Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Pelabelan data keluaran pekerjaan
**catatan**
Amazon SageMaker Ground Truth tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan seperti biasa. AWS terus berinvestasi dalam peningkatan keamanan dan ketersediaan untuk Ground Truth, tetapi kami tidak berencana untuk memperkenalkan fitur baru.
Output dari pekerjaan pelabelan ditempatkan di lokasi Amazon S3 yang Anda tentukan di konsol atau dalam panggilan ke [ CreateLabelingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateLabelingJob.html) operasi. Data keluaran muncul di lokasi ini ketika pekerja telah mengirimkan satu atau lebih tugas, atau ketika tugas kedaluwarsa. Perhatikan bahwa mungkin diperlukan beberapa menit agar data keluaran muncul di Amazon S3 setelah pekerja mengirimkan tugas atau tugas berakhir.
Setiap baris dalam file data output identik dengan file manifes dengan penambahan atribut dan nilai untuk label yang ditetapkan ke objek input. Nama atribut untuk nilai ditentukan di konsol atau dalam panggilan ke `CreateLabelingJob` operasi. Anda tidak dapat menggunakan `-metadata` nama atribut label. Jika Anda menjalankan tugas segmentasi semantik gambar, segmentasi semantik awan titik 3D, atau tugas pelacakan objek awan titik 3D, atribut label harus diakhiri dengan. `-ref` Untuk jenis pekerjaan lainnya, nama atribut tidak dapat diakhiri dengan`-ref`.
Output dari pekerjaan pelabelan adalah nilai pasangan kunci-nilai dengan label. Label dan nilai mengganti data JSON yang ada dalam file input dengan nilai baru.
Misalnya, berikut ini adalah output dari pekerjaan pelabelan klasifikasi gambar di mana file data input disimpan di Amazon S3 `{{amzn-s3-demo-bucket}}` dan nama atribut label didefinisikan sebagai{{`sport`}}. Dalam contoh ini objek JSON diformat untuk keterbacaan, dalam file output aktual objek JSON berada pada satu baris. Untuk informasi selengkapnya tentang format data, lihat Gar [ is JSON](http://jsonlines.org/).
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{image_example.png}}",
"{{sport}}":{{0}},
"{{sport}}-metadata":
{
"class-name": "{{football}}",
"confidence": {{0.00}},
"type":"groundtruth/image-classification",
"job-name": "{{identify-sport}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}"
}
}
```
Nilai label dapat berupa JSON yang valid. Dalam hal ini nilai label adalah indeks kelas dalam daftar klasifikasi. Jenis pekerjaan lain, seperti kotak pembatas, memiliki nilai yang lebih kompleks.
Setiap pasangan kunci-nilai dalam file manifes input selain atribut label tidak berubah dalam file output. Anda dapat menggunakan ini untuk meneruskan data ke aplikasi Anda.
Output dari pekerjaan pelabelan dapat digunakan sebagai input ke pekerjaan pelabelan lain. Anda dapat menggunakan ini saat Anda merangkai pekerjaan pelabelan bersama. Misalnya, Anda dapat mengirim satu pekerjaan pelabelan untuk menentukan olahraga yang sedang dimainkan. Kemudian Anda mengirim yang lain menggunakan data yang sama untuk menentukan apakah olahraga sedang dimainkan di dalam atau di luar ruangan. Dengan menggunakan data keluaran dari pekerjaan pertama sebagai manifes untuk pekerjaan kedua, Anda dapat mengkonsolidasikan hasil dari dua pekerjaan menjadi satu file output agar lebih mudah diproses oleh aplikasi Anda.
File data keluaran ditulis ke lokasi keluaran secara berkala saat pekerjaan sedang berlangsung. File perantara ini berisi satu baris untuk setiap baris dalam file manifes. Jika objek diberi label, label disertakan. Jika objek belum diberi label, itu ditulis ke file output perantara secara identik dengan file manifes.
## Direktori keluaran
Ground Truth membuat beberapa direktori di jalur keluaran Amazon S3 Anda. Direktori ini berisi hasil pekerjaan pelabelan Anda dan artefak pekerjaan lainnya. Direktori tingkat atas untuk pekerjaan pelabelan diberi nama yang sama dengan pekerjaan pelabelan Anda; direktori keluaran ditempatkan di bawahnya. Misalnya, jika Anda menamai pekerjaan pelabelan Anda**find-people**, output Anda akan berada di direktori berikut:
```
s3://{{amzn-s3-demo-bucket}}/find-people/activelearning
s3://{{amzn-s3-demo-bucket}}/find-people/annotations
s3://{{amzn-s3-demo-bucket}}/find-people/inference
s3://{{amzn-s3-demo-bucket}}/find-people/manifests
s3://{{amzn-s3-demo-bucket}}/find-people/training
```
Setiap direktori berisi output sebagai berikut:
### Direktori pembelajaran aktif
Direk `activelearning` tori hanya ada saat Anda menggunakan pelabelan data otomatis. Ini berisi set validasi input dan output untuk pelabelan data otomatis, dan folder input dan output untuk data berlabel secara otomatis.
### Direktori anotasi
Direk `annotations` tori berisi semua anotasi yang dibuat oleh tenaga kerja. Ini adalah tanggapan dari pekerja individu yang belum dikonsolidasikan ke dalam label tunggal untuk objek data.
Ada tiga subdirektori dalam `annotations` direktori.
+ Yang pertama,`worker-response`, berisi tanggapan dari pekerja individu. Ini berisi subdirektori untuk setiap iterasi, yang pada gilirannya berisi subdirektori untuk setiap objek data dalam iterasi itu. Data respons pekerja untuk setiap objek data disimpan dalam file JSON stempel waktu yang berisi jawaban yang dikirimkan oleh setiap pekerja untuk objek data tersebut, dan jika Anda menggunakan tenaga kerja swasta, metadata tentang pekerja tersebut. Untuk mempelajari lebih lanjut tentang metadata ini, lihat[Metadata pekerja](#sms-worker-id-private).
+ Yang kedua,`consolidated-annotation`, berisi informasi yang diperlukan untuk mengkonsolidasikan anotasi dalam batch saat ini ke dalam label untuk objek data Anda.
+ Yang ketiga,`intermediate`, berisi manifes keluaran untuk batch saat ini dengan label yang sudah selesai. File ini diperbarui saat label untuk setiap objek data selesai.
**catatan**
Kami menyarankan Anda untuk tidak menggunakan file yang tidak disebutkan dalam dokumentasi.
### Direktori inferensi
Direk `inference` tori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output untuk transformasi batch SageMaker AI yang digunakan saat melabeli objek data.
### Direktori manifes
Direk `manifest` tori berisi manifes keluaran dari pekerjaan pelabelan Anda. Ada satu subdirektori di direktori manifes,`output`. Direk `output` tori berisi file manifes keluaran untuk pekerjaan pelabelan Anda. File tersebut diberi nama`output.manifest`.
### Direktori pelatihan
Direk `training` tori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output yang digunakan untuk melatih model pelabelan data otomatis.
## Skor kepercayaan
Bila Anda memiliki lebih dari satu pekerja yang membuat anotasi pada satu tugas, label Anda dihasilkan dari konsolidasi anotasi. Ground Truth menghitung skor kepercayaan untuk setiap label. Skor * kepercayaan * adalah angka antara 0 dan 1 yang menunjukkan seberapa percaya diri Ground Truth dalam label. Anda dapat menggunakan skor kepercayaan untuk membandingkan objek data berlabel satu sama lain, dan untuk mengidentifikasi label yang paling sedikit atau paling percaya diri.
Anda tidak boleh menafsirkan nilai skor kepercayaan sebagai nilai absolut, atau membandingkan skor kepercayaan di seluruh pekerjaan pelabelan. Misalnya, jika semua skor kepercayaan antara 0,98 dan 0,998, Anda hanya boleh membandingkan objek data satu sama lain dan tidak bergantung pada skor kepercayaan tinggi.
Anda tidak boleh membandingkan skor kepercayaan objek data berlabel manusia dan objek data berlabel otomatis. Skor kepercayaan untuk manusia dihitung menggunakan fungsi konsolidasi anotasi untuk tugas, sedangkan skor kepercayaan untuk pelabelan otomatis dihitung menggunakan model yang menggabungkan fitur objek. Kedua model umumnya memiliki skala dan kepercayaan rata-rata yang berbeda.
Untuk pekerjaan pelabelan kotak pembatas, Ground Truth menghitung skor kepercayaan per kotak. Anda dapat membandingkan skor kepercayaan dalam satu gambar atau di seluruh gambar untuk jenis pelabelan yang sama (manusia atau otomatis). Anda tidak dapat membandingkan skor kepercayaan di seluruh pekerjaan pelabelan.
Jika satu pekerja membuat anotasi tugas (`NumberOfHumanWorkersPerDataObject`disetel ke `1` atau di konsol, Anda memasukkan 1 untuk ** Jumlah pekerja per objek kumpulan data**), skor kepercayaan disetel ke. `0.00`
## Metadata pekerja
Ground Truth menyediakan informasi yang dapat Anda gunakan untuk melacak pekerja individu dalam data keluaran tugas. Data berikut terletak di direktori di bawah yang `worker-response` terletak di[Direktori anotasi](#sms-directories-annotations):
+ Ini `acceptanceTime` adalah waktu ketika pekerja menerima tugas tersebut. Format cap tanggal dan waktu ini adalah `YYYY-MM-DDTHH:MM:SS.mmmZ` untuk tahun (`YYYY`), bulan (), hari (`MM`), jam (`DD`), menit (`HH`), detik (`MM``SS`) dan milidetik (). `mmm` Tanggal dan waktu dipisahkan oleh ** T**.
+ Ini `submissionTime` adalah waktu pekerja mengirimkan anotasi mereka menggunakan ** tombol K ** irim. Format cap tanggal dan waktu ini adalah `YYYY-MM-DDTHH:MM:SS.mmmZ` untuk tahun (`YYYY`), bulan (), hari (`MM`), jam (`DD`), menit (`HH`), detik (`MM``SS`) dan milidetik (). `mmm` Tanggal dan waktu dipisahkan oleh ** T**.
+ `timeSpentInSeconds`melaporkan total waktu, dalam hitungan detik, bahwa seorang pekerja secara aktif mengerjakan tugas itu. Metrik ini tidak termasuk waktu ketika seorang pekerja berhenti atau beristirahat.
+ `workerId`Ini unik untuk setiap pekerja.
+ Jika Anda menggunakan tenaga kerja [ swasta](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-workforce-private.html), di`workerMetadata`, Anda melihat yang berikut ini.
+ Ini `identityProviderType` adalah layanan yang digunakan untuk mengelola tenaga kerja swasta.
+ Ini `issuer` adalah kumpulan pengguna Cognito atau penerbit Penyedia Identitas OIDC (IdP) yang terkait dengan tim kerja yang ditugaskan untuk tugas peninjauan manusia ini.
+ Pengi `sub` dentifikasi unik mengacu pada pekerja. Jika Anda membuat tenaga kerja menggunakan Amazon Cognito, Anda dapat mengambil detail tentang pekerja ini (seperti nama atau nama pengguna) menggunakan ID ini menggunakan Amazon Cognito. Untuk mempelajari caranya, lihat M [ engelola dan Mencari Akun Pengguna ](https://docs.aws.amazon.com/cognito/latest/developerguide/how-to-manage-user-accounts.html#manage-user-accounts-searching-user-attributes) di Panduan [ Pengembang ](https://docs.aws.amazon.com/cognito/latest/developerguide/) Amazon Cognito.
Berikut ini adalah contoh output yang mungkin Anda lihat jika Anda menggunakan Amazon Cognito untuk membuat tenaga kerja swasta. Ini diidentifikasi dalam`identityProviderType`.
```
"submissionTime": "2020-12-28T18:59:58.321Z",
"acceptanceTime": "2020-12-28T18:59:15.191Z",
"timeSpentInSeconds": 40.543,
"workerId": "a12b3cdefg4h5i67",
"workerMetadata": {
"identityData": {
"identityProviderType": "Cognito",
"issuer": "https://cognito-idp.aws-region.amazonaws.com/aws-region_123456789",
"sub": "aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee"
}
}
```
Berikut ini adalah contoh yang mungkin `workerMetadata` Anda lihat jika Anda menggunakan IDC IdP Anda sendiri untuk membuat tenaga kerja swasta:
```
"workerMetadata": {
"identityData": {
"identityProviderType": "Oidc",
"issuer": "https://example-oidc-ipd.com/adfs",
"sub": "aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee"
}
}
```
Untuk mempelajari lebih lanjut tentang menggunakan tenaga kerja pribadi, lihat[Tenaga kerja swasta](sms-workforce-private.md).
## Metadata keluaran
Output dari setiap pekerjaan berisi metadata tentang label yang ditetapkan ke objek data. Elemen-elemen ini sama untuk semua pekerjaan dengan variasi kecil. Contoh berikut menunjukkan elemen metadata:
```
"confidence": {{0.00}},
"type": "{{groundtruth/image-classification}}",
"job-name": "{{identify-animal-species}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2020-10-18T22:18:13.527256}}"
```
Elemen-elemen tersebut memiliki arti sebagai berikut:
+ `confidence`— Keyakinan bahwa Ground Truth miliki bahwa labelnya benar. Untuk informasi selengkapnya, lihat [Skor kepercayaan](#sms-output-confidence).
+ `type`— Jenis pekerjaan klasifikasi. Untuk jenis pekerjaan, lihat[Built-in Jenis Tugas](sms-task-types.md).
+ `job-name`— Nama yang ditetapkan untuk pekerjaan saat dibuat.
+ `human-annotated`— Apakah objek data diberi label oleh manusia atau dengan pelabelan data otomatis. Untuk informasi selengkapnya, lihat [Otomatisasi pelabelan data](sms-automated-labeling.md).
+ `creation-date`Tanggal dan waktu pembuatan label.
## Output pekerjaan klasifikasi
Berikut ini adalah contoh output (file manifes keluaran) dari pekerjaan klasifikasi gambar dan pekerjaan klasifikasi teks. Mereka menyertakan label yang ditetapkan Ground Truth ke objek data, nilai untuk label, dan metadata yang menjelaskan label.
Selain elemen metadata standar, metadata untuk pekerjaan klasifikasi mencakup nilai teks dari kelas label. Untuk informasi selengkapnya, lihat [Klasifikasi Gambar - MXNet](image-classification.md).
Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
```
{
"source-ref":"s3://{{amzn-s3-demo-bucket}}/{{example_image.jpg}}",
"{{species}}":"{{0}}",
"{{species}}-metadata":
{
"class-name": "{{dog}}",
"confidence": {{0.00}},
"type": "groundtruth/image-classification",
"job-name": "{{identify-animal-species}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}"
}
}
```
```
{
"source":"{{The food was delicious}}",
"{{mood}}":"{{1}}",
"{{mood}}-metadata":
{
"class-name": "{{positive}}",
"confidence": {{0.8}},
"type": "groundtruth/text-classification",
"job-name": "{{label-sentiment}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2020-10-18T22:18:13.527256}}"
}
}
```
## Multi-label keluaran pekerjaan klasifikasi
Berikut ini adalah contoh file manifes keluaran dari pekerjaan klasifikasi gambar multi-label dan pekerjaan klasifikasi teks multi-label. Mereka menyertakan label yang ditetapkan oleh Ground Truth ke objek data (misalnya, gambar atau potongan teks) dan metadata yang menjelaskan label yang dilihat pekerja saat menyelesaikan tugas pelabelan.
Parameter nama atribut label (misalnya,`image-label-attribute-name`) berisi array dari semua label yang dipilih oleh setidaknya satu pekerja yang menyelesaikan tugas ini. Array ini berisi kunci integer (misalnya,`[1,0,8]`) yang sesuai dengan label yang ditemukan di`class-map`. Dalam contoh klasifikasi gambar multi-label`bicycle`,`person`,, dan `clothing` dipilih oleh setidaknya salah satu pekerja yang menyelesaikan tugas pelabelan untuk gambar,`exampleimage.jpg`.
Ini `confidence-map` menunjukkan skor kepercayaan yang ditetapkan oleh Ground Truth untuk setiap label yang dipilih oleh pekerja. Untuk mempelajari lebih lanjut tentang skor kepercayaan Ground Truth, lihat[Skor kepercayaan](#sms-output-confidence).
Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
Berikut ini adalah contoh file manifes keluaran klasifikasi gambar multi-label.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example_image.jpg}}",
"{{image-label-attribute-name}}":[{{1,0,8}}],
"{{image-label-attribute-name}}-metadata":
{
"job-name":"{{labeling-job/image-label-attribute-name}}",
"class-map":
{
"{{1}}":"{{bicycle}}","{{0}}":"{{person}}","{{8}}":"{{clothing}}"
},
"human-annotated":"{{yes}}",
"creation-date":"{{2020-02-27T21:36:25.000201}}",
"confidence-map":
{
"{{1}}":{{0.95}},"{{0}}":{{0.77}},"{{8}}":{{0.2}}
},
"type":"groundtruth/image-classification-multilabel"
}
}
```
Berikut ini adalah contoh file manifes keluaran klasifikasi teks multi-label. Dalam contoh ini`approving`,, `sad` dan `critical` dipilih oleh setidaknya satu pekerja yang menyelesaikan tugas pelabelan untuk objek yang `exampletext.txt` ditemukan di`{{amzn-s3-demo-bucket}}`.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{exampletext.txt}}",
"{{text-label-attribute-name}}":[{{1}},{{0}},{{4}}],
"{{text-label-attribute-name}}-metadata":
{
"job-name":"labeling-job/{{text-label-attribute-name}}",
"class-map":
{
"{{1}}":"{{approving}}","{{0}}":"{{sad}}","{{4}}":"{{critical}}"
},
"human-annotated":"{{yes}}",
"creation-date":"{{2020-02-20T21:36:25.000201}}",
"confidence-map":
{
"{{1}}":{{0.95}},"{{0}}":{{0.77}},"{{4}}":{{0.2}}
},
"type":"groundtruth/text-classification-multilabel"
}
}
```
## Output pekerjaan kotak pembatas
Berikut ini adalah contoh output (file manifes keluaran) dari pekerjaan kotak pembatas. Untuk tugas ini, tiga kotak pembatas dikembalikan. Nilai label berisi informasi tentang ukuran gambar, dan lokasi kotak pembatas.
`class_id`Elemen adalah indeks kelas kotak dalam daftar kelas yang tersedia untuk tugas. Elemen `class-map` metadata berisi teks kelas.
Metadata memiliki skor kepercayaan terpisah untuk setiap kotak pembatas. Metadata juga menyer `class-map` takan elemen yang `class_id` memetakan ke nilai teks kelas. Untuk informasi selengkapnya, lihat [Deteksi Objek - MxNet](object-detection.md).
Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example_image.png}}",
"{{bounding-box-attribute-name}}":
{
"image_size": [{ "width": {{500}}, "height": {{400}}, "depth":{{3}}}],
"annotations":
[
{"class_id": {{0}}, "left": {{111}}, "top": {{134}},
"width": {{61}}, "height": {{128}}},
{"class_id": {{5}}, "left": {{161}}, "top": {{250}},
"width": {{30}}, "height": {{30}}},
{"class_id": {{5}}, "left": {{20}}, "top": {{20}},
"width": {{30}}, "height": {{30}}}
]
},
"{{bounding-box-attribute-name}}-metadata":
{
"objects":
[
{"confidence": {{0.8}}},
{"confidence": {{0.9}}},
{"confidence": {{0.9}}}
],
"class-map":
{
"{{0}}": "{{dog}}",
"{{5}}": "{{bone}}"
},
"type": "groundtruth/object-detection",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{identify-dogs-and-toys}}"
}
}
```
Output dari pekerjaan penyesuaian kotak pembatas terlihat seperti JSON berikut. Perhatikan bahwa JSON asli tetap utuh dan dua pekerjaan baru terdaftar, masing-masing dengan “sesuaikan-” ditambahkan ke nama atribut asli.
```
{
"source-ref": "{{S3 bucket location}}",
"{{bounding-box-attribute-name}}":
{
"image_size": [{ "width": {{500}}, "height": {{400}}, "depth":{{3}}}],
"annotations":
[
{"class_id": {{0}}, "left": {{111}}, "top": {{134}},
"width": {{61}}, "height": {{128}}},
{"class_id": 5, "left": 161, "top": 250,
"width": {{30}}, "height": {{30}}},
{"class_id": {{5}}, "left": {{20}}, "top": {{20}},
"width": {{30}}, "height": {{30}}}
]
},
"{{bounding-box-attribute-name}}-metadata":
{
"objects":
[
{"confidence": {{0.8}}},
{"confidence": {{0.9}}},
{"confidence": {{0.9}}}
],
"class-map":
{
"{{0}}": "{{dog}}",
"{{5}}": "{{bone}}"
},
"type": "groundtruth/object-detection",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{identify-dogs-and-toys}}"
},
"{{adjusted-bounding-box}}":
{
"image_size": [{ "width": {{500}}, "height": {{400}}, "depth":{{3}}}],
"annotations":
[
{"class_id": {{0}}, "left": {{110}}, "top": {{135}},
"width": {{61}}, "height": {{128}}},
{"class_id": {{5}}, "left": {{161}}, "top": {{250}},
"width": {{30}}, "height": {{30}}},
{"class_id": {{5}}, "left": {{10}}, "top": {{10}},
"width": {{30}}, "height": {{30}}}
]
},
"{{adjusted-bounding-box}}-metadata":
{
"objects":
[
{"confidence": {{0.8}}},
{"confidence": {{0.9}}},
{"confidence": {{0.9}}}
],
"class-map":
{
"{{0}}": "{{dog}}",
"{{5}}": "{{bone}}"
},
"type": "groundtruth/object-detection",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-11-20T22:18:13.527256}}",
"job-name": "{{adjust-bounding-boxes-on-dogs-and-toys}}",
"adjustment-status": "{{adjusted}}"
}
}
```
Dalam output ini, pekerjaan `type` tidak berubah, tetapi `adjustment-status` bidang ditambahkan. Bidang ini memiliki nilai `adjusted` atau`unadjusted`. Jika beberapa pekerja telah meninjau objek dan setidaknya satu menyesuaikan label, statusnya adalah`adjusted`.
## Pengenalan entitas bernama
Berikut ini adalah contoh file manifes keluaran dari tugas pelabelan pengenalan entitas bernama (NER). Untuk tugas ini, tujuh `entities` dikembalikan.
Dalam manifes keluaran, objek JSON`annotations`,, menyertakan daftar `labels` (kategori label) yang Anda berikan.
Tanggapan pekerja ada dalam daftar bernama`entities`. Setiap entitas dalam daftar ini adalah objek JSON yang berisi `label` nilai yang cocok dengan satu dalam `labels` daftar, `startOffset` nilai integer untuk offset Unicode awal span berlabel, dan `endOffset` nilai integer untuk offset Unicode akhir.
Metadata memiliki skor kepercayaan terpisah untuk setiap entitas. Jika satu pekerja memberi label pada setiap objek data, nilai kepercayaan untuk setiap entitas akan menjadi nol.
Teks merah miring dalam contoh di bawah ini bergantung pada pelabelan input pekerjaan dan tanggapan pekerja.
```
{
"source": "{{Amazon SageMaker is a cloud machine-learning platform that was launched in November 2017. SageMaker enables developers to create, train, and deploy machine-learning (ML) models in the cloud. SageMaker also enables developers to deploy ML models on embedded systems and edge-devices}}",
"{{ner-labeling-job-attribute-name}}": {
"annotations": {
"labels": [
{
"label": "{{Date}}",
"shortDisplayName": "{{dt}}"
},
{
"label": "{{Verb}}",
"shortDisplayName": "{{vb}}"
},
{
"label": "{{Thing}}",
"shortDisplayName": "{{tng}}"
},
{
"label": "{{People}}",
"shortDisplayName": "{{ppl}}"
}
],
"entities": [
{
"label": "{{Thing}}",
"startOffset": {{22}},
"endOffset": {{53}}
},
{
"label": "{{Thing}}",
"startOffset": {{269}},
"endOffset": {{281}}
},
{
"label": "{{Verb}}",
"startOffset": {{63}},
"endOffset": {{71}}
},
{
"label": "{{Verb}}",
"startOffset": {{228}},
"endOffset": {{234}}
},
{
"label": "{{Date}}",
"startOffset": {{75}},
"endOffset": {{88}}
},
{
"label": "{{People}}",
"startOffset": {{108}},
"endOffset": {{118}}
},
{
"label": "{{People}}",
"startOffset": {{214}},
"endOffset": {{224}}
}
]
}
},
"{{ner-labeling-job-attribute-name}}-metadata": {
"job-name": "labeling-job/{{example-ner-labeling-job}}",
"type": "groundtruth/text-span",
"creation-date": "{{2020-10-29T00:40:39.398470}}",
"human-annotated": "yes",
"entities": [
{
"confidence": {{0}}
},
{
"confidence": {{0}}
},
{
"confidence": {{0}}
},
{
"confidence": {{0}}
},
{
"confidence": {{0}}
},
{
"confidence": {{0}}
},
{
"confidence": {{0}}
}
]
}
}
```
## Output pekerjaan verifikasi label
Output (file manifes keluaran) dari pekerjaan verifikasi kotak pembatas terlihat berbeda dari output dari pekerjaan anotasi kotak pembatas. Itu karena pekerja memiliki jenis tugas yang berbeda. Mereka tidak memberi label pada objek, tetapi mengevaluasi keakuratan pelabelan sebelumnya, membuat penilaian, dan kemudian memberikan penilaian itu dan mungkin beberapa komentar.
Jika pekerja manusia memverifikasi atau menyesuaikan label kotak pembatas sebelumnya, output dari pekerjaan verifikasi akan terlihat seperti JSON berikut. Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
```
{
"source-ref":"s3://{{amzn-s3-demo-bucket}}/{{image_example.png}}",
"{{bounding-box-attribute-name}}":
{
"image_size": [{ "width": {{500}}, "height": {{400}}, "depth":{{3}}}],
"annotations":
[
{"class_id": {{0}}, "left": {{111}}, "top": {{134}},
"width": {{61}}, "height": {{128}}},
{"class_id": {{5}}, "left": {{161}}, "top": {{250}},
"width": {{30}}, "height": {{30}}},
{"class_id": {{5}}, "left": {{20}}, "top": {{20}},
"width": {{30}}, "height": {{30}}}
]
},
"{{bounding-box-attribute-name}}-metadata":
{
"objects":
[
{"confidence": {{0.8}}},
{"confidence": {{0.9}}},
{"confidence": {{0.9}}}
],
"class-map":
{
"{{0}}": "{{dog}}",
"{{5}}": "{{bone}}"
},
"type": "groundtruth/object-detection",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{identify-dogs-and-toys}}"
},
"{{verify-bounding-box-attribute-name}}":"{{1}}",
"{{verify-bounding-box-attribute-name}}-metadata":
{
"class-name": "{{bad}}",
"confidence": {{0.93}},
"type": "groundtruth/label-verification",
"job-name": "{{verify-bounding-boxes}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-11-20T22:18:13.527256}}",
"worker-feedback": [
{"comment": "{{The bounding box on the bird is too wide on the right side.}}"},
{"comment": "{{The bird on the upper right is not labeled.}}"}
]
}
}
```
Meskipun `type` pada output kotak pembatas asli adalah`groundtruth/object-detection`, yang baru `type` adalah`groundtruth/label-verification`. Perhatikan juga bahwa `worker-feedback` array menyediakan komentar pekerja. Jika pekerja tidak memberikan komentar, bidang kosong dikecualikan selama konsolidasi.
## Output Pekerjaan Segmentasi Semantik
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan segmentasi semantik. Nilai label untuk pekerjaan ini adalah referensi ke file PNG di bucket Amazon S3.
Selain elemen standar, metadata untuk label mencakup peta warna yang menentukan warna mana yang digunakan untuk memberi label gambar, nama kelas yang terkait dengan warna, dan skor kepercayaan untuk setiap warna. Untuk informasi selengkapnya, lihat [Algoritma Segmentasi Semantik](semantic-segmentation.md).
Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example_city_image.png}}",
"{{city-streets}}-ref": "{{S3 bucket location}}",
"{{city-streets}}-ref-metadata": {
"internal-color-map": {
"0": {
"class-name": "BACKGROUND",
"confidence": {{0.9}},
"hex-color": "#ffffff"
},
"1": {
"class-name": "{{buildings}}",
"confidence": {{0.9}},
"hex-color": "{{#2acf59}}"
},
"2": {
"class-name": "{{road}}",
"confidence": {{0.9}},
"hex-color": "{{#f28333}}"
}
},
"type": "groundtruth/semantic-segmentation",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{label-city-streets}}",
},
"{{verify-city-streets}}-ref":"{{1}}",
"{{verify-city-streets}}-ref-metadata":
{
"class-name": "{{bad}}",
"confidence": {{0.93}},
"type": "groundtruth/label-verification",
"job-name": "verify-{{city-streets}}",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-11-20T22:18:13.527256}}",
"worker-feedback": [
{"comment": "{{The mask on the leftmost building is assigned the wrong side of the road.}}"},
{"comment": "{{The curb of the road is not labeled but the instructions say otherwise.}}"}
]
}
}
```
Keyakinan dinilai berdasarkan per gambar. Skor kepercayaan sama di semua kelas dalam gambar.
Output dari pekerjaan penyesuaian segmentasi semantik terlihat mirip dengan JSON berikut.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example_city_image.png}}",
"{{city-streets}}-ref": "{{S3 bucket location}}",
"{{city-streets}}-ref-metadata": {
"internal-color-map": {
"0": {
"class-name": "BACKGROUND",
"confidence": {{0.9}},
"hex-color": "#ffffff"
},
"1": {
"class-name": "{{buildings}}",
"confidence": {{0.9}},
"hex-color": "{{#2acf59}}"
},
"2": {
"class-name": "{{road}}",
"confidence": {{0.9}},
"hex-color": "{{#f28333}}"
}
},
"type": "groundtruth/semantic-segmentation",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{label-city-streets}}",
},
"{{adjusted-city-streets}}-ref": "s3://{{amzn-s3-demo-bucket}}/{{example_city_image.png}}",
"{{adjusted-city-streets}}-ref-metadata": {
"internal-color-map": {
"0": {
"class-name": "BACKGROUND",
"confidence": {{0.9}},
"hex-color": "#ffffff"
},
"1": {
"class-name": "{{buildings}}",
"confidence": {{0.9}},
"hex-color": "{{#2acf59}}"
},
"2": {
"class-name": "{{road}}",
"confidence": {{0.9}},
"hex-color": "{{#f28333}}"
}
},
"type": "groundtruth/semantic-segmentation",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-11-20T22:18:13.527256}}",
"job-name": "{{adjust-label-city-streets}}",
}
}
```
## Output deteksi objek bingkai video
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan deteksi objek bingkai video. Contoh {{red, italicized text}} di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Metadata juga menyer `job-name` takan nama yang Anda tetapkan untuk pekerjaan pelabelan. Untuk tugas penyesuaian, Jika satu atau lebih kotak pembatas dimodifikasi, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke. `adjusted`
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example-path}}/{{input-manifest.json}}",
"{{CarObjectDetection}}-ref": "s3://{{amzn-s3-demo-bucket}}/output/{{labeling-job-name}}/annotations/consolidated-annotation/output/0/SeqLabel.json",
"{{CarObjectDetection}}-ref-metadata": {
"class-map": {
"{{0}}": "{{car}}",
"{{1}}": "{{bus}}"
},
"job-name": "labeling-job/{{labeling-job-name}}",
"human-annotated": "yes",
"creation-date": "{{2021-09-29T05:50:35.566000}}",
"type": "groundtruth/video-object-detection"
}
}
```
Ground Truth membuat satu file urutan keluaran untuk setiap urutan frame video yang diberi label. Setiap file urutan keluaran berisi yang berikut:
+ Semua anotasi untuk semua frame dalam urutan dalam `detection-annotations` daftar objek JSON.
+ Untuk setiap frame yang dianotasi oleh pekerja, nama file bingkai (), number (`frame`), daftar objek JSON yang berisi anotasi (`annotations`), dan jika berlaku,. `frame-no` `frame-attributes` Nama daftar ini ditentukan oleh jenis tugas yang Anda gunakan:`polylines`,, `polygons``keypoints`, dan untuk kotak pembatas,`annotations`.
Setiap objek JSON berisi informasi tentang anotasi tunggal dan label terkait. Tabel berikut menguraikan parameter yang akan Anda lihat untuk setiap jenis tugas bingkai video.
[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/sms-data-output.html)
Selain nilai spesifik jenis tugas, Anda akan melihat yang berikut di setiap objek JSON:
+ Nilai apa pun `label-category-attributes` yang ditentukan untuk label itu.
+ Bagian `class-id` dari kotak. Gunakan file manifes keluaran untuk melihat kategori label mana yang dipetakan ID ini. `class-map`
Berikut ini adalah contoh `SeqLabel.json` file dari pekerjaan pelabelan deteksi objek bingkai video kotak pembatas. File ini akan ditempatkan di bawah `s3://{{amzn-s3-demo-bucket}}/{{output-prefix}}/annotations/consolidated-annotation/output/{{annotation-number}}/`
```
{
"detection-annotations": [
{
"annotations": [
{
"height": {{41}},
"width": {{53}},
"top": {{152}},
"left": {{339}},
"class-id": "{{1}}",
"label-category-attributes": {
"{{occluded}}": "{{no}}",
"{{size}}": "{{medium}}"
}
},
{
"height": {{24}},
"width": {{37}},
"top": {{148}},
"left": {{183}},
"class-id": "{{0}}",
"label-category-attributes": {
"{{occluded}}": "{{no}}",
}
}
],
"frame-no": {{0}},
"frame": "frame_0000.jpeg",
"frame-attributes": {{{name}}: {{value}}, {{name}}: {{value}}}
},
{
"annotations": [
{
"height": {{41}},
"width": {{53}},
"top": {{152}},
"left": {{341}},
"class-id": "{{0}}",
"label-category-attributes": {}
},
{
"height": {{24}},
"width": {{37}},
"top": {{141}},
"left": {{177}},
"class-id": "{{0}}",
"label-category-attributes": {
"{{occluded}}": "{{no}}",
}
}
],
"frame-no": {{1}},
"frame": "{{frame_0001.jpeg}}",
"frame-attributes": {{{name}}: {{value}}, {{name}}: {{value}}}
}
]
}
```
## Output pelacakan objek bingkai video
Berikut ini adalah file manifes keluaran dari pekerjaan pelacakan objek bingkai video. Contoh {{red, italicized text}} di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan frame. Metadata juga menyer `job-name` takan nama yang Anda tetapkan untuk pekerjaan pelabelan. Untuk tugas penyesuaian, Jika satu atau lebih kotak pembatas dimodifikasi, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke. `adjusted`
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{example-path}}/{{input-manifest.json}}",
"{{CarObjectTracking}}-ref": "s3://{{amzn-s3-demo-bucket}}/output/{{labeling-job-name}}/annotations/consolidated-annotation/output/0/SeqLabel.json",
"{{CarObjectTracking}}-ref-metadata": {
"class-map": {
"{{0}}": "{{car}}",
"{{1}}": "{{bus}}"
},
"job-name": "labeling-job/{{labeling-job-name}}",
"human-annotated": "yes",
"creation-date": "{{2021-09-29T05:50:35.566000}}",
"type": "groundtruth/video-object-tracking"
}
}
```
Ground Truth membuat satu file urutan keluaran untuk setiap urutan frame video yang diberi label. Setiap file urutan keluaran berisi yang berikut:
+ Semua anotasi untuk semua frame dalam urutan dalam `tracking-annotations` daftar objek JSON.
+ Untuk setiap frame yang dianotasi oleh pekerja, frame (`frame`), number (), daftar objek JSON yang berisi anotasi (`annotations`), dan jika berlaku, atribut bingkai (). `frame-no` `frame-attributes` Nama daftar ini ditentukan oleh jenis tugas yang Anda gunakan:`polylines`,, `polygons``keypoints`, dan untuk kotak pembatas,`annotations`.
Setiap objek JSON berisi informasi tentang anotasi tunggal dan label terkait. Tabel berikut menguraikan parameter yang akan Anda lihat untuk setiap jenis tugas bingkai video.
[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/sms-data-output.html)
Selain nilai spesifik jenis tugas, Anda akan melihat yang berikut di setiap objek JSON:
+ Nilai apa pun `label-category-attributes` yang ditentukan untuk label itu.
+ Bagian `class-id` dari kotak. Gunakan file manifes keluaran untuk melihat kategori label mana yang dipetakan ID ini. `class-map`
+ Sebuah `object-id` yang mengidentifikasi contoh label. ID ini akan sama di seluruh frame jika pekerja mengidentifikasi instance objek yang sama dalam beberapa frame. Misalnya, jika sebuah mobil muncul dalam beberapa frame, semua kotak pembatas digunakan untuk mengidentifikasi mobil itu akan memiliki hal yang sama`object-id`.
+ Yang `object-name` merupakan ID instance dari anotasi itu.
Berikut ini adalah contoh `SeqLabel.json` file dari pekerjaan pelacakan objek bingkai video kotak pembatas. File ini akan ditempatkan di bawah `s3://{{amzn-s3-demo-bucket}}/{{output-prefix}}/annotations/consolidated-annotation/output/{{annotation-number}}/`
```
{
"tracking-annotations": [
{
"annotations": [
{
"height": {{36}},
"width": {{46}},
"top": {{178}},
"left": {{315}},
"class-id": "{{0}}",
"label-category-attributes": {
"{{occluded}}": "{{no}}"
},
"object-id": "{{480dc450-c0ca-11ea-961f-a9b1c5c97972}}",
"object-name": "{{car:1}}"
}
],
"frame-no": {{0}},
"frame": "{{frame_0001.jpeg}}",
"frame-attributes": {}
},
{
"annotations": [
{
"height": {{30}},
"width": {{47}},
"top": {{163}},
"left": {{344}},
"class-id": "{{1}}",
"label-category-attributes": {
"{{occluded}}": "{{no}}",
"{{size}}": "{{medium}}"
},
"object-id": "{{98f2b0b0-c0ca-11ea-961f-a9b1c5c97972}}",
"object-name": "{{bus:1}}"
},
{
"height": {{28}},
"width": {{33}},
"top": {{150}},
"left": {{192}},
"class-id": "{{0}}",
"label-category-attributes": {
"{{occluded}}": "{{partially}}"
},
"object-id": "{{480dc450-c0ca-11ea-961f-a9b1c5c97972}}",
"object-name": "{{car:1}}"
}
],
"frame-no": {{1}},
"frame": "{{frame_0002.jpeg}}",
"frame-attributes": {{{name}}: {{value}}, {{name}}: {{value}}}
}
]
}
```
## Output segmentasi semantik awan titik 3D
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan segmentasi semantik awan titik 3D.
Selain elemen standar, metadata untuk label mencakup peta warna yang menentukan warna mana yang digunakan untuk memberi label gambar, nama kelas yang terkait dengan warna, dan skor kepercayaan untuk setiap warna. Selain itu, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke `adjusted` jika topeng warna dimodifikasi. Jika Anda menambahkan satu atau lebih `frameAttributes` ke file konfigurasi kategori label, respons pekerja untuk atribut bingkai ada di objek JSON,`dataset-object-attributes`.
`{{your-label-attribute}}-ref`Parameter berisi lokasi file terkompresi dengan ekstensi.zlib. Ketika Anda membuka kompres file ini, itu berisi array. Setiap indeks dalam array sesuai dengan indeks titik beranotasi di awan titik input. Nilai array pada indeks tertentu memberikan kelas titik pada indeks yang sama di awan titik, berdasarkan peta warna semantik yang ditemukan dalam `color-map` parameter`metadata`.
Anda dapat menggunakan kode Python yang mirip dengan berikut ini untuk mendekompresi file.zlib:
```
import zlib
from array import array
# read the label file
compressed_binary_file = open({{zlib_file_path/file.zlib}}, 'rb').read()
# uncompress the label file
binary_content = zlib.decompress(compressed_binary_file)
# load labels to an array
my_int_array_data = array('B', binary_content);
print(my_int_array_data)
```
Blok kode di atas akan menghasilkan output yang mirip dengan berikut ini. Setiap elemen dari array yang dicetak berisi kelas titik pada indeks itu di awan titik. Misalnya, `my_int_array_data[0] = 1` berarti `point[0]` di awan titik input memiliki kelas`1`. Dalam contoh file manifes keluaran berikut, kelas `0` sesuai dengan`"Background"`, `1` dengan`Car`, dan `2` dengan`Pedestrian`.
```
>> array('B', [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
```
Berikut ini adalah contoh file manifes keluaran pekerjaan pelabelan awan titik segmentasi semantik 3D. Teks merah miring dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{examplefolder}}/{{frame1.bin}}",
"source-ref-metadata":{
"format": "{{binary/xyzi}}",
"unix-timestamp": {{1566861644.759115}},
"ego-vehicle-pose":{{{...}}},
"prefix": "s3://{{amzn-s3-demo-bucket}}/{{lidar_singleframe_dataset}}/{{prefix}}",
"images": [{{{...}}}]
},
"{{lidar-ss-label-attribute}}-ref": "s3://{{amzn-s3-demo-bucket}}/{{labeling-job-name}}/annotations/consolidated-annotation/output/{{dataset-object-id}}/{{filename.zlib}}",
"{{lidar-ss-label-attribute}}-ref-metadata": {
'color-map': {
"0": {
"class-name": "{{Background}}",
"hex-color": "{{#ffffff}}",
"confidence": {{0.00}}
},
"1": {
"class-name": "{{Car}}",
"hex-color": "{{#2ca02c}}",
"confidence": {{0.00}}
},
"2": {
"class-name": "{{Pedestrian}}",
"hex-color": "{{#1f77b4}}",
"confidence": {{0.00}}
},
"3": {
"class-name": "{{Tree}}",
"hex-color": "{{#ff7f0e}}",
"confidence": {{0.00}}
}
},
'type': 'groundtruth/point_cloud_single_frame_semantic_segmentation',
'human-annotated': 'yes',
'creation-date': '{{2019-11-12T01:18:14.271944}}',
'job-name': '{{labeling-job-name}}',
//only present for adjustment audit workflow
"adjustment-status": "{{adjusted}}", // "adjusted" means the label was adjusted
"dataset-object-attributes": {{{name}}: {{value}}, {{name}}: {{value}}}
}
}
```
## Output deteksi objek awan titik 3D
Berikut ini adalah contoh keluaran dari pekerjaan deteksi objek awan titik 3D. Untuk jenis tugas ini, data tentang kuboid 3D dikembalikan dalam `3d-bounding-box` parameter, dalam daftar bernama. `annotations` Dalam daftar ini, setiap kuboid 3D dijelaskan menggunakan informasi berikut.
+ Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes input Anda dikaitkan dengan a`class-id`. Gunakan `class-map` untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas.
+ Kelas ini digunakan untuk memberikan setiap kuboid 3D `object-name` dalam format di `:` mana `integer` adalah nomor unik untuk mengidentifikasi kuboid dalam bingkai.
+ `center-x`,`center-y`, dan `center-z` merupakan koordinat pusat kuboid, dalam sistem koordinat yang sama dengan data input awan titik 3D yang digunakan dalam pekerjaan pelabelan Anda.
+ `length`,`width`, dan `height` jelaskan dimensi kuboid.
+ `yaw`digunakan untuk menggambarkan orientasi (heading) kuboid dalam radian.
**catatan**
`yaw`sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17 UTC, Anda dapat mengonversi `yaw` pengukuran dalam data output sebelum itu menggunakan yang berikut (semua unit dalam radian):
```
old_yaw_in_output = pi - yaw
```
+ Dalam definisi kami, \+x berada di sebelah kanan, \+y ke depan, dan \+z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Yang`roll`, `pitch` dan `yaw` diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D, `roll` berada di sepanjang sumbu x, `pitch` berada di sepanjang sumbu y dan `yaw` sepanjang sumbu z. Ketiganya berlawanan arah jarum jam.
+ Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu, `label-category-attributes` parameter disertakan untuk semua kuboid tempat pekerja memilih atribut label.
Jika satu atau lebih kuboid dimodifikasi, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke. `adjusted` Jika Anda menambahkan satu atau lebih `frameAttributes` ke file konfigurasi kategori label, respons pekerja untuk atribut bingkai ada di objek JSON,`dataset-object-attributes`.
Contoh {{red, italicized text}} di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. Ellipses ({{...}}) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berlangsung dapat muncul.
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{examplefolder/frame1.txt}}",
"source-ref-metadata":{
"format": "{{text/xyzi}}",
"unix-timestamp": {{1566861644.759115}},
"prefix": "s3://{{amzn-s3-demo-bucket}}/{{lidar_singleframe_dataset}}/{{prefix}}",
"ego-vehicle-pose": {
"heading": {
"qx": {{-0.02111296123795955}},
"qy": {{-0.006495469416730261}},
"qz": {{-0.008024565904865688}},
"qw": {{0.9997181192298087}}
},
"position": {
"x": {{-2.7161461413869947}},
"y": {{116.25822288149078}},
"z": {{1.8348751887989483}}
}
},
"images": [
{
"fx": {{847.7962624528487}},
"fy": {{850.0340893791985}},
"cx": {{576.2129134707038}},
"cy": {{317.2423573573745}},
"k1": {{0}},
"k2": {{0}},
"k3": {{0}},
"k4": {{0}},
"p1": {{0}},
"p2": {{0}},
"skew": {{0}},
"unix-timestamp": {{1566861644.759115}},
"image-path": "{{images/frame_0_camera_0.jpg}}",
"position": {
"x": {{-2.2722515189268138}},
"y": {{116.86003310568965}},
"z": {{1.454614668542299}}
},
"heading": {
"qx": {{0.7594754093069037}},
"qy": {{0.02181790885672969}},
"qz": {{-0.02461725233103356}},
"qw": {{-0.6496916273040025}}
},
"camera_model": "{{pinhole}}"
}
]
},
"{{3d-bounding-box}}":
{
"annotations": [
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{-2.616382013657516}},
"center-y": {{125.04149850484193}},
"center-z": {{0.311272296465834}},
"length": {{2.993000265181146}},
"width": {{1.8355260519692056}},
"height": {{1.3233490884304047}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.6479308313703527}}
},
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:2}}",
"class-id": {{0}},
"center-x": {{-5.188984560617168}},
"center-y": {{99.7954483288783}},
"center-z": {{0.2226435567445657}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.6243170732068055}}
}
]
},
"{{3d-bounding-box}}-metadata":
{
"objects": [],
"class_map":
{
"{{0}}": "{{Car}}",
},
"type": "groundtruth/point_cloud_object_detection",
"human-annotated": "{{yes}}",
"creation-date": "{{2018-10-18T22:18:13.527256}}",
"job-name": "{{identify-3d-objects}}",
"adjustment-status": "{{adjusted}}",
"dataset-object-attributes": {{{name}}: {{value}}, {{name}}: {{value}}}
}
}
```
## Output pelacakan objek awan titik 3D
Berikut ini adalah contoh file manifes keluaran dari pekerjaan pelacakan objek awan titik 3D. Contoh {{red, italicized text}} di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. Ellipses ({{...}}) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berlangsung dapat muncul.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Jika satu atau lebih kuboid dimodifikasi, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke. `adjusted`
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{myfolder/seq1.json}}",
"{{lidar-label-attribute}}-ref": "s3://{{amzn-s3-demo-bucket}}//annotations/consolidated-annotation/output//SeqLabel.json",
"{{lidar-label-attribute}}-ref-metadata": {
"objects":
[
{
"frame-no": {{300}},
"confidence": []
},
{
"frame-no": {{301}},
"confidence": []
},
{{...}}
],
'class-map': {'{{0}}': '{{Car}}', '{{1}}': '{{Person}}'},
'type': 'groundtruth/point_cloud_object_tracking',
'human-annotated': '{{yes'}},
'creation-date': '{{2019-11-12T01:18:14.271944}}',
'job-name': '{{identify-3d-objects}}',
"adjustment-status": "{{adjusted}}"
}
}
```
Dalam contoh di atas, data kuboid untuk setiap frame `seq1.json` berada `SeqLabel.json` di lokasi Amazon S3,. `s3://{{amzn-s3-demo-bucket}}/{{}}/annotations/consolidated-annotation/output/{{}}/SeqLabel.json` Berikut ini adalah contoh file urutan label ini.
Untuk setiap bingkai dalam urutan, Anda melihat`frame-number`,`frame-name`, jika berlaku`frame-attributes`,, dan daftar`annotations`. Daftar ini berisi kubioda 3D yang digambar untuk bingkai itu. Setiap anotasi mencakup informasi berikut:
+ An `object-name` dalam format `:` di mana `class` mengidentifikasi kategori label dan `integer` merupakan ID unik di seluruh dataset.
+ Ketika pekerja menggambar kuboid, itu dikaitkan dengan unik `object-id` yang dikaitkan dengan semua kuboid yang mengidentifikasi objek yang sama di beberapa bingkai.
+ Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes input Anda dikaitkan dengan a`class-id`. Gunakan `class-map` untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas.
+ `center-x`,`center-y`, dan `center-z` merupakan koordinat pusat kuboid, dalam sistem koordinat yang sama dengan data input awan titik 3D yang digunakan dalam pekerjaan pelabelan Anda.
+ `length`,`width`, dan `height` jelaskan dimensi kuboid.
+ `yaw`digunakan untuk menggambarkan orientasi (heading) kuboid dalam radian.
**catatan**
`yaw`sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17 UTC, Anda dapat mengonversi `yaw` pengukuran dalam data output sebelum itu menggunakan yang berikut (semua unit dalam radian):
```
old_yaw_in_output = pi - yaw
```
+ Dalam definisi kami, \+x berada di sebelah kanan, \+y ke depan, dan \+z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Yang`roll`, `pitch` dan `yaw` diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D, `roll` berada di sepanjang sumbu x, `pitch` berada di sepanjang sumbu y dan `yaw` sepanjang sumbu z. Ketiganya berlawanan arah jarum jam.
+ Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu, `label-category-attributes` parameter disertakan untuk semua kuboid tempat pekerja memilih atribut label.
```
{
"tracking-annotations": [
{
"frame-number": {{0}},
"frame-name": "{{0.txt.pcd}}",
"frame-attributes": {{{name}}: {{value}}, {{name}}: {{value}}},
"annotations": [
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"center-x": {{-2.2906369208300674}},
"center-y": {{103.73924823843463}},
"center-z": {{0.37634114027023313}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.5827222214406014}},
"object-id": "{{ae5dc770-a782-11ea-b57d-67c51a0561a1}}"
},
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{-2.6451293634707413}},
"center-y": {{124.9534455706848}},
"center-z": {{0.5020834081743839}},
"length": {{4}},
"width": {{2}},
"height": {{2.080488827301309}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{-1.5963335581398077}},
"object-id": "{{06efb020-a782-11ea-b57d-67c51a0561a1}}"
},
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:2}}",
"class-id": {{0}},
"center-x": {{-5.205611313118477}},
"center-y": {{99.91731932137061}},
"center-z": {{0.22917217081212138}},
"length": {{3.8747142207671956}},
"width": {{1.9999999999999918}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.5672228760316775}},
"object-id": "{{26fad020-a782-11ea-b57d-67c51a0561a1}}"
}
]
},
{
"frame-number": {{1}},
"frame-name": "{{1.txt.pcd}}",
"frame-attributes": {},
"annotations": [
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"center-x": {{-2.2906369208300674}},
"center-y": {{103.73924823843463}},
"center-z": {{0.37634114027023313}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.5827222214406014}},
"object-id": "{{ae5dc770-a782-11ea-b57d-67c51a0561a1}}"
},
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{-2.6451293634707413}},
"center-y": {{124.9534455706848}},
"center-z": {{0.5020834081743839}},
"length": {{4}},
"width": {{2}},
"height": {{2.080488827301309}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{-1.5963335581398077}},
"object-id": "{{06efb020-a782-11ea-b57d-67c51a0561a1}}"
},
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}",
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:2}}",
"class-id": {{0}},
"center-x": {{-5.221311072916759}},
"center-y": {{100.4639841045424}},
"center-z": {{0.22917217081212138}},
"length": {{3.8747142207671956}},
"width": {{1.9999999999999918}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{1.5672228760316775}},
"object-id": "{{26fad020-a782-11ea-b57d-67c51a0561a1}}"
}
]
}
]
}
```
## Output pelacakan D-2D objek awan titik pelacakan 3 objek
Berikut ini adalah contoh file manifes keluaran dari pekerjaan pelacakan objek awan titik 3D. Contoh {{red, italicized text}} di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. Ellipses ({{...}}) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berlangsung dapat muncul.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Jika satu atau lebih kuboid dimodifikasi, ada `adjustment-status` parameter dalam metadata untuk alur kerja audit yang disetel ke. `adjusted`
```
{
"source-ref": "s3://{{amzn-s3-demo-bucket}}/{{artifacts/gt-point-cloud-demos/sequences/seq2.json}}",
"source-ref-metadata": {
"json-paths": [
"number-of-frames",
"prefix",
"frames{frame-no, frame}"
]
},
"{{3D2D-linking}}-ref": "s3://{{amzn-s3-demo-bucket}}/{{xyz/3D2D-linking/annotations/consolidated-annotation/output/0/SeqLabel.json}}",
"{{3D2D-linking}}-ref-metadata": {
"objects": [
{
"frame-no": {{0}},
"confidence": []
},
{
"frame-no": {{1}},
"confidence": []
},
{
"frame-no": {{2}},
"confidence": []
},
{
"frame-no": {{3}},
"confidence": []
},
{
"frame-no": {{4}},
"confidence": []
},
{
"frame-no": {{5}},
"confidence": []
},
{
"frame-no": {{6}},
"confidence": []
},
{
"frame-no": {{7}},
"confidence": []
},
{
"frame-no": {{8}},
"confidence": []
},
{
"frame-no": {{9}},
"confidence": []
}
],
"class-map": {
"{{0}}": "{{Car}}"
},
"type": "groundtruth/point_cloud_object_tracking",
"human-annotated": "{{yes}}",
"creation-date": "{{2023-01-19T02:55:10.206508}}",
"job-name": "{{mcm-linking}}"
},
"{{3D2D-linking}}-chain-ref": "s3://{{amzn-s3-demo-bucket}}/{{xyz/3D2D-linking-chain/annotations/consolidated-annotation/output/0/SeqLabel.json}}",
"{{3D2D-linking}}-chain-ref-metadata": {
"objects": [
{
"frame-no": {{0}},
"confidence": []
},
{
"frame-no": {{1}},
"confidence": []
},
{
"frame-no": {{2}},
"confidence": []
},
{
"frame-no": {{3}},
"confidence": []
},
{
"frame-no": {{4}},
"confidence": []
},
{
"frame-no": {{5}},
"confidence": []
},
{
"frame-no": {{6}},
"confidence": []
},
{
"frame-no": {{7}},
"confidence": []
},
{
"frame-no": {{8}},
"confidence": []
},
{
"frame-no": {{9}},
"confidence": []
}
],
"class-map": {
"{{0}}": "{{Car}}"
},
"type": "groundtruth/point_cloud_object_tracking",
"human-annotated": "{{yes}}",
"creation-date": "{{2023-01-19T03:29:49.149935}}",
"job-name": "{{3d2d-linking-chain}}"
}
}
```
Dalam contoh di atas, data kuboid untuk setiap frame `seq2.json` berada `SeqLabel.json` di lokasi Amazon S3,. `s3://{{amzn-s3-demo-bucket}}/{{}}/annotations/consolidated-annotation/output/{{}}/SeqLabel.json` Berikut ini adalah contoh file urutan label ini.
Untuk setiap bingkai dalam urutan, Anda melihat`frame-number`,`frame-name`, jika berlaku`frame-attributes`,, dan daftar`annotations`. Daftar ini berisi kubioda 3D yang digambar untuk bingkai itu. Setiap anotasi mencakup informasi berikut:
+ An `object-name` dalam format `:` di mana `class` mengidentifikasi kategori label dan `integer` merupakan ID unik di seluruh dataset.
+ Ketika pekerja menggambar kuboid, itu dikaitkan dengan unik `object-id` yang dikaitkan dengan semua kuboid yang mengidentifikasi objek yang sama di beberapa bingkai.
+ Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes input Anda dikaitkan dengan a`class-id`. Gunakan `class-map` untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas.
+ `center-x`,`center-y`, dan `center-z` merupakan koordinat pusat kuboid, dalam sistem koordinat yang sama dengan data input awan titik 3D yang digunakan dalam pekerjaan pelabelan Anda.
+ `length`,`width`, dan `height` jelaskan dimensi kuboid.
+ `yaw`digunakan untuk menggambarkan orientasi (heading) kuboid dalam radian.
**catatan**
`yaw`sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17 UTC, Anda dapat mengonversi `yaw` pengukuran dalam data output sebelum itu menggunakan yang berikut (semua unit dalam radian):
```
old_yaw_in_output = pi - yaw
```
+ Dalam definisi kami, \+x berada di sebelah kanan, \+y ke depan, dan \+z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Yang`roll`, `pitch` dan `yaw` diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D, `roll` berada di sepanjang sumbu x, `pitch` berada di sepanjang sumbu y dan `yaw` sepanjang sumbu z. Ketiganya berlawanan arah jarum jam.
+ Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu, `label-category-attributes` parameter disertakan untuk semua kuboid tempat pekerja memilih atribut label.
```
{
"lidar": {
"tracking-annotations": [
{
"frame-number": {{0}},
"frame-name": "{{0.txt.pcd}}",
"annotations": [
{
"label-category-attributes": {
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{12.172361721602815}},
"center-y": {{120.23067521992364}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{505b39e0-97a4-11ed-8903-dd5b8b903715}}"
},
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"center-x": {{17.192725195301094}},
"center-y": {{114.55705365827872}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{1afcb670-97a9-11ed-9a84-ff627d099e16}}"
}
],
"frame-attributes": {}
},
{
"frame-number": {{1}},
"frame-name": "{{1.txt.pcd}}",
"annotations": [
{
"label-category-attributes": {
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{-1.6841480600695489}},
"center-y": {{126.20198882749516}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{505b39e0-97a4-11ed-8903-dd5b8b903715}}"
},
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"center-x": {{17.192725195301094}},
"center-y": {{114.55705365827872}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{1afcb670-97a9-11ed-9a84-ff627d099e16}}"
}
],
"frame-attributes": {}
},
{
"frame-number": {{2}},
"frame-name": "{{2.txt.pcd}}",
"annotations": [
{
"label-category-attributes": {
"{{Type}}": "{{Sedan}}"
},
"object-name": "{{Car:1}}",
"class-id": {{0}},
"center-x": {{-1.6841480600695489}},
"center-y": {{126.20198882749516}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{505b39e0-97a4-11ed-8903-dd5b8b903715}}"
},
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"center-x": {{17.192725195301094}},
"center-y": {{114.55705365827872}},
"center-z": {{1.590525771183712}},
"length": {{4}},
"width": {{2}},
"height": {{2}},
"roll": {{0}},
"pitch": {{0}},
"yaw": {{0}},
"object-id": "{{1afcb670-97a9-11ed-9a84-ff627d099e16}}"
}
],
"frame-attributes": {}
}
]
},
"camera-0": {
"tracking-annotations": [
{
"frame-no": {{0}},
"frame": "{{0.txt.pcd}}",
"annotations": [
{
"label-category-attributes": {
"{{Occlusion}}": "{{Partial}}"
},
"object-name": "{{Car:2}}",
"class-id": {{0}},
"width": {{223}},
"height": {{164}},
"top": {{225}},
"left": {{486}},
"object-id": "{{5229df60-97a4-11ed-8903-dd5b8b903715}}"
}
],
"frame-attributes": {}
},
{
"frame-no": {{1}},
"frame": "{{1.txt.pcd}}",
"annotations": [
{
"label-category-attributes": {},
"object-name": "{{Car:4}}",
"class-id": {{0}},
"width": {{252}},
"height": {{246}},
"top": {{237}},
"left": {{473}},
"object-id": "{{1afcb670-97a9-11ed-9a84-ff627d099e16}}"
}
],
"frame-attributes": {}
}
]
}
}
```
Cuboid dan kotak pembatas untuk objek dihubungkan melalui id objek umum.