Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Benutzerdefinierte Kennzeichnung-Workflows
<a name="sms-custom-templates"></a>

**Anmerkung**  
Amazon SageMaker Ground Truth steht neuen Kunden nicht mehr offen. Bestehende Kunden können den Service weiterhin wie gewohnt nutzen. AWS investiert weiterhin in Sicherheits- und Verfügbarkeitsverbesserungen für Ground Truth, aber wir planen nicht, neue Funktionen einzuführen.

Diese Themen helfen Ihnen beim Einrichten eines Ground-Truth-Kennzeichnungsauftrags, der eine benutzerdefinierte Kennzeichnungsvorlage verwendet. Mit einer benutzerdefinierten Kennzeichnungsvorlage können Sie eine benutzerdefinierte Benutzeroberfläche für das Auftragnehmerportal erstellen, mit der Auftragnehmer Daten kennzeichnen können. Die Vorlage kann mit HTML, CSS JavaScript, der [ Liquid-Vorlagensprache ](https://shopify.github.io/liquid/) und [ Crowd-HTML-Elementen erstellt ](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-ui-template-reference.html) werden.

## -Übersicht
<a name="sms-custom-templates-overview"></a>

Wenn Sie zum ersten Mal einen benutzerdefinierten Kennzeichnungs-Workflow in Ground Truth erstellen, finden Sie in der folgenden Liste eine allgemeine Zusammenfassung der erforderlichen Schritte.

1. *Einrichten Ihrer Arbeitskräfte* – Um einen benutzerdefinierten Kennzeichnungs-Workflow zu erstellen, benötigen Sie Arbeitskräfte. In diesem Thema erfahren Sie, wie Sie Arbeitskräfte konfigurieren.

1. *Erstellen einer benutzerdefinierten Vorlage* – Um eine benutzerdefinierte Vorlage zu erstellen, müssen Sie die Daten aus Ihrer Eingabemanifestdatei den Variablen in Ihrer Vorlage korrekt zuordnen.

1. *Verwenden optionaler Lambda-Funktionen für die Verarbeitung* – So können Sie steuern, wie Daten aus Ihrem Eingabemanifest zu Ihrer Auftragnehmervorlage hinzugefügt werden und wie Anmerkungen von Auftragnehmern in der Ausgabedatei Ihres Auftrags protokolliert werden.

In diesem Thema finden Sie außerdem drei umfassende Demos, die Ihnen helfen, die Verwendung benutzerdefinierter Kennzeichnungsvorlagen besser zu verstehen.

**Anmerkung**  
Die Beispiele in den folgenden Links enthalten alle Lambda-Funktionen zur Vorverarbeitung und Nachbearbeitung. Diese Lambda-Funktionen sind optional.
+ [Demo-Vorlage: Annotation von Bildern mit `Crowd-Bounding-Box`](sms-custom-templates-step2-demo1.md)
+ [Demo-Vorlage: Labeling Intents mit `Crowd-Classifier`](sms-custom-templates-step2-demo2.md)
+ [Erstellen Sie mit Amazon SageMaker Ground Truth einen benutzerdefinierten Workflow zur Datenkennzeichnung ](https://aws.amazon.com/blogs/machine-learning/build-a-custom-data-labeling-workflow-with-amazon-sagemaker-ground-truth/)

**Topics**
+ [-Übersicht](#sms-custom-templates-overview)
+ [Einrichten Ihrer Arbeitskräfte](sms-custom-templates-step1.md)
+ [Erstellen einer benutzerdefinierte Vorlage für Auftragnehmeraufgaben](sms-custom-templates-step2.md)
+ [Hinzufügen von Automation mit Liquid](sms-custom-templates-step2-automate.md)
+ [Verarbeitung von Daten in einem benutzerdefinierten Etikettierungs-Workflow mit AWS Lambda](sms-custom-templates-step3.md)
+ [Demo-Vorlage: Annotation von Bildern mit `Crowd-Bounding-Box`](sms-custom-templates-step2-demo1.md)
+ [Demo-Vorlage: Labeling Intents mit `Crowd-Classifier`](sms-custom-templates-step2-demo2.md)
+ [Erstellen eines benutzerdefinierten Workflows mithilfe der API](sms-custom-templates-step4.md)