Pemberitahuan akhir dukungan: Pada 31 Oktober 2025, AWS akan menghentikan dukungan untuk Amazon Lookout for Vision. Setelah 31 Oktober 2025, Anda tidak akan lagi dapat mengakses konsol Lookout for Vision atau sumber daya Lookout for Vision. Untuk informasi lebih lanjut, kunjungi posting blog ini.
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Mendefinisikan JSON garis untuk klasifikasi gambar
Anda menentukan JSON garis untuk setiap gambar yang ingin Anda gunakan dalam file manifes Amazon Lookout for Vision. Jika Anda ingin membuat model klasifikasi, JSON garis harus menyertakan klasifikasi gambar yang normal atau anomali. Sebuah JSON baris dalam format SageMaker Ground Truth Classification Job Output. File manifes terbuat dari satu atau lebih JSON baris, satu untuk setiap gambar yang ingin Anda impor.
Untuk membuat file manifes untuk gambar yang diklasifikasikan
-
Buat file teks kosong.
-
Tambahkan JSON garis untuk setiap gambar yang ingin Anda impor. Setiap JSON baris harus terlihat mirip dengan yang berikut:
{"source-ref":"s3://lookoutvision-console-us-east-1-nnnnnnnnnn/gt-job/manifest/IMG_1133.png","anomaly-label":1,"anomaly-label-metadata":{"confidence":0.95,"job-name":"labeling-job/testclconsolebucket","class-name":"normal","human-annotated":"yes","creation-date":"2020-04-15T20:17:23.433061","type":"groundtruth/image-classification"}}
-
Simpan file tersebut.
catatan
Anda dapat menggunakan ekstensi
.manifest
, tetapi tidak diperlukan. -
Buat kumpulan data menggunakan file manifes yang Anda buat. Untuk informasi selengkapnya, lihat Membuat file manifes.
JSONGaris klasifikasi
Di bagian ini, Anda mempelajari cara membuat JSON garis yang mengklasifikasikan gambar sebagai normal atau anomali.
Garis anomali JSON
JSONBaris berikut menunjukkan gambar yang diberi label sebagai anomali. Perhatikan bahwa nilai class-name
adalahanomaly
.
{ "source-ref": "s3: //bucket/image/anomaly/abnormal-1.jpg", "
anomaly-label
-metadata": { "confidence":1
, "job-name": "labeling-job/auto-label
", "class-name": "anomaly
", "human-annotated": "yes
", "creation-date": "2020-11-10T03:37:09.600
", "type": "groundtruth/image-classification" }, "anomaly-label
":1
}
JSONGaris normal
JSONBaris berikut menunjukkan gambar berlabel normal. Perhatikan bahwa nilai class-name
adalahnormal
.
{ "source-ref": "s3: //bucket/image/normal/2020-10-20_12-14-55_613.jpeg", "
anomaly-label
-metadata": { "confidence":1
, "job-name": "labeling-job/auto-label
", "class-name": "normal
", "human-annotated": "yes
", "creation-date": "2020-11-10T03:37:09.603
", "type": "groundtruth/image-classification" }, "anomaly-label
": 0 }
JSONkunci baris dan nilai
Informasi berikut menjelaskan kunci dan nilai dalam baris Amazon Lookout for Vision. JSON
sumber-ref
(Wajib) Lokasi Amazon S3 dari gambar. Formatnya adalah "s3://
. Gambar dalam kumpulan data yang diimpor harus disimpan di bucket Amazon S3 yang sama. BUCKET
/OBJECT_PATH
"
label anomali
(Wajib) Atribut label. Gunakan kuncianomaly-label
, atau nama kunci lain yang Anda pilih. Nilai kunci (0
dalam contoh sebelumnya) diperlukan oleh Amazon Lookout for Vision, tetapi tidak digunakan. Manifes keluaran yang dibuat oleh Amazon Lookout for Vision mengubah nilai 1
menjadi gambar anomali dan nilai untuk gambar normal. 0
Nilai class-name
menentukan apakah gambar itu normal atau anomali.
Harus ada metadata terkait yang diidentifikasi dengan nama bidang dengan -metadata ditambahkan. Misalnya, "anomaly-label-metadata"
.
anomaly-label-metadata
(Wajib) Metadata tentang atribut label. Nama bidang harus sama dengan atribut label dengan -metadata ditambahkan.
- kepercayaan
-
(Opsional) Saat ini tidak digunakan oleh Amazon Lookout for Vision. Jika Anda menentukan nilai, gunakan nilai
1
. - nama-pekerjaan
-
(Opsional) Nama yang Anda pilih untuk pekerjaan yang memproses gambar.
- nama kelas
-
(Wajib) Jika gambar berisi konten normal, tentukan
normal
, jika tidak tentukananomaly
. Jika nilaiclass-name
adalah nilai lain, gambar ditambahkan ke kumpulan data sebagai gambar yang tidak berlabel. Untuk memberi label pada gambar, lihatMenambahkan gambar ke kumpulan data Anda. - beranotasi manusia
-
(Wajib) Tentukan
"yes"
, jika anotasi diselesaikan oleh manusia. Jika tidak, tentukan"no"
. - kreasi-tanggal
-
(Opsional) Waktu Universal Terkoordinasi (UTC) tanggal dan waktu label dibuat.
- jenis
-
(Wajib) Jenis pemrosesan yang harus diterapkan pada gambar. Untuk label anomali tingkat gambar, nilainya adalah.
"groundtruth/image-classification"