Anotación de archivos PDF

1. Si usa Windows, instale Cygwin; si usa Linux o Mac, omita este paso.

2. Descarga los artefactos de anotación de. GitHub Descomprima el archivo.

3. Desde la ventana del terminal, navegue hasta la carpeta descomprimida (-)amazon-comprehend-semi-structured. documents-annotation-tools-main

4. Esta carpeta incluye una selección de las Makefiles que puede ejecutar para instalar dependencias, configurar un entorno virtual de Python e implementar los recursos necesarios. Revise el archivo readme para hacer su elección.

5. La opción recomendada utiliza un solo comando para instalar todas las dependencias en un entorno virtual, crea la pila a partir de la plantilla y despliega la AWS CloudFormation pila en la suya con una guía interactiva. Cuenta de AWS Ejecute el siguiente comando:

   make ready-and-deploy-guided

   Este comando presenta un conjunto de opciones de configuración. Asegúrese de que la suya es correcta. Región de AWS Para todos los demás campos, puede aceptar los valores predeterminados o rellenar los valores personalizados. Si modificas el nombre de la AWS CloudFormation pila, anótalo según lo necesites en los siguientes pasos.

   

   La CloudFormation pila crea y administra las AWS lambdas, las funciones de AWS IAM y los cubos de AWS S3 necesarios para la herramienta de anotación.

   Puedes revisar cada uno de estos recursos en la página de detalles de la pila de la consola. CloudFormation

6. El comando le pide que inicie la implementación. CloudFormation crea todos los recursos de la región especificada.

   

   Cuando el estado de la CloudFormation pila pasa a ser de creación completa, los recursos están listos para usarse.

1. En el bucket de S3, cree una carpeta nueva. Asigne el nombre “src” a esta nueva carpeta.

2. Añada sus archivos PDF fuente a su carpeta “src”. En un paso posterior, anotará estos archivos para entrenar su reconocedor.

3. (Opcional) Este es un ejemplo de AWS CLI que puede usar para cargar sus documentos fuente desde un directorio local a un bucket de S3:

   aws s3 cp --recursive local-path-to-your-source-docs s3://deploy-guided/src/

   O bien, con su región e ID de cuenta:

   aws s3 cp --recursive local-path-to-your-source-docs s3://deploy-guided-Region-AccountID/src/

4. Ahora tienes una plantilla privada de SageMaker Ground Truth y has subido tus archivos fuente al bucket de S3, deploy-guided/src/; estás listo para empezar a anotar.

• Ejecute el siguiente script con los parámetros de entrada tal y como se describe en la lista anterior.

  python bin/comprehend-ssie-annotation-tool-cli.py \
  --input-s3-path s3://deploy-guided-Region-AccountID/src/ \
  --cfn-name sam-app \
  --work-team-name my-work-team-name \
  --region us-east-1 \
  --job-name-prefix my-job-name-20210902T232116 \
  --entity-types "EntityA, EntityB, EntityC" \
  --annotator-metadata "key=info,value=sample,key=Due Date,value=12/12/2021"

  El script produce la siguiente salida:

  Downloaded files to temp local directory /tmp/a1dc0c47-0f8c-42eb-9033-74a988ccc5aa
  Deleted downloaded temp files from /tmp/a1dc0c47-0f8c-42eb-9033-74a988ccc5aa
  Uploaded input manifest file to s3://comprehend-semi-structured-documents-us-west-2-123456789012/input-manifest/my-job-name-20220203-labeling-job-20220203T183118.manifest
  Uploaded schema file to s3://comprehend-semi-structured-documents-us-west-2-123456789012/comprehend-semi-structured-docs-ui-template/my-job-name-20220203-labeling-job-20220203T183118/ui-template/schema.json
  Uploaded template UI to s3://comprehend-semi-structured-documents-us-west-2-123456789012/comprehend-semi-structured-docs-ui-template/my-job-name-20220203-labeling-job-20220203T183118/ui-template/template-2021-04-15.liquid
  Sagemaker GroundTruth Labeling Job submitted: arn:aws:sagemaker:us-west-2:123456789012:labeling-job/my-job-name-20220203-labeling-job-20220203t183118
  (amazon-comprehend-semi-structured-documents-annotation-tools-main) user@3c063014d632 amazon-comprehend-semi-structured-documents-annotation-tools-main %
  

Ahora que ha configurado los recursos necesarios y ha creado un trabajo de etiquetado, puede iniciar sesión en el portal de etiquetado y hacer anotaciones en sus archivos PDF.

1. Inicie sesión en la SageMaker consola con los navegadores web Chrome o Firefox.

2. Seleccione Etiquetado de personal y elija Privado.

3. En Resumen de personal privado, selecciona la URL de inicio de sesión del portal de etiquetado que creó con su personal privado. Inicie sesión con las credenciales correspondientes.

   Si no ve ningún trabajo en la lista, no se preocupe, la actualización puede tardar un tiempo en función de la cantidad de archivos que haya subido para su anotación.

4. Seleccione el trabajo y, en la esquina superior derecha, seleccione Comenzar a trabajar para abrir la pantalla de anotaciones.

   Verá uno de sus documentos abierto en la pantalla de anotaciones y, encima, los tipos de entidades que proporcionó durante la configuración. A la derecha de los tipos de entidad, hay una flecha que puede usar para navegar por los documentos.

   

   Anote el documento abierto. También puede eliminar, deshacer o etiquetar automáticamente las anotaciones en cada documento; estas opciones están disponibles en el panel derecho de la herramienta de anotación.

   

   Para usar el etiquetado automático, anote una instancia de una de sus entidades; todas las demás instancias de esa palabra específica se anotarán automáticamente con ese tipo de entidad.

   Cuando haya terminado, seleccione Enviar en la parte inferior derecha y, a continuación, utilice las flechas de navegación para pasar al siguiente documento. Repite esto hasta que haya anotado todos los archivos PDF.