in which you want to create the empty dataset."
)
parser.add_argument(
"dataset_type", help="The type of the empty dataset that you want to create (train or test)."
)
def main():
logging.basicConfig(level=logging.INFO, format="%(levelname)s: %(message)s")
try:
# Get command line arguments.
parser = argparse.ArgumentParser(usage=argparse.SUPPRESS)
add_arguments(parser)
args = parser.parse_args()
print(f"Creating empty {args.dataset_type} dataset for project {args.project_arn}")
# Create the empty dataset.
session = boto3.Session(profile_name='custom-labels-access')
rekognition_client = session.client("rekognition")
dataset_arn=create_empty_dataset(rekognition_client,
args.project_arn,
args.dataset_type.lower())
print(f"Finished creating empty dataset: {dataset_arn}")
except ClientError as err:
logger.exception("Problem creating empty dataset: %s", err)
print(f"Problem creating empty dataset: {err}")
except Exception as err:
logger.exception("Problem creating empty dataset: %s", err)
print(f"Problem creating empty dataset: {err}")
if __name__ == "__main__":
main()
```
------
#### [ Java V2 ]
使用以下程式碼建立資料集。提供以下命令列選項：
+ `project_arn` — 您要為其新增測試資料集的專案的 ARN。
+ `type` — 您要建立的資料集類型（培訓或測試）
```
/*
Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
SPDX-License-Identifier: Apache-2.0
*/
package com.example.rekognition;
import software.amazon.awssdk.auth.credentials.ProfileCredentialsProvider;
import software.amazon.awssdk.regions.Region;
import software.amazon.awssdk.services.rekognition.RekognitionClient;
import software.amazon.awssdk.services.rekognition.model.CreateDatasetRequest;
import software.amazon.awssdk.services.rekognition.model.CreateDatasetResponse;
import software.amazon.awssdk.services.rekognition.model.DatasetDescription;
import software.amazon.awssdk.services.rekognition.model.DatasetStatus;
import software.amazon.awssdk.services.rekognition.model.DatasetType;
import software.amazon.awssdk.services.rekognition.model.DescribeDatasetRequest;
import software.amazon.awssdk.services.rekognition.model.DescribeDatasetResponse;
import software.amazon.awssdk.services.rekognition.model.RekognitionException;
import java.net.URI;
import java.util.logging.Level;
import java.util.logging.Logger;
public class CreateEmptyDataset {
public static final Logger logger = Logger.getLogger(CreateEmptyDataset.class.getName());
public static String createMyEmptyDataset(RekognitionClient rekClient, String projectArn, String datasetType)
throws Exception, RekognitionException {
try {
logger.log(Level.INFO, "Creating empty {0} dataset for project : {1}",
new Object[] { datasetType.toString(), projectArn });
DatasetType requestDatasetType = null;
switch (datasetType) {
case "train":
requestDatasetType = DatasetType.TRAIN;
break;
case "test":
requestDatasetType = DatasetType.TEST;
break;
default:
logger.log(Level.SEVERE, "Unrecognized dataset type: {0}", datasetType);
throw new Exception("Unrecognized dataset type: " + datasetType);
}
CreateDatasetRequest createDatasetRequest = CreateDatasetRequest.builder().projectArn(projectArn)
.datasetType(requestDatasetType).build();
CreateDatasetResponse response = rekClient.createDataset(createDatasetRequest);
boolean created = false;
//Wait until updates finishes
do {
DescribeDatasetRequest describeDatasetRequest = DescribeDatasetRequest.builder()
.datasetArn(response.datasetArn()).build();
DescribeDatasetResponse describeDatasetResponse = rekClient.describeDataset(describeDatasetRequest);
DatasetDescription datasetDescription = describeDatasetResponse.datasetDescription();
DatasetStatus status = datasetDescription.status();
logger.log(Level.INFO, "Creating dataset ARN: {0} ", response.datasetArn());
switch (status) {
case CREATE_COMPLETE:
logger.log(Level.INFO, "Dataset created");
created = true;
break;
case CREATE_IN_PROGRESS:
Thread.sleep(5000);
break;
case CREATE_FAILED:
String error = "Dataset creation failed: " + datasetDescription.statusAsString() + " "
+ datasetDescription.statusMessage() + " " + response.datasetArn();
logger.log(Level.SEVERE, error);
throw new Exception(error);
default:
String unexpectedError = "Unexpected creation state: " + datasetDescription.statusAsString() + " "
+ datasetDescription.statusMessage() + " " + response.datasetArn();
logger.log(Level.SEVERE, unexpectedError);
throw new Exception(unexpectedError);
}
} while (created == false);
return response.datasetArn();
} catch (RekognitionException e) {
logger.log(Level.SEVERE, "Could not create dataset: {0}", e.getMessage());
throw e;
}
}
public static void main(String args[]) {
String datasetType = null;
String datasetArn = null;
String projectArn = null;
final String USAGE = "\n" + "Usage: " + " \n\n" + "Where:\n"
+ " project_arn - the ARN of the project that you want to add copy the datast to.\n\n"
+ " dataset_type - the type of the empty dataset that you want to create (train or test).\n\n";
if (args.length != 2) {
System.out.println(USAGE);
System.exit(1);
}
projectArn = args[0];
datasetType = args[1];
try {
// Get the Rekognition client
RekognitionClient rekClient = RekognitionClient.builder()
.credentialsProvider(ProfileCredentialsProvider.create("custom-labels-access"))
.region(Region.US_WEST_2)
.build();
// Create the dataset
datasetArn = createMyEmptyDataset(rekClient, projectArn, datasetType);
System.out.println(String.format("Created dataset: %s", datasetArn));
rekClient.close();
} catch (RekognitionException rekError) {
logger.log(Level.SEVERE, "Rekognition client error: {0}", rekError.getMessage());
System.exit(1);
} catch (Exception rekError) {
logger.log(Level.SEVERE, "Error: {0}", rekError.getMessage());
System.exit(1);
}
}
}
```
------
1. 將圖像新增至資料集。如需詳細資訊，請參閱[新增更多圖像 (SDK)](md-add-images.md#md-add-images-sdk)。