Videos klassifizieren - Amazon SageMaker

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.

Videos klassifizieren

Verwenden Sie eine Amazon SageMaker Ground Truth Truth-Aufgabe zur Videoklassifizierung, wenn Mitarbeiter Videos anhand von vordefinierten Labels klassifizieren müssen, die Sie angeben. Auftragnehmern werden Bilder gezeigt und sie werden aufgefordert, für jedes Bild eine Beschriftung auszuwählen. Sie erstellen einen Auftrag zur Videoklassifizierung mithilfe des Ground Truth Truth-Bereichs der SageMaker Amazon-Konsole oder des CreateLabelingJobVorgangs.

Ihre Videodateien müssen in einem Format codiert sein, das von dem Browser unterstützt wird, der von dem Arbeitsteam verwendet wird, das Ihre Daten beschriftet. Es wird empfohlen, dass Sie mithilfe der Worker-UI-Vorschau überprüfen, ob alle Videodateiformate in Ihrer Eingabemanifestdatei korrekt angezeigt werden. Mithilfe von Anweisungen für Auftragnehmer können Sie Ihren Auftragnehmer die unterstützten Browser mitteilen. Informationen zu den unterstützten Dateiformaten finden Sie unter Unterstützte Datumsformate.

Wichtig

Wenn Sie für diesen Aufgabentyp eine eigene Manifestdatei erstellen, verwenden Sie "source-ref", um den Speicherort jeder Videodatei in Amazon S3 anzugeben, die Sie beschriften möchten. Weitere Informationen finden Sie unter Eingabedaten.

Erstellen eines Beschriftungsauftrages für die Videoklassifizierung (Konsole)

Sie können den Anweisungen unter folgenErstellen eines Kennzeichnungsauftrags (Konsole), um zu erfahren, wie Sie einen Job zur Videoklassifizierung in der SageMaker Konsole erstellen. Wählen Sie in Schritt 10 aus der Dropdown-Liste Aufgabenkategorie die Option Video und wählen Sie als Aufgabentyp Videoklassifizierung aus.

Ground Truth stellt für die Labeling-Aufgaben eine Worker-Benutzeroberfläche ähnlich der folgenden bereit. Wenn Sie einen Beschriftungsauftrag in der Konsole erstellen, müssen Sie Anweisungen bereitstellen, damit die Auftragnehmer den Auftrag ausführen können, und Beschriftungen, aus denen die Worker auswählen können.

Ein GIF, das zeigt, wie ein Job zur Videoklassifizierung in der SageMaker Konsole erstellt wird.

Einen Job zur Kennzeichnung von Videoklassifizierungen erstellen (API)

In diesem Abschnitt werden Einzelheiten beschrieben, die Sie benötigen, wenn Sie mithilfe dieser SageMaker API Operation einen Label-Job erstellenCreateLabelingJob. Dadurch API wird dieser Vorgang für alle definiert AWS SDKs. Eine Liste der sprachspezifischen Sprachen, die für diesen Vorgang SDKs unterstützt werden, finden Sie im Abschnitt Siehe auch von. CreateLabelingJob

Befolgen Sie diese Anweisungen unter Erstellen eines Kennzeichnungsauftrags (API) und führen Sie die folgenden Schritte aus, während Sie Ihre Anforderung konfigurieren:

  • Verwenden Sie eine vorannotierte Lambda-Funktion, die mit PRE-VideoClassification endet. Informationen zum Lambda-Pre-Annotation ARN für Ihre Region finden Sie unter. PreHumanTaskLambdaArn

  • Verwenden Sie eine annotationskonsolidierende Lambda-Funktion, die mit endet ACS-VideoClassification. Informationen zum Lambda zur Annotationskonsolidierung ARN für Ihre Region finden Sie unter. AnnotationConsolidationLambdaArn

Im Folgenden finden Sie ein Beispiel für eine AWS Python-Anfrage SDK (Boto3) zur Erstellung eines Labeling-Jobs in der Region USA Ost (Nord-Virginia).

response = client.create_labeling_job( LabelingJobName='example-video-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-VideoClassification', 'TaskKeywords': [ 'Video Classification', ], 'TaskTitle': 'Video classification task', 'TaskDescription': 'Select a label to classify this video', 'NumberOfHumanWorkersPerDataObject': 123, 'TaskTimeLimitInSeconds': 123, 'TaskAvailabilityLifetimeInSeconds': 123, 'MaxConcurrentTaskCount': 123, 'AnnotationConsolidationConfig': { 'AnnotationConsolidationLambdaArn': 'arn:aws:lambda:us-east-1:432418664414:function:ACS-VideoClassification' }, Tags=[ { 'Key': 'string', 'Value': 'string' }, ] )

Stellen Sie eine Vorlage für die Videoklassifizierung bereit

Wenn Sie einen Label-Job mit dem erstellenAPI, müssen Sie unter eine Worker-Aufgabenvorlage angeben. UiTemplateS3Uri Kopieren und ändern Sie die folgende Vorlage, indem Sie short-instructions, full-instructions und header ändern. Laden Sie diese Vorlage auf Amazon S3 hoch und stellen Sie Amazon S3 URI für diese Datei in bereitUiTemplateS3Uri.

<script src="https://assets.crowd.aws/crowd-html-elements.js"></script> <crowd-form> <crowd-classifier name="crowd-classifier" categories="{{ task.input.labels | to_json | escape }}" header="Please classify video" > <classification-target> <video width="100%" controls/> <source src="{{ task.input.taskObject | grant_read_access }}" type="video/mp4"/> <source src="{{ task.input.taskObject | grant_read_access }}" type="video/webm"/> <source src="{{ task.input.taskObject | grant_read_access }}" type="video/ogg"/> Your browser does not support the video tag. </video> </classification-target> <full-instructions header="Video classification instructions"> <ol><li><strong>Read</strong> the task carefully and inspect the video.</li> <li><strong>Read</strong> the options and review the examples provided to understand more about the labels.</li> <li><strong>Choose</strong> the appropriate label that best suits the video.</li></ol> </full-instructions> <short-instructions> <h3><span style="color: rgb(0, 138, 0);">Good example</span></h3> <p>Enter description to explain the correct label to the workers</p> <p><img src="https://d7evko5405gb7.cloudfront.net/fe4fed9b-660c-4477-9294-2c66a15d6bbe/src/images/quick-instructions-example-placeholder.png" style="max-width:100%"></p> <h3><span style="color: rgb(230, 0, 0);">Bad example</span></h3> <p>Enter description of an incorrect label</p> <p><img src="https://d7evko5405gb7.cloudfront.net/fe4fed9b-660c-4477-9294-2c66a15d6bbe/src/images/quick-instructions-example-placeholder.png" style="max-width:100%"></p> </short-instructions> </crowd-classifier> </crowd-form>

Videoklassifizierungs-Ausgabedaten

Nachdem Sie einen Job zur Kennzeichnung von Videoklassifizierungen erstellt haben, befinden sich Ihre Ausgabedaten in dem Amazon S3 S3-Bucket, der im S3OutputPath Parameter angegeben ist, wenn Sie das API oder im Feld Speicherort des Ausgabedatensatzes im Bereich Auftragsübersicht der Konsole verwenden.

Um mehr über die von Ground Truth erzeugte Ausgabemanifestdatei und die Dateistruktur zu erfahren, die Ground Truth zum Speichern der Ausgabedaten verwendet, siehe Ausgabedaten des Jobs beschriften.

Ein Beispiel für Ausgabemanifestdateien für einen Beschriftungsauftrag für die Multi-Beschriftung-Videoklassifizierung finden Sie unter Ausgabe von Klassifizierungsaufträgen.