Solución de problemas en el entrenamiento de modelos - Amazon Lookout for Vision
Los colores de las etiquetas de anomalías no coinciden con el color de las anomalías en la imagen de la máscaraLas imágenes de la máscara no tienen PNG formatoLas etiquetas de segmentación o clasificación son inexactas o faltan

Aviso de fin de soporte: el 31 de octubre de 2025, AWS dejaremos de ofrecer soporte a Amazon Lookout for Vision. Después del 31 de octubre de 2025, ya no podrás acceder a la consola Lookout for Vision ni a los recursos de Lookout for Vision. Para obtener más información, visita esta entrada de blog.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Solución de problemas en el entrenamiento de modelos

Los problemas con el archivo de manifiesto o las imágenes de entrenamiento pueden provocar un error en el entrenamiento del modelo. Antes de volver a entrenar su modelo, compruebe los siguientes posibles problemas.

Los colores de las etiquetas de anomalías no coinciden con el color de las anomalías en la imagen de la máscara

Si estás entrenando un modelo de segmentación de imágenes, el color de la etiqueta de anomalía del archivo de manifiesto debe coincidir con el color de la imagen de la máscara. La JSON línea de una imagen del archivo de manifiesto contiene metadatos (internal-color-map) que indican a Amazon Lookout for Vision qué color corresponde a una etiqueta de anomalía. Por ejemplo, el color de la etiqueta de scratch anomalía de la línea siguiente JSON es. #2ca02c


{
    "source-ref": "s3://path-to-image",
    "anomaly-label": 1,
    "anomaly-label-metadata": {
        "class-name": "anomaly",
        "creation-date": "2021-10-12T14:16:45.668",
        "human-annotated": "yes",
        "job-name": "labeling-job/classification-job",
        "type": "groundtruth/image-classification",
        "confidence": 1
    },
    "anomaly-mask-ref": "s3://path-to-image",
    "anomaly-mask-ref-metadata": {
        "internal-color-map": {
            "0": {
                "class-name": "BACKGROUND",
                "hex-color": "#ffffff",
                "confidence": 0.0
            },
            "1": {
                "class-name": "scratch",
                "hex-color": "#2ca02c",
                "confidence": 0.0
            },
            "2": {
                "class-name": "dent",
                "hex-color": "#1f77b4",
                "confidence": 0.0
            }
        },
        "type": "groundtruth/semantic-segmentation",
        "human-annotated": "yes",
        "creation-date": "2021-11-23T20:31:57.758889",
        "job-name": "labeling-job/segmentation-job"
    }
}

Si los colores de la imagen de la máscara no coinciden con los valores indicadoshex-color, el entrenamiento no se realizará correctamente y tendrás que actualizar el archivo de manifiesto.

Para actualizar los valores de color de un archivo de manifiesto

  1. Con un editor de texto, abra el archivo de manifiesto que utilizó para crear el conjunto de datos.

  2. Para cada JSON línea (imagen), compruebe que los colores (hex-color) del internal-color-map campo coincidan con los colores de las etiquetas de anomalías de la imagen de la máscara.

    Puede obtener la ubicación de la imagen de la máscara a partir del anomaly-mask-ref campo. Descargue la imagen a su equipo y use el siguiente código para obtener los colores de una imagen. 

    
from PIL import Image
img = Image.open('path to local copy of mask file')
colors = img.convert('RGB').getcolors() #this converts the mode to RGB
for color in colors:    
    print('#%02x%02x%02x' % color[1])

  3. Para cada imagen con una asignación de colores incorrecta, actualiza el hex-color campo de la JSON línea de la imagen.

  4. Guarde el archivo de manifiesto actualizado.

  5. Elimine el conjunto de datos existente del proyecto.

  6. Crea un nuevo conjunto de datos en el proyecto con el archivo de manifiesto actualizado.

  7. Entrenamiento del modelo.

Como alternativa, para los pasos 5 y 6, puede actualizar las imágenes individuales del conjunto de datos llamando a la UpdateDatasetEntriesoperación y proporcionando JSON líneas actualizadas para las imágenes que desee actualizar. Para ver el código de ejemplo, consulte Añadir más imágenes (SDK).

Las imágenes de la máscara no tienen PNG formato

Si está entrenando un modelo de segmentación de imágenes, las imágenes de la máscara deben estar en PNG formato. Si crea un conjunto de datos a partir de un archivo de manifiesto, asegúrese de que las imágenes de máscara a las que hace referencia anomaly-mask-ref estén en PNG formato. Si las imágenes de la máscara no están en PNG formato, tendrás que convertirlas a ese PNG formato. No basta con cambiar el nombre de la extensión de un archivo de imagen a .png.

Las imágenes de máscara que cree en la consola Amazon Lookout for Vision o con SageMaker un trabajo de Ground Truth se crean PNG en formato. No necesita cambiar el formato de estas imágenes.

Para corregir las imágenes de máscara que no PNG están formateadas en un archivo de manifiesto

  1. Con un editor de texto, abra el archivo de manifiesto que utilizó para crear el conjunto de datos.

  2. Para cada JSON línea (imagen), asegúrese de que la imagen anomaly-mask-ref hace referencia a una imagen de PNG formato. Para obtener más información, consulte Creación de un archivo de manifiesto.

  3. Guarde el archivo de manifiesto actualizado.

  4. Elimine el conjunto de datos existente del proyecto.

  5. Crea un nuevo conjunto de datos en el proyecto con el archivo de manifiesto actualizado.

  6. Entrenamiento del modelo.

Las etiquetas de segmentación o clasificación son inexactas o faltan

La falta de etiquetas o la imprecisión de las etiquetas pueden provocar un error en el entrenamiento o crear un modelo con un rendimiento deficiente. Le recomendamos que etiquete todas las imágenes del conjunto de datos. Si no etiqueta todas las imágenes y el entrenamiento del modelo falla o su modelo tiene un rendimiento deficiente, agregue más imágenes.

Compruebe lo siguiente:

  • Si va a crear un modelo de segmentación, las máscaras deben cubrir bien las anomalías de las imágenes del conjunto de datos. Para comprobar las máscaras de su conjunto de datos, consulte las imágenes en la galería de conjuntos de datos del proyecto. Si es necesario, vuelva a dibujar las máscaras de imagen. Para obtener más información, consulte Segmentación de imágenes (consola).

  • Asegúrese de que las imágenes anómalas de las imágenes del conjunto de datos estén clasificadas. Si va a crear un modelo de segmentación de imágenes, asegúrese de que las imágenes anómalas tengan etiquetas de anomalías y máscaras de imagen.

    Es importante recordar qué tipo de modelo (segmentación o clasificación) va a crear. Un modelo de clasificación no requiere máscaras de imagen en las imágenes anómalas. No añada máscaras a las imágenes del conjunto de datos destinadas a un modelo de clasificación.

    Para actualizar las etiquetas que faltan

    1. Abra la galería de conjuntos de datos del proyecto.

    2. Filtra las imágenes sin etiquetar para ver qué imágenes no tienen etiquetas.

    3. Realice una de las siguientes acciones siguientes:

      • Si va a crear un modelo de clasificación de imágenes, clasifique cada imagen sin etiquetar.

      • Si va a crear un modelo de segmentación de imágenes, clasifique y segmente cada imagen sin etiquetar.

    4. Si va a crear un modelo de segmentación de imágenes, añada máscaras a cualquier imagen anómala clasificada a la que le falten máscaras.

    5. Entrenamiento del modelo.

Si decide no corregir las etiquetas defectuosas o que faltan, le recomendamos que añada más imágenes etiquetadas o que elimine las imágenes afectadas del conjunto de datos. Puede añadir más desde la consola o mediante la UpdateDatasetEntriesoperación. Para obtener más información, consulte Añadir imágenes a su conjunto de datos..

Si decide eliminar las imágenes, debe volver a crear el conjunto de datos sin las imágenes afectadas, ya que no puede eliminar una imagen de un conjunto de datos. Para obtener más información, consulte Eliminar imágenes del conjunto de datos.