Modèle de résolution des problèmes - Amazon Lookout for Vision
Les couleurs des étiquettes d'anomalies ne correspondent pas à la couleur des anomalies dans l'image du masqueLes images du masque ne sont pas PNG formatéesLes étiquettes de segmentation ou de classification sont inexactes ou manquantes

Avis de fin de support : le 31 octobre 2025, le support d'Amazon Lookout for Vision AWS sera interrompu. Après le 31 octobre 2025, vous ne pourrez plus accéder à la console Lookout for Vision ni aux ressources Lookout for Vision. Pour plus d'informations, consultez ce billet de blog.

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Modèle de résolution des problèmes

Des problèmes liés à votre fichier manifeste ou à vos images d'entraînement peuvent entraîner l'échec de l'entraînement du modèle. Avant de recycler votre modèle, vérifiez les problèmes potentiels suivants.

Les couleurs des étiquettes d'anomalies ne correspondent pas à la couleur des anomalies dans l'image du masque

Si vous entraînez un modèle de segmentation d'image, la couleur de l'étiquette d'anomalie dans le fichier manifeste doit correspondre à celle de l'image du masque. La JSON ligne correspondant à une image dans le fichier manifeste contient des métadonnées (internal-color-map) qui indiquent à Amazon Lookout for Vision quelle couleur correspond à une étiquette d'anomalie. Par exemple, la couleur de l'étiquette d'scratchanomalie sur la JSON ligne suivante est#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 les couleurs de l'image du masque ne correspondent pas aux valeurs indiquéeshex-color, l'apprentissage échoue et vous devez mettre à jour le fichier manifeste.

Pour mettre à jour les valeurs de couleur dans un fichier manifeste

  1. À l'aide d'un éditeur de texte, ouvrez le fichier manifeste que vous avez utilisé pour créer le jeu de données.

  2. Pour chaque JSON ligne (image), vérifiez que les couleurs (hex-color) du internal-color-map champ correspondent aux couleurs des étiquettes d'anomalie de l'image du masque.

    Vous pouvez obtenir l'emplacement de l'image du masque à partir du anomaly-mask-ref champ. Téléchargez l'image sur votre ordinateur et utilisez le code suivant pour obtenir les couleurs d'une image. 

    
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. Pour chaque image dont l'attribution de couleur est incorrecte, mettez à jour le hex-color champ de la JSON ligne correspondant à l'image.

  4. Enregistrez le fichier manifeste de mise à jour.

  5. Supprimez le jeu de données existant du projet.

  6. Créez un nouvel ensemble de données dans le projet avec le fichier manifeste mis à jour.

  7. Entraînez le modèle.

Pour les étapes 5 et 6, vous pouvez également mettre à jour des images individuelles dans le jeu de données en appelant l'UpdateDatasetEntriesopération et en fournissant des JSON lignes mises à jour pour les images que vous souhaitez mettre à jour. Pour obtenir un exemple de code, consultez Ajouter d'autres images (SDK).

Les images du masque ne sont pas PNG formatées

Si vous entraînez un modèle de segmentation d'image, les images du masque doivent être PNG formatées. Si vous créez un jeu de données à partir d'un fichier manifeste, assurez-vous que les images de masque auxquelles vous faites référence anomaly-mask-ref sont au PNG format. Si les images du masque ne sont pas PNG formatées, vous devez les convertir au PNG format. Il ne suffit pas de renommer l'extension d'un fichier image en.png.

Les images de masque que vous créez dans la console Amazon Lookout for Vision ou à l'aide SageMaker d'une tâche Ground Truth sont créées PNG au format. Il n'est pas nécessaire de modifier le format de ces images.

Pour corriger les images de masque non PNG formatées dans un fichier manifeste

  1. À l'aide d'un éditeur de texte, ouvrez le fichier manifeste que vous avez utilisé pour créer le jeu de données.

  2. Pour chaque JSON ligne (image), assurez-vous que l'image fait anomaly-mask-ref référence à un PNG format d'image. Pour de plus amples informations, veuillez consulter Création d’un fichier manifeste.

  3. Enregistrez le fichier manifeste mis à jour.

  4. Supprimez le jeu de données existant du projet.

  5. Créez un nouvel ensemble de données dans le projet avec le fichier manifeste mis à jour.

  6. Entraînez le modèle.

Les étiquettes de segmentation ou de classification sont inexactes ou manquantes

Des étiquettes manquantes ou inexactes peuvent entraîner l'échec de la formation ou créer un modèle peu performant. Nous vous recommandons d'étiqueter toutes les images de votre jeu de données. Si vous n'étiquetez pas toutes les images et que l'apprentissage du modèle échoue ou que votre modèle fonctionne mal, ajoutez d'autres images.

Vérifiez les éléments suivants :

  • Si vous créez un modèle de segmentation, les masques doivent couvrir étroitement les anomalies présentes sur les images de votre jeu de données. Pour vérifier les masques de votre jeu de données, visualisez les images dans la galerie de jeux de données du projet. Si nécessaire, redessinez les masques d'image. Pour de plus amples informations, veuillez consulter Segmentation d'images (console).

  • Assurez-vous que les images anormales présentes dans les images de votre jeu de données sont classées. Si vous créez un modèle de segmentation d'image, assurez-vous que les images anormales comportent des étiquettes d'anomalie et des masques d'image.

    Il est important de se souvenir du type de modèle (segmentation ou classification) que vous créez. Un modèle de classification ne nécessite pas de masques d'image sur les images anormales. N'ajoutez pas de masques aux images de jeux de données destinées à un modèle de classification.

    Pour mettre à jour les étiquettes manquantes

    1. Ouvrez la galerie de jeux de données du projet.

    2. Filtrez les images non étiquetées pour voir quelles images n'ont pas d'étiquette.

    3. Effectuez l’une des actions suivantes :

      • Si vous créez un modèle de classification d'images, classez chaque image non étiquetée.

      • Si vous créez un modèle de segmentation d'image, classez et segmentez chaque image non étiquetée.

    4. Si vous créez un modèle de segmentation d'image, ajoutez des masques à toutes les images anormales classées pour lesquelles il manque des masques.

    5. Entraînez le modèle.

Si vous choisissez de ne pas corriger les étiquettes incorrectes ou manquantes, nous vous recommandons d'ajouter d'autres images étiquetées ou de supprimer les images concernées du jeu de données. Vous pouvez en ajouter d'autres depuis la console ou en utilisant l'UpdateDatasetEntriesopération. Pour de plus amples informations, veuillez consulter Ajouter des images à votre jeu de données.

Si vous choisissez de supprimer les images, vous devez recréer le jeu de données sans les images concernées, car vous ne pouvez pas supprimer d'image d'un ensemble de données. Pour de plus amples informations, veuillez consulter Supprimer des images de votre jeu de données.