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.

Outil de segmentation automatique

La segmentation d'image est le processus consistant à diviser une image en plusieurs segments, ou ensembles de pixels étiquetés. Dans Amazon SageMaker Ground Truth, le processus d'identification de tous les pixels relevant d'une étiquette donnée implique l'application d'un enduit coloré, ou « masque », sur ces pixels. Certaines tâches d'étiquetage contiennent des images avec un grand nombre d'objets qui doivent être segmentés. Pour aider les employés à étiqueter ces objets en moins de temps et avec plus de précision, Ground Truth propose un outil de segmentation automatique pour les tâches de segmentation confiées à la main-d'œuvre privée et aux fournisseurs. Cet outil utilise un modèle de machine learning pour segmenter automatiquement des objets individuels dans l'image avec une entrée minimale de travail. Les employés peuvent affiner le masque généré par l'outil de segmentation automatique à l'aide d'autres outils trouvés dans la console de travail. Cela aide les employés à effectuer les tâches de segmentation d'image plus rapidement et plus précisément, ce qui permet de réduire les coûts et d'améliorer la qualité des étiquettes. La page suivante fournit des informations sur l'outil et sa disponibilité.

Outil Aperçu

Lorsque des employés se voient attribuer une tâche d'étiquetage qui fournit l'outil de segmentation automatique, ils reçoivent des instructions détaillées sur l'utilisation de l'outil. Par exemple, un employé peut voir ce qui suit sur la console de travail :

Les employés peuvent utiliser View full instructions (Afficher les instructions complètes) pour apprendre à utiliser l'outil. Les employés devront placer un point sur quatre points extrêmes (points les plus hauts, les plus bas, les plus à gauche et les plus à droite) de l'objet d'intérêt, et l'outil générera automatiquement un masque pour l'objet. Les employés peuvent affiner davantage le masque à l'aide des autres outils fournis, ou en utilisant l'outil de segmentation automatique sur les petites portions de l'objet qui ont été manquées.

Disponibilité des outils

L'outil de segmentation automatique apparaît automatiquement dans les consoles de vos employés si vous créez une tâche d'étiquetage par segmentation sémantique à l'aide de la console Amazon SageMaker . Lors de la création d'une tâche de segmentation sémantique dans la SageMaker console, vous pourrez prévisualiser l'outil lors de la création des instructions de travail. Pour savoir comment créer une tâche d'étiquetage par segmentation sémantique dans la SageMaker console, consultezPour commencer : créez une tâche d'étiquetage de boîtes de délimitation avec Ground Truth.

Si vous créez une tâche d'étiquetage de segmentation d'instance personnalisée dans la SageMaker console ou si vous créez une tâche d'étiquetage de segmentation d'instance ou de segmentation sémantique à l'aide de Ground TruthAPI, vous devez créer un modèle de tâche personnalisé pour concevoir votre console de travail et vos instructions. Pour inclure l'outil de segmentation automatique dans votre console de travail, assurez-vous que les conditions suivantes sont remplies dans votre modèle de tâche personnalisé :

Voici un exemple de modèle de tâche personnalisé pour une tâche d'étiquetage de segmentation d'instance personnalisée, qui inclut la balise <crowd-instance-segmentation/> et le filtre grant_read_access Liquid.

<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-instance-segmentation
    name="crowd-instance-segmentation"
    src="{{ task.input.taskObject | grant_read_access }}"
    labels="['Car','Road']"
   <full-instructions header="Segmentation instructions">
      Segment each instance of each class of objects in the image. 
    </full-instructions>

    <short-instructions>
      <p>Segment each instance of each class of objects in the image.</p>

      <h3 style="color: green">GOOD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Good because A, B, C.</p>

      <h3 style="color: red">BAD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Bad because X, Y, Z.</p>
    </short-instructions>
  </crowd-instance-segmentation>
</crowd-form>