Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Data Keluaran
Output dari pekerjaan pelabelan ditempatkan di lokasi Amazon S3 yang Anda tentukan di konsol atau dalam panggilan ke CreateLabelingJoboperasi. Data keluaran muncul di lokasi ini ketika pekerja telah mengirimkan satu atau beberapa tugas, atau saat tugas kedaluwarsa. Perhatikan bahwa mungkin diperlukan beberapa menit agar data keluaran muncul di Amazon S3 setelah pekerja mengirimkan tugas atau tugas kedaluwarsa.
Setiap baris dalam file data keluaran identik dengan file manifes dengan penambahan atribut dan nilai untuk label yang ditetapkan ke objek input. Nama atribut untuk nilai didefinisikan di konsol atau dalam panggilan ke CreateLabelingJob
operasi. Anda tidak dapat menggunakan -metadata
nama atribut label. Jika Anda menjalankan segmentasi semantik gambar, segmentasi semantik awan titik 3D, atau pekerjaan pelacakan objek cloud titik 3D, atribut label harus diakhiri dengan. -ref
Untuk jenis pekerjaan lainnya, nama atribut tidak dapat diakhiri dengan-ref
.
Output dari pekerjaan pelabelan adalah nilai pasangan kunci-nilai dengan label. Label dan nilai menimpa JSON data yang ada dalam file input dengan nilai baru.
Misalnya, berikut ini adalah output dari pekerjaan pelabelan klasifikasi gambar tempat file data input disimpan di Amazon
S3 dan nama atribut label didefinisikan sebagai AWSDOC-EXAMPLE-BUCKET
. Dalam contoh ini JSON objek diformat untuk keterbacaan, dalam file output aktual JSON objek berada pada satu baris. Untuk informasi selengkapnya tentang format data, lihat JSONGarisolahraga
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/image_example.png
", "sport
":0
, "sport
-metadata": { "class-name": "football
", "confidence":0.00
, "type":"groundtruth/image-classification", "job-name": "identify-sport
", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
" } }
Nilai label dapat berupa apa saja yang validJSON. Dalam hal ini nilai label adalah indeks kelas dalam daftar klasifikasi. Jenis pekerjaan lain, seperti bounding box, memiliki nilai yang lebih kompleks.
Setiap pasangan kunci-nilai dalam file manifes masukan selain atribut label tidak berubah dalam file output. Anda dapat menggunakan ini untuk meneruskan data ke aplikasi Anda.
Output dari pekerjaan pelabelan dapat digunakan sebagai input ke pekerjaan pelabelan lain. Anda dapat menggunakan ini saat Anda merantai pekerjaan pelabelan bersama. Misalnya, Anda dapat mengirim satu pekerjaan pelabelan untuk menentukan olahraga yang sedang dimainkan. Kemudian Anda mengirim yang lain menggunakan data yang sama untuk menentukan apakah olahraga sedang dimainkan di dalam atau di luar ruangan. Dengan menggunakan data keluaran dari pekerjaan pertama sebagai manifes untuk pekerjaan kedua, Anda dapat mengkonsolidasikan hasil dari dua pekerjaan menjadi satu file output untuk pemrosesan yang lebih mudah oleh aplikasi Anda.
File data output ditulis ke lokasi output secara berkala saat pekerjaan sedang berlangsung. File perantara ini berisi satu baris untuk setiap baris dalam file manifes. Jika suatu objek diberi label, label disertakan. Jika objek belum diberi label, itu ditulis ke file output perantara identik dengan file manifes.
Direktori Keluaran
Ground Truth membuat beberapa direktori di jalur keluaran Amazon S3 Anda. Direktori ini berisi hasil pekerjaan pelabelan Anda dan artefak pekerjaan lainnya. Direktori tingkat atas untuk pekerjaan pelabelan diberi nama yang sama dengan pekerjaan pelabelan Anda; direktori output ditempatkan di bawahnya. Misalnya, jika Anda menamai pekerjaan pelabelan Andafind-people
, output Anda akan berada di direktori berikut:
s3://
AWSDOC-EXAMPLE-BUCKET
/find-people/activelearning s3://AWSDOC-EXAMPLE-BUCKET
/find-people/annotations s3://AWSDOC-EXAMPLE-BUCKET
/find-people/inference s3://AWSDOC-EXAMPLE-BUCKET
/find-people/manifests s3://AWSDOC-EXAMPLE-BUCKET
/find-people/training
Setiap direktori berisi output sebagai berikut:
Direktori Pembelajaran Aktif
activelearning
Direktori hanya ada saat Anda menggunakan pelabelan data otomatis. Ini berisi set validasi input dan output untuk pelabelan data otomatis, dan folder input dan output untuk data berlabel otomatis.
Direktori Anotasi
annotations
Direktori berisi semua anotasi yang dibuat oleh tenaga kerja. Ini adalah tanggapan dari pekerja individu yang belum dikonsolidasikan ke dalam satu label untuk objek data.
Ada tiga subdirektori dalam direktori. annotations
-
Yang pertama,
worker-response
, berisi tanggapan dari pekerja individu. Ini berisi subdirektori untuk setiap iterasi, yang pada gilirannya berisi subdirektori untuk setiap objek data dalam iterasi itu. Data respons pekerja untuk setiap objek data disimpan dalam JSON file stempel waktu yang berisi jawaban yang dikirimkan oleh setiap pekerja untuk objek data tersebut, dan jika Anda menggunakan tenaga kerja pribadi, metadata tentang pekerja tersebut. Untuk mempelajari lebih lanjut tentang metadata ini, lihat. Metadata Pekerja -
Yang kedua,
consolidated-annotation
, berisi informasi yang diperlukan untuk mengkonsolidasikan anotasi dalam kumpulan saat ini ke dalam label untuk objek data Anda. -
Yang ketiga,
intermediate
, berisi manifes keluaran untuk batch saat ini dengan label yang sudah selesai. File ini diperbarui sebagai label untuk setiap objek data selesai.
catatan
Kami menyarankan Anda untuk tidak menggunakan file yang tidak disebutkan dalam dokumentasi.
Direktori Inferensi
inference
Direktori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output untuk transformasi SageMaker batch yang digunakan saat melabeli objek data.
Direktori Manifes
manifest
Direktori berisi manifes keluaran dari pekerjaan pelabelan Anda. Ada satu subdirektori di direktori manifes,output
. output
Direktori berisi file manifes keluaran untuk pekerjaan pelabelan Anda. File tersebut diberi namaoutput.manifest
.
Direktori Pelatihan
training
Direktori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output yang digunakan untuk melatih model pelabelan data otomatis.
Skor Keyakinan
Jika Anda memiliki lebih dari satu pekerja yang membubuhi anotasi satu tugas, label Anda dihasilkan dari konsolidasi anotasi. Ground Truth menghitung skor kepercayaan untuk setiap label. Skor kepercayaan diri adalah angka antara 0 dan 1 yang menunjukkan seberapa percaya diri Ground Truth dalam label. Anda dapat menggunakan skor kepercayaan untuk membandingkan objek data berlabel satu sama lain, dan untuk mengidentifikasi label yang paling tidak atau paling percaya diri.
Anda tidak boleh menafsirkan nilai skor kepercayaan sebagai nilai absolut, atau membandingkan skor kepercayaan di seluruh pekerjaan pelabelan. Misalnya, jika semua skor kepercayaan antara 0,98 dan 0,998, Anda hanya harus membandingkan objek data satu sama lain dan tidak bergantung pada skor kepercayaan tinggi.
Anda tidak boleh membandingkan skor kepercayaan objek data berlabel manusia dan objek data berlabel otomatis. Skor kepercayaan untuk manusia dihitung menggunakan fungsi konsolidasi anotasi untuk tugas tersebut, sedangkan skor kepercayaan untuk pelabelan otomatis dihitung menggunakan model yang menggabungkan fitur objek. Kedua model umumnya memiliki skala yang berbeda dan kepercayaan rata-rata.
Untuk pekerjaan pelabelan kotak pembatas, Ground Truth menghitung skor kepercayaan per kotak. Anda dapat membandingkan skor kepercayaan dalam satu gambar atau di seluruh gambar untuk jenis pelabelan yang sama (manusia atau otomatis). Anda tidak dapat membandingkan skor kepercayaan di seluruh pekerjaan pelabelan.
Jika satu pekerja membuat anotasi tugas (NumberOfHumanWorkersPerDataObject
disetel ke 1
atau di konsol, Anda memasukkan 1 untuk Jumlah pekerja per objek kumpulan data), skor kepercayaan disetel ke. 0.00
Metadata Pekerja
Ground Truth menyediakan informasi yang dapat Anda gunakan untuk melacak pekerja individu dalam data output tugas. Data berikut terletak di direktori di bawah yang worker-response
terletak diDirektori Anotasi:
-
acceptanceTime
Itu adalah waktu dimana pekerja menerima tugas tersebut. Format cap tanggal dan waktu ini adalahYYYY-MM-DDTHH:MM:SS.mmmZ
untuk tahun (YYYY
), bulan (), hari (MM
), jam (DD
), menit (HH
), detik (MM
SS
) dan milidetik (mmm
). Tanggal dan waktu dipisahkan oleh T. -
submissionTime
Ini adalah waktu pekerja mengirimkan anotasi mereka menggunakan tombol Kirim. Format cap tanggal dan waktu ini adalahYYYY-MM-DDTHH:MM:SS.mmmZ
untuk tahun (YYYY
), bulan (), hari (MM
), jam (DD
), menit (HH
), detik (MM
SS
) dan milidetik (mmm
). Tanggal dan waktu dipisahkan oleh T. -
timeSpentInSeconds
melaporkan total waktu, dalam hitungan detik, bahwa seorang pekerja secara aktif mengerjakan tugas itu. Metrik ini tidak termasuk waktu ketika seorang pekerja berhenti atau beristirahat. -
workerId
Ini unik untuk setiap pekerja. -
Jika Anda menggunakan tenaga kerja pribadi, di
workerMetadata
, Anda melihat yang berikut ini.-
identityProviderType
Ini adalah layanan yang digunakan untuk mengelola tenaga kerja swasta. -
issuer
Ini adalah kumpulan pengguna Cognito atau penerbit Penyedia OIDC Identitas (IDP) yang terkait dengan tim kerja yang ditugaskan untuk tugas peninjauan manusia ini. -
sub
Pengidentifikasi unik mengacu pada pekerja. Jika Anda membuat tenaga kerja menggunakan Amazon Cognito, Anda dapat mengambil detail tentang pekerja ini (seperti nama atau nama pengguna) menggunakan ID ini menggunakan Amazon Cognito. Untuk mempelajari caranya, lihat Mengelola dan Mencari Akun Pengguna di Panduan Pengembang Amazon Cognito.
-
Berikut ini adalah contoh output yang mungkin Anda lihat jika Anda menggunakan Amazon Cognito untuk membuat tenaga kerja pribadi. Ini diidentifikasi dalamidentityProviderType
.
"submissionTime": "2020-12-28T18:59:58.321Z", "acceptanceTime": "2020-12-28T18:59:15.191Z", "timeSpentInSeconds": 40.543, "workerId": "a12b3cdefg4h5i67", "workerMetadata": { "identityData": { "identityProviderType": "Cognito", "issuer": "https://cognito-idp.aws-region.amazonaws.com/aws-region_123456789", "sub": "aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee" } }
Berikut ini adalah contoh yang mungkin workerMetadata
Anda lihat jika Anda menggunakan OIDC IDP Anda sendiri untuk membuat tenaga kerja pribadi:
"workerMetadata": { "identityData": { "identityProviderType": "Oidc", "issuer": "https://example-oidc-ipd.com/adfs", "sub": "aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee" } }
Untuk mempelajari lebih lanjut tentang menggunakan tenaga kerja swasta, lihatGunakan Tenaga Kerja Pribadi.
Metadata Keluaran
Output dari setiap pekerjaan berisi metadata tentang label yang ditetapkan ke objek data. Elemen-elemen ini sama untuk semua pekerjaan dengan variasi kecil. Contoh berikut menunjukkan elemen metadata:
"confidence":
0.00
, "type": "groundtruth/image-classification
", "job-name": "identify-animal-species
", "human-annotated": "yes
", "creation-date": "2020-10-18T22:18:13.527256
"
Unsur-unsur memiliki arti sebagai berikut:
-
confidence
— Keyakinan yang dimiliki Ground Truth bahwa labelnya benar. Untuk informasi selengkapnya, lihat Skor Keyakinan. -
type
— Jenis pekerjaan klasifikasi. Untuk jenis pekerjaan, lihatJenis Tugas Bawaan. -
job-name
— Nama yang diberikan untuk pekerjaan ketika itu dibuat. -
human-annotated
— Apakah objek data diberi label oleh manusia atau dengan pelabelan data otomatis. Untuk informasi selengkapnya, lihat Otomatiskan Pelabelan Data. -
creation-date
— Tanggal dan waktu label dibuat.
Klasifikasi Job Output
Berikut ini adalah output sampel (file manifes keluaran) dari pekerjaan klasifikasi gambar dan pekerjaan klasifikasi teks. Mereka termasuk label yang Ground Truth ditugaskan ke objek data, nilai untuk label, dan metadata yang menjelaskan label.
Selain elemen metadata standar, metadata untuk pekerjaan klasifikasi mencakup nilai teks kelas label. Untuk informasi selengkapnya, lihat Klasifikasi Gambar - MXNet.
Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
{ "source-ref":"
s3://AWSDOC-EXAMPLE-BUCKET/example_image.jpg
", "species
":"0
", "species
-metadata": { "class-name": "dog
", "confidence":0.00
, "type": "groundtruth/image-classification", "job-name": "identify-animal-species
", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
" } }
{ "source":"
The food was delicious
", "mood
":"1
", "mood
-metadata": { "class-name": "positive
", "confidence":0.8
, "type": "groundtruth/text-classification", "job-name": "label-sentiment
", "human-annotated": "yes
", "creation-date": "2020-10-18T22:18:13.527256
" } }
Output Pekerjaan Klasifikasi Multi-label
Berikut ini adalah contoh file manifes keluaran dari pekerjaan klasifikasi gambar multi-label dan pekerjaan klasifikasi teks multi-label. Mereka termasuk label yang diberikan Ground Truth ke objek data (misalnya, gambar atau potongan teks) dan metadata yang menjelaskan label yang dilihat pekerja saat menyelesaikan tugas pelabelan.
Parameter nama atribut label (misalnya,image-label-attribute-name
) berisi larik semua label yang dipilih oleh setidaknya salah satu pekerja yang menyelesaikan tugas ini. Array ini berisi kunci integer (misalnya,[1,0,8]
) yang sesuai dengan label yang ditemukan diclass-map
. Dalam contoh klasifikasi gambar multi-label,bicycle
,person
, dan clothing
dipilih oleh setidaknya salah satu pekerja yang menyelesaikan tugas pelabelan untuk gambar,. exampleimage.jpg
Ini confidence-map
menunjukkan skor kepercayaan yang diberikan Ground Truth untuk setiap label yang dipilih oleh pekerja. Untuk mempelajari lebih lanjut tentang skor kepercayaan Ground Truth, lihatSkor Keyakinan.
Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
Berikut ini adalah contoh file manifes keluaran klasifikasi gambar multi-label.
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/example_image.jpg
", "image-label-attribute-name
":[1,0,8
], "image-label-attribute-name
-metadata": { "job-name":"labeling-job/image-label-attribute-name
", "class-map": { "1
":"bicycle
","0
":"person
","8
":"clothing
" }, "human-annotated":"yes
", "creation-date":"2020-02-27T21:36:25.000201
", "confidence-map": { "1
":0.95
,"0
":0.77
,"8
":0.2
}, "type":"groundtruth/image-classification-multilabel" } }
Berikut ini adalah contoh file manifes keluaran klasifikasi teks multi-label. Dalam contoh ini,approving
, sad
dan critical
dipilih oleh setidaknya salah satu pekerja yang menyelesaikan tugas pelabelan untuk objek yang exampletext.txt
ditemukan diAWSDOC-EXAMPLE-BUCKET
.
{ "source-ref": "
AWSDOC-EXAMPLE-BUCKET/exampletext.txt
", "text-label-attribute-name
":[1
,0
,4
], "text-label-attribute-name
-metadata": { "job-name":"labeling-job/text-label-attribute-name
", "class-map": { "1
":"approving
","0
":"sad
","4
":"critical
" }, "human-annotated":"yes
", "creation-date":"2020-02-20T21:36:25.000201
", "confidence-map": { "1
":0.95
,"0
":0.77
,"4
":0.2
}, "type":"groundtruth/text-classification-multilabel" } }
Output Pekerjaan Kotak Bounding
Berikut ini adalah contoh output (file manifes keluaran) dari pekerjaan kotak pembatas. Untuk tugas ini, tiga kotak pembatas dikembalikan. Nilai label berisi informasi tentang ukuran gambar, dan lokasi kotak pembatas.
class_id
Elemen adalah indeks kelas kotak dalam daftar kelas yang tersedia untuk tugas tersebut. Elemen class-map
metadata berisi teks kelas.
Metadata memiliki skor kepercayaan terpisah untuk setiap kotak pembatas. Metadata juga mencakup class-map
elemen yang memetakan class_id
ke nilai teks kelas. Untuk informasi selengkapnya, lihat Deteksi Objek - MxNet.
Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/example_image.png
", "bounding-box-attribute-name
": { "image_size": [{ "width":500
, "height":400
, "depth":3
}], "annotations": [ {"class_id":0
, "left":111
, "top":134
, "width":61
, "height":128
}, {"class_id":5
, "left":161
, "top":250
, "width":30
, "height":30
}, {"class_id":5
, "left":20
, "top":20
, "width":30
, "height":30
} ] }, "bounding-box-attribute-name
-metadata": { "objects": [ {"confidence":0.8
}, {"confidence":0.9
}, {"confidence":0.9
} ], "class-map": { "0
": "dog
", "5
": "bone
" }, "type": "groundtruth/object-detection", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "identify-dogs-and-toys
" } }
Output dari pekerjaan penyesuaian kotak pembatas terlihat seperti berikut JSON ini. Perhatikan bahwa aslinya JSON tetap utuh dan dua pekerjaan baru terdaftar, masing-masing dengan “adjust-” ditambahkan ke nama atribut asli.
{ "source-ref": "
S3 bucket location
", "bounding-box-attribute-name
": { "image_size": [{ "width":500
, "height":400
, "depth":3
}], "annotations": [ {"class_id":0
, "left":111
, "top":134
, "width":61
, "height":128
}, {"class_id": 5, "left": 161, "top": 250, "width":30
, "height":30
}, {"class_id":5
, "left":20
, "top":20
, "width":30
, "height":30
} ] }, "bounding-box-attribute-name
-metadata": { "objects": [ {"confidence":0.8
}, {"confidence":0.9
}, {"confidence":0.9
} ], "class-map": { "0
": "dog
", "5
": "bone
" }, "type": "groundtruth/object-detection", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "identify-dogs-and-toys
" }, "adjusted-bounding-box
": { "image_size": [{ "width":500
, "height":400
, "depth":3
}], "annotations": [ {"class_id":0
, "left":110
, "top":135
, "width":61
, "height":128
}, {"class_id":5
, "left":161
, "top":250
, "width":30
, "height":30
}, {"class_id":5
, "left":10
, "top":10
, "width":30
, "height":30
} ] }, "adjusted-bounding-box
-metadata": { "objects": [ {"confidence":0.8
}, {"confidence":0.9
}, {"confidence":0.9
} ], "class-map": { "0
": "dog
", "5
": "bone
" }, "type": "groundtruth/object-detection", "human-annotated": "yes
", "creation-date": "2018-11-20T22:18:13.527256
", "job-name": "adjust-bounding-boxes-on-dogs-and-toys
", "adjustment-status": "adjusted
" } }
Dalam output ini, pekerjaan type
tidak berubah, tetapi adjustment-status
bidang ditambahkan. Bidang ini memiliki nilai adjusted
atauunadjusted
. Jika beberapa pekerja telah meninjau objek dan setidaknya satu menyesuaikan label, statusnya adalahadjusted
.
Pengakuan Entitas Bernama
Berikut ini adalah contoh file manifes keluaran dari tugas pelabelan pengenalan entitas bernama (NER). Untuk tugas ini, tujuh entities
dikembalikan.
Dalam manifes keluaran, JSON objekannotations
,, menyertakan daftar labels
(kategori label) yang Anda berikan.
Tanggapan pekerja ada dalam daftar bernamaentities
. Setiap entitas dalam daftar ini adalah JSON objek yang berisi label
nilai yang cocok dengan satu dalam labels
daftar, nilai integer untuk offset Unicode awal rentang berlabel, dan startOffset
nilai integer untuk offset Unicode endOffset
akhir.
Metadata memiliki skor kepercayaan terpisah untuk setiap entitas. Jika satu pekerja memberi label pada setiap objek data, nilai kepercayaan untuk setiap entitas akan menjadi nol.
Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada pelabelan input pekerjaan dan respons pekerja.
{ "source": "
Amazon SageMaker is a cloud machine-learning platform that was launched in November 2017. SageMaker enables developers to create, train, and deploy machine-learning (ML) models in the cloud. SageMaker also enables developers to deploy ML models on embedded systems and edge-devices
", "ner-labeling-job-attribute-name
": { "annotations": { "labels": [ { "label": "Date
", "shortDisplayName": "dt
" }, { "label": "Verb
", "shortDisplayName": "vb
" }, { "label": "Thing
", "shortDisplayName": "tng
" }, { "label": "People
", "shortDisplayName": "ppl
" } ], "entities": [ { "label": "Thing
", "startOffset":22
, "endOffset":53
}, { "label": "Thing
", "startOffset":269
, "endOffset":281
}, { "label": "Verb
", "startOffset":63
, "endOffset":71
}, { "label": "Verb
", "startOffset":228
, "endOffset":234
}, { "label": "Date
", "startOffset":75
, "endOffset":88
}, { "label": "People
", "startOffset":108
, "endOffset":118
}, { "label": "People
", "startOffset":214
, "endOffset":224
} ] } }, "ner-labeling-job-attribute-name
-metadata": { "job-name": "labeling-job/example-ner-labeling-job
", "type": "groundtruth/text-span", "creation-date": "2020-10-29T00:40:39.398470
", "human-annotated": "yes", "entities": [ { "confidence":0
}, { "confidence":0
}, { "confidence":0
}, { "confidence":0
}, { "confidence":0
}, { "confidence":0
}, { "confidence":0
} ] } }
Output Pekerjaan Verifikasi Label
Output (file manifes keluaran) dari pekerjaan verifikasi kotak pembatas terlihat berbeda dari output pekerjaan anotasi kotak pembatas. Itu karena para pekerja memiliki jenis tugas yang berbeda. Mereka tidak memberi label pada objek, tetapi mengevaluasi keakuratan pelabelan sebelumnya, membuat penilaian, dan kemudian memberikan penilaian itu dan mungkin beberapa komentar.
Jika pekerja manusia memverifikasi atau menyesuaikan label kotak pembatas sebelumnya, output dari pekerjaan verifikasi akan terlihat seperti berikut JSON ini. Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
{ "source-ref":"
s3://AWSDOC-EXAMPLE-BUCKET/image_example.png
", "bounding-box-attribute-name
": { "image_size": [{ "width":500
, "height":400
, "depth":3
}], "annotations": [ {"class_id":0
, "left":111
, "top":134
, "width":61
, "height":128
}, {"class_id":5
, "left":161
, "top":250
, "width":30
, "height":30
}, {"class_id":5
, "left":20
, "top":20
, "width":30
, "height":30
} ] }, "bounding-box-attribute-name
-metadata": { "objects": [ {"confidence":0.8
}, {"confidence":0.9
}, {"confidence":0.9
} ], "class-map": { "0
": "dog
", "5
": "bone
" }, "type": "groundtruth/object-detection", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "identify-dogs-and-toys
" }, "verify-bounding-box-attribute-name
":"1
", "verify-bounding-box-attribute-name
-metadata": { "class-name": "bad
", "confidence":0.93
, "type": "groundtruth/label-verification", "job-name": "verify-bounding-boxes
", "human-annotated": "yes
", "creation-date": "2018-11-20T22:18:13.527256
", "worker-feedback": [ {"comment": "The bounding box on the bird is too wide on the right side.
"}, {"comment": "The bird on the upper right is not labeled.
"} ] } }
Meskipun type
pada output kotak pembatas asli adalahgroundtruth/object-detection
, yang baru type
adalahgroundtruth/label-verification
. Perhatikan juga bahwa worker-feedback
array menyediakan komentar pekerja. Jika pekerja tidak memberikan komentar, kolom kosong dikecualikan selama konsolidasi.
Output Pekerjaan Segmentasi Semantik
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan segmentasi semantik. Nilai label untuk pekerjaan ini adalah referensi ke PNG file di bucket Amazon S3.
Selain elemen standar, metadata untuk label mencakup peta warna yang menentukan warna mana yang digunakan untuk memberi label pada gambar, nama kelas yang terkait dengan warna, dan skor kepercayaan untuk setiap warna. Untuk informasi selengkapnya, lihat Algoritma Segmentasi Semantik.
Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/example_city_image.png
", "city-streets
-ref": "S3 bucket location
", "city-streets
-ref-metadata": { "internal-color-map": { "0": { "class-name": "BACKGROUND", "confidence":0.9
, "hex-color": "#ffffff" }, "1": { "class-name": "buildings
", "confidence":0.9
, "hex-color": "#2acf59
" }, "2": { "class-name": "road
", "confidence":0.9
, "hex-color": "#f28333
" } }, "type": "groundtruth/semantic-segmentation", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "label-city-streets
", }, "verify-city-streets
-ref":"1
", "verify-city-streets
-ref-metadata": { "class-name": "bad
", "confidence":0.93
, "type": "groundtruth/label-verification", "job-name": "verify-city-streets
", "human-annotated": "yes
", "creation-date": "2018-11-20T22:18:13.527256
", "worker-feedback": [ {"comment": "The mask on the leftmost building is assigned the wrong side of the road.
"}, {"comment": "The curb of the road is not labeled but the instructions say otherwise.
"} ] } }
Keyakinan dinilai berdasarkan per gambar. Skor kepercayaan adalah sama di semua kelas dalam sebuah gambar.
Output dari pekerjaan penyesuaian segmentasi semantik terlihat mirip dengan yang berikut ini. JSON
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/example_city_image.png
", "city-streets
-ref": "S3 bucket location
", "city-streets
-ref-metadata": { "internal-color-map": { "0": { "class-name": "BACKGROUND", "confidence":0.9
, "hex-color": "#ffffff" }, "1": { "class-name": "buildings
", "confidence":0.9
, "hex-color": "#2acf59
" }, "2": { "class-name": "road
", "confidence":0.9
, "hex-color": "#f28333
" } }, "type": "groundtruth/semantic-segmentation", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "label-city-streets
", }, "adjusted-city-streets
-ref": "s3://AWSDOC-EXAMPLE-BUCKET/example_city_image.png
", "adjusted-city-streets
-ref-metadata": { "internal-color-map": { "0": { "class-name": "BACKGROUND", "confidence":0.9
, "hex-color": "#ffffff" }, "1": { "class-name": "buildings
", "confidence":0.9
, "hex-color": "#2acf59
" }, "2": { "class-name": "road
", "confidence":0.9
, "hex-color": "#f28333
" } }, "type": "groundtruth/semantic-segmentation", "human-annotated": "yes
", "creation-date": "2018-11-20T22:18:13.527256
", "job-name": "adjust-label-city-streets
", } }
Output Deteksi Objek Bingkai Video
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan deteksi objek bingkai video. Bagian red, italicized text
dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data output.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Metadata juga menyertakan nama job-name
yang Anda tetapkan untuk pekerjaan pelabelan. Untuk tugas penyesuaian, Jika satu atau beberapa kotak pembatas diubah, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke. adjusted
{ "source-ref": "s3://amzn-s3-demo-bucket/
example-path
/input-manifest.json
", "CarObjectDetection
-ref": "s3://AWSDOC-EXAMPLE-BUCKET
/output/labeling-job-name
/annotations/consolidated-annotation/output/0/SeqLabel.json", "CarObjectDetection
-ref-metadata": { "class-map": { "0
": "car
", "1
": "bus
" }, "job-name": "labeling-job/labeling-job-name
", "human-annotated": "yes", "creation-date": "2021-09-29T05:50:35.566000
", "type": "groundtruth/video-object-detection" } }
Ground Truth membuat satu file urutan output untuk setiap urutan frame video yang diberi label. Setiap file urutan output berisi yang berikut:
-
Semua anotasi untuk semua frame secara berurutan dalam
detection-annotations
daftar JSON objek. -
Untuk setiap frame yang dianotasi oleh pekerja, nama file frame (
frame
), number (frame-no
), daftar JSON objek yang berisi anotasi (annotations
), dan jika berlaku,.frame-attributes
Nama daftar ini ditentukan oleh jenis tugas yang Anda gunakan:polylines
,,polygons
keypoints
, dan untuk kotak pembatas,annotations
.Setiap JSON objek berisi informasi tentang anotasi tunggal dan label terkait. Tabel berikut menguraikan parameter yang akan Anda lihat untuk setiap jenis tugas bingkai video.
Jenis Tugas Parameter Kotak Bounding
Dimensi kotak:
height
danwidth
Kotak atas, lokasi piksel sudut kiri:
top
danleft
Titik kunci
Simpul keypoint: { "x": int, "y": int }
Polygon
Daftar simpul poligon:
Simpul poligon:vertices
{ "x": int, "y": int }
Poligon adalah bentuk tertutup sehingga titik pertama juga akan mewakili titik terakhir.
Polyline
Daftar simpul polyline:
Simpul polyline:vertices
{ "x": int, "y": int }
Selain nilai spesifik tipe tugas, Anda akan melihat yang berikut di setiap JSON objek:
-
Nilai dari setiap
label-category-attributes
yang ditentukan untuk label itu. -
Dari
class-id
kotaknya. Gunakan file manifes keluaran untuk melihat kategori label mana yang dipetakan ID ini.class-map
-
Berikut ini adalah contoh SeqLabel.json
file dari pekerjaan pelabelan deteksi objek bingkai video kotak pembatas. File ini akan berada di bawah s3://
your-output-bucket
/output-prefix
/annotations/consolidated-annotation/output/annotation-number
/
{ "detection-annotations": [ { "annotations": [ { "height":
41
, "width":53
, "top":152
, "left":339
, "class-id": "1
", "label-category-attributes": { "occluded
": "no
", "size
": "medium
" } }, { "height":24
, "width":37
, "top":148
, "left":183
, "class-id": "0
", "label-category-attributes": { "occluded
": "no
", } } ], "frame-no":0
, "frame": "frame_0000.jpeg", "frame-attributes": {name
:value
,name
:value
} }, { "annotations": [ { "height":41
, "width":53
, "top":152
, "left":341
, "class-id": "0
", "label-category-attributes": {} }, { "height":24
, "width":37
, "top":141
, "left":177
, "class-id": "0
", "label-category-attributes": { "occluded
": "no
", } } ], "frame-no":1
, "frame": "frame_0001.jpeg
", "frame-attributes": {name
:value
,name
:value
} } ] }
Output Pelacakan Objek Bingkai Video
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan pelacakan objek bingkai video. Bagian red, italicized text
dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data output.
Selain elemen standar, metadata mencakup peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan bingkai. Metadata juga menyertakan nama job-name
yang Anda tetapkan untuk pekerjaan pelabelan. Untuk tugas penyesuaian, Jika satu atau beberapa kotak pembatas diubah, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke. adjusted
{ "source-ref": "s3://amzn-s3-demo-bucket/
example-path
/input-manifest.json
", "CarObjectTracking
-ref": "s3://AWSDOC-EXAMPLE-BUCKET
/output/labeling-job-name
/annotations/consolidated-annotation/output/0/SeqLabel.json", "CarObjectTracking
-ref-metadata": { "class-map": { "0
": "car
", "1
": "bus
" }, "job-name": "labeling-job/labeling-job-name
", "human-annotated": "yes", "creation-date": "2021-09-29T05:50:35.566000
", "type": "groundtruth/video-object-tracking" } }
Ground Truth membuat satu file urutan output untuk setiap urutan frame video yang diberi label. Setiap file urutan output berisi yang berikut:
-
Semua anotasi untuk semua frame secara berurutan dalam
tracking-annotations
daftar JSON objek. -
Untuk setiap frame yang dianotasi oleh pekerja, frame (
frame
), number (frame-no
), daftar JSON objek yang berisi anotasi (annotations
), dan jika berlaku, atribut frame ().frame-attributes
Nama daftar ini ditentukan oleh jenis tugas yang Anda gunakan:polylines
,,polygons
keypoints
, dan untuk kotak pembatas,annotations
.Setiap JSON objek berisi informasi tentang anotasi tunggal dan label terkait. Tabel berikut menguraikan parameter yang akan Anda lihat untuk setiap jenis tugas bingkai video.
Jenis Tugas Parameter Kotak Bounding
Dimensi kotak:
height
danwidth
Kotak atas, lokasi piksel sudut kiri:
top
danleft
Titik kunci
Simpul keypoint: { "x": int, "y": int }
Polygon
Daftar simpul poligon:
Simpul poligon:vertices
{ "x": int, "y": int }
Poligon adalah bentuk tertutup sehingga titik pertama juga akan mewakili titik terakhir.
Polyline
Daftar simpul polyline:
Simpul polyline:vertices
{ "x": int, "y": int }
Selain nilai spesifik tipe tugas, Anda akan melihat yang berikut di setiap JSON objek:
-
Nilai dari setiap
label-category-attributes
yang ditentukan untuk label itu. -
Dari
class-id
kotaknya. Gunakan file manifes keluaran untuk melihat kategori label mana yang dipetakan ID ini.class-map
-
Sebuah
object-id
yang mengidentifikasi sebuah instance dari label. ID ini akan sama di seluruh frame jika seorang pekerja mengidentifikasi instance yang sama dari sebuah objek dalam beberapa frame. Misalnya, jika sebuah mobil muncul dalam beberapa bingkai, semua kotak pembatas digunakan untuk mengidentifikasi bahwa mobil akan memiliki hal yang samaobject-id
. -
Yang
object-name
merupakan ID instance dari anotasi itu.
-
Berikut ini adalah contoh SeqLabel.json
file dari pekerjaan pelabelan pelabelan objek bingkai video kotak pembatas. File ini akan berada di bawah s3://
your-output-bucket
/output-prefix
/annotations/consolidated-annotation/output/annotation-number
/
{ "tracking-annotations": [ { "annotations": [ { "height":
36
, "width":46
, "top":178
, "left":315
, "class-id": "0
", "label-category-attributes": { "occluded
": "no
" }, "object-id": "480dc450-c0ca-11ea-961f-a9b1c5c97972
", "object-name": "car:1
" } ], "frame-no":0
, "frame": "frame_0001.jpeg
", "frame-attributes": {} }, { "annotations": [ { "height":30
, "width":47
, "top":163
, "left":344
, "class-id": "1
", "label-category-attributes": { "occluded
": "no
", "size
": "medium
" }, "object-id": "98f2b0b0-c0ca-11ea-961f-a9b1c5c97972
", "object-name": "bus:1
" }, { "height":28
, "width":33
, "top":150
, "left":192
, "class-id": "0
", "label-category-attributes": { "occluded
": "partially
" }, "object-id": "480dc450-c0ca-11ea-961f-a9b1c5c97972
", "object-name": "car:1
" } ], "frame-no":1
, "frame": "frame_0002.jpeg
", "frame-attributes": {name
:value
,name
:value
} } ] }
Output Segmentasi Semantik Awan Titik 3D
Berikut ini adalah file manifes keluaran dari pekerjaan pelabelan segmentasi semantik awan titik 3D.
Selain elemen standar, metadata untuk label mencakup peta warna yang menentukan warna mana yang digunakan untuk memberi label pada gambar, nama kelas yang terkait dengan warna, dan skor kepercayaan untuk setiap warna. Selain itu, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke adjusted
jika color mask dimodifikasi. Jika Anda menambahkan satu atau lebih frameAttributes
ke file konfigurasi kategori label, respons pekerja untuk atribut bingkai ada di JSON objek,dataset-object-attributes
.
Parameter berisi lokasi file terkompresi dengan ekstensi.zlib. Ketika Anda membuka kompres file ini, itu berisi array. Setiap indeks dalam array sesuai dengan indeks titik beranotasi di awan titik input. Nilai array pada indeks tertentu memberikan kelas titik pada indeks yang sama di awan titik, berdasarkan peta warna semantik yang ditemukan dalam your-label-attribute
-refcolor-map
parameter. metadata
Anda dapat menggunakan kode Python yang mirip dengan berikut ini untuk mendekompresi file.zlib:
import zlib from array import array # read the label file compressed_binary_file = open(
zlib_file_path/file.zlib
, 'rb').read() # uncompress the label file binary_content = zlib.decompress(compressed_binary_file) # load labels to an array my_int_array_data = array('B', binary_content); print(my_int_array_data)
Blok kode di atas akan menghasilkan output yang mirip dengan berikut ini. Setiap elemen dari array tercetak berisi kelas titik pada indeks itu di awan titik. Misalnya, my_int_array_data[0] = 1
berarti point[0]
di titik input cloud memiliki kelas1
. Dalam contoh file manifes keluaran berikut, kelas 0
sesuai dengan"Background"
, 1
denganCar
, dan 2
denganPedestrian
.
>> array('B', [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
Berikut ini adalah contoh dari segmentasi semantik 3D point cloud labeling job output file manifes. Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.
{ "source-ref": "s3://
AWSDOC-EXAMPLE-BUCKET
/examplefolder
/frame1.bin
", "source-ref-metadata":{ "format": "binary/xyzi
", "unix-timestamp":1566861644.759115
, "ego-vehicle-pose":{...
}, "prefix": "s3://AWSDOC-EXAMPLE-BUCKET
/lidar_singleframe_dataset
/prefix
", "images": [{...
}] }, "lidar-ss-label-attribute
-ref": "s3://your-output-bucket
/labeling-job-name
/annotations/consolidated-annotation/output/dataset-object-id
/filename.zlib
", "lidar-ss-label-attribute
-ref-metadata": { 'color-map': { "0": { "class-name": "Background
", "hex-color": "#ffffff
", "confidence":0.00
}, "1": { "class-name": "Car
", "hex-color": "#2ca02c
", "confidence":0.00
}, "2": { "class-name": "Pedestrian
", "hex-color": "#1f77b4
", "confidence":0.00
}, "3": { "class-name": "Tree
", "hex-color": "#ff7f0e
", "confidence":0.00
} }, 'type': 'groundtruth/point_cloud_single_frame_semantic_segmentation', 'human-annotated': 'yes', 'creation-date': '2019-11-12T01:18:14.271944
', 'job-name': 'labeling-job-name
', //only present for adjustment audit workflow "adjustment-status": "adjusted
", // "adjusted" means the label was adjusted "dataset-object-attributes": {name
:value
,name
:value
} } }
Output Deteksi Objek Awan Titik 3D
Berikut ini adalah contoh output dari pekerjaan deteksi keberatan awan titik 3D. Untuk jenis tugas ini, data tentang kuboid 3D dikembalikan dalam 3d-bounding-box
parameter, dalam daftar bernama. annotations
Dalam daftar ini, setiap kubus 3D dijelaskan menggunakan informasi berikut.
-
Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes masukan dikaitkan dengan file
class-id
. Gunakanclass-map
untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas. -
Kelas-kelas ini digunakan untuk memberikan setiap kubus 3D
object-name
dalam format di<class>:<integer>
integer
mana nomor unik untuk mengidentifikasi kubus dalam bingkai. -
center-x
,center-y
, dancenter-z
merupakan koordinat pusat kubus, dalam sistem koordinat yang sama dengan data input cloud titik 3D yang digunakan dalam pekerjaan pelabelan Anda. -
length
,width
, danheight
menggambarkan dimensi berbentuk kubus. -
yaw
digunakan untuk menggambarkan orientasi (heading) berbentuk kubus dalam radian.catatan
yaw
sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17UTC, Anda dapat mengonversiyaw
pengukuran dalam data keluaran sebelumnya menggunakan yang berikut (semua unit dalam radian):old_yaw_in_output = pi - yaw
-
Dalam definisi kami, +x ke kanan, +y ke depan, dan +z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Itu
roll
,pitch
danyaw
diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D,roll
sepanjang sumbu x,pitch
sepanjang sumbu y danyaw
sepanjang sumbu z. Ketiganya berlawanan arah jarum jam. -
Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu,
label-category-attributes
parameter disertakan untuk semua kuboid yang pekerja memilih atribut label.
Jika satu atau beberapa kuboid dimodifikasi, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke. adjusted
Jika Anda menambahkan satu atau lebih frameAttributes
ke file konfigurasi kategori label, respons pekerja untuk atribut bingkai ada di JSON objek,dataset-object-attributes
.
Bagian red, italicized text
dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data output. Elips (...
) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berjalan dapat muncul.
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/examplefolder/frame1.txt
", "source-ref-metadata":{ "format": "text/xyzi
", "unix-timestamp":1566861644.759115
, "prefix": "s3://AWSDOC-EXAMPLE-BUCKET
/lidar_singleframe_dataset
/prefix
", "ego-vehicle-pose": { "heading": { "qx":-0.02111296123795955
, "qy":-0.006495469416730261
, "qz":-0.008024565904865688
, "qw":0.9997181192298087
}, "position": { "x":-2.7161461413869947
, "y":116.25822288149078
, "z":1.8348751887989483
} }, "images": [ { "fx":847.7962624528487
, "fy":850.0340893791985
, "cx":576.2129134707038
, "cy":317.2423573573745
, "k1":0
, "k2":0
, "k3":0
, "k4":0
, "p1":0
, "p2":0
, "skew":0
, "unix-timestamp":1566861644.759115
, "image-path": "images/frame_0_camera_0.jpg
", "position": { "x":-2.2722515189268138
, "y":116.86003310568965
, "z":1.454614668542299
}, "heading": { "qx":0.7594754093069037
, "qy":0.02181790885672969
, "qz":-0.02461725233103356
, "qw":-0.6496916273040025
}, "camera_model": "pinhole
" } ] }, "3d-bounding-box
": { "annotations": [ { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":-2.616382013657516
, "center-y":125.04149850484193
, "center-z":0.311272296465834
, "length":2.993000265181146
, "width":1.8355260519692056
, "height":1.3233490884304047
, "roll":0
, "pitch":0
, "yaw":1.6479308313703527
}, { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:2
", "class-id":0
, "center-x":-5.188984560617168
, "center-y":99.7954483288783
, "center-z":0.2226435567445657
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":1.6243170732068055
} ] }, "3d-bounding-box
-metadata": { "objects": [], "class_map": { "0
": "Car
", }, "type": "groundtruth/point_cloud_object_detection", "human-annotated": "yes
", "creation-date": "2018-10-18T22:18:13.527256
", "job-name": "identify-3d-objects
", "adjustment-status": "adjusted
", "dataset-object-attributes": {name
:value
,name
:value
} } }
Output Pelacakan Objek Awan Titik 3D
Berikut ini adalah contoh file manifes keluaran dari pekerjaan pelabelan pelabelan objek cloud titik 3D. Bagian red, italicized text
dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data output. Elips (...
) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berjalan dapat muncul.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Jika satu atau beberapa kuboid dimodifikasi, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke. adjusted
{ "source-ref": "
s3://AWSDOC-EXAMPLE-BUCKET/myfolder/seq1.json
", "lidar-label-attribute
-ref": "s3://<CustomerOutputLocation>/<labelingJobName>/annotations/consolidated-annotation/output/<datasetObjectId>/SeqLabel.json
", "lidar-label-attribute
-ref-metadata": { "objects": [ { "frame-no":300
, "confidence": [] }, { "frame-no":301
, "confidence": [] },...
], 'class-map': {'0
': 'Car
', '1
': 'Person
'}, 'type': 'groundtruth/point_cloud_object_tracking', 'human-annotated': 'yes'
, 'creation-date': '2019-11-12T01:18:14.271944
', 'job-name': 'identify-3d-objects
', "adjustment-status": "adjusted
" } }
Dalam contoh di atas, data berbentuk kubus untuk setiap frame seq1.json
ada SeqLabel.json
di lokasi Amazon S3,. s3://
Berikut ini adalah contoh file urutan label ini.<customerOutputLocation>
/<labelingJobName>
/annotations/consolidated-annotation/output/<datasetObjectId>
/SeqLabel.json
Untuk setiap frame dalam urutan, Anda melihatframe-number
,frame-name
, jika berlakuframe-attributes
,, dan daftarannotations
. Daftar ini berisi kubiod 3D yang digambar untuk bingkai itu. Setiap anotasi mencakup informasi berikut:
-
object-name
Dalam format<class>:<integer>
tempatclass
mengidentifikasi kategori label daninteger
merupakan ID unik di seluruh kumpulan data. -
Ketika pekerja menggambar berbentuk kubus, itu dikaitkan dengan unik
object-id
yang dikaitkan dengan semua kuboid yang mengidentifikasi objek yang sama di beberapa bingkai. -
Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes masukan dikaitkan dengan file
class-id
. Gunakanclass-map
untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas. -
center-x
,center-y
, dancenter-z
merupakan koordinat pusat kubus, dalam sistem koordinat yang sama dengan data input cloud titik 3D yang digunakan dalam pekerjaan pelabelan Anda. -
length
,width
, danheight
menggambarkan dimensi berbentuk kubus. -
yaw
digunakan untuk menggambarkan orientasi (heading) berbentuk kubus dalam radian.catatan
yaw
sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17UTC, Anda dapat mengonversiyaw
pengukuran dalam data keluaran sebelumnya menggunakan yang berikut (semua unit dalam radian):old_yaw_in_output = pi - yaw
-
Dalam definisi kami, +x ke kanan, +y ke depan, dan +z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Itu
roll
,pitch
danyaw
diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D,roll
sepanjang sumbu x,pitch
sepanjang sumbu y danyaw
sepanjang sumbu z. Ketiganya berlawanan arah jarum jam. -
Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu,
label-category-attributes
parameter disertakan untuk semua kuboid yang pekerja memilih atribut label.
{ "tracking-annotations": [ { "frame-number":
0
, "frame-name": "0.txt.pcd
", "frame-attributes": {name
:value
,name
:value
}, "annotations": [ { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "center-x":-2.2906369208300674
, "center-y":103.73924823843463
, "center-z":0.37634114027023313
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":1.5827222214406014
, "object-id": "ae5dc770-a782-11ea-b57d-67c51a0561a1
" }, { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":-2.6451293634707413
, "center-y":124.9534455706848
, "center-z":0.5020834081743839
, "length":4
, "width":2
, "height":2.080488827301309
, "roll":0
, "pitch":0
, "yaw":-1.5963335581398077
, "object-id": "06efb020-a782-11ea-b57d-67c51a0561a1
" }, { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:2
", "class-id":0
, "center-x":-5.205611313118477
, "center-y":99.91731932137061
, "center-z":0.22917217081212138
, "length":3.8747142207671956
, "width":1.9999999999999918
, "height":2
, "roll":0
, "pitch":0
, "yaw":1.5672228760316775
, "object-id": "26fad020-a782-11ea-b57d-67c51a0561a1
" } ] }, { "frame-number":1
, "frame-name": "1.txt.pcd
", "frame-attributes": {}, "annotations": [ { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "center-x":-2.2906369208300674
, "center-y":103.73924823843463
, "center-z":0.37634114027023313
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":1.5827222214406014
, "object-id": "ae5dc770-a782-11ea-b57d-67c51a0561a1
" }, { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":-2.6451293634707413
, "center-y":124.9534455706848
, "center-z":0.5020834081743839
, "length":4
, "width":2
, "height":2.080488827301309
, "roll":0
, "pitch":0
, "yaw":-1.5963335581398077
, "object-id": "06efb020-a782-11ea-b57d-67c51a0561a1
" }, { "label-category-attributes": { "Occlusion
": "Partial
", "Type
": "Sedan
" }, "object-name": "Car:2
", "class-id":0
, "center-x":-5.221311072916759
, "center-y":100.4639841045424
, "center-z":0.22917217081212138
, "length":3.8747142207671956
, "width":1.9999999999999918
, "height":2
, "roll":0
, "pitch":0
, "yaw":1.5672228760316775
, "object-id": "26fad020-a782-11ea-b57d-67c51a0561a1
" } ] } ] }
Titik Pelacakan Objek 3D-2D Output Pelacakan Objek Cloud
Berikut ini adalah contoh file manifes keluaran dari pekerjaan pelabelan pelabelan objek cloud titik 3D. Bagian red, italicized text
dalam contoh di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data output. Elips (...
) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berjalan dapat muncul.
Selain elemen standar, metadata menyertakan peta kelas yang mencantumkan setiap kelas yang memiliki setidaknya satu label dalam urutan. Jika satu atau beberapa kuboid dimodifikasi, ada adjustment-status
parameter dalam metadata untuk alur kerja audit yang disetel ke. adjusted
{ "source-ref": "
s3://iad-groundtruth-lidar-test-bucket/artifacts/gt-point-cloud-demos/sequences/seq2.json
", "source-ref-metadata": { "json-paths": [ "number-of-frames", "prefix", "frames{frame-no, frame}" ] }, "3D2D-linking
-ref": "s3://iad-groundtruth-lidar-test-bucket/xyz/3D2D-linking/annotations/consolidated-annotation/output/0/SeqLabel.json
", "3D2D-linking
-ref-metadata": { "objects": [ { "frame-no":0
, "confidence": [] }, { "frame-no":1
, "confidence": [] }, { "frame-no":2
, "confidence": [] }, { "frame-no":3
, "confidence": [] }, { "frame-no":4
, "confidence": [] }, { "frame-no":5
, "confidence": [] }, { "frame-no":6
, "confidence": [] }, { "frame-no":7
, "confidence": [] }, { "frame-no":8
, "confidence": [] }, { "frame-no":9
, "confidence": [] } ], "class-map": { "0
": "Car
" }, "type": "groundtruth/point_cloud_object_tracking", "human-annotated": "yes
", "creation-date": "2023-01-19T02:55:10.206508
", "job-name": "mcm-linking
" }, "3D2D-linking
-chain-ref": "s3://iad-groundtruth-lidar-test-bucket/xyz/3D2D-linking-chain/annotations/consolidated-annotation/output/0/SeqLabel.json
", "3D2D-linking
-chain-ref-metadata": { "objects": [ { "frame-no":0
, "confidence": [] }, { "frame-no":1
, "confidence": [] }, { "frame-no":2
, "confidence": [] }, { "frame-no":3
, "confidence": [] }, { "frame-no":4
, "confidence": [] }, { "frame-no":5
, "confidence": [] }, { "frame-no":6
, "confidence": [] }, { "frame-no":7
, "confidence": [] }, { "frame-no":8
, "confidence": [] }, { "frame-no":9
, "confidence": [] } ], "class-map": { "0
": "Car
" }, "type": "groundtruth/point_cloud_object_tracking", "human-annotated": "yes
", "creation-date": "2023-01-19T03:29:49.149935
", "job-name": "3d2d-linking-chain
" } }
Dalam contoh di atas, data berbentuk kubus untuk setiap frame seq2.json
ada SeqLabel.json
di lokasi Amazon S3,. s3://
Berikut ini adalah contoh file urutan label ini.<customerOutputLocation>
/<labelingJobName>
/annotations/consolidated-annotation/output/<datasetObjectId>
/SeqLabel.json
Untuk setiap frame dalam urutan, Anda melihatframe-number
,frame-name
, jika berlakuframe-attributes
,, dan daftarannotations
. Daftar ini berisi kubiod 3D yang digambar untuk bingkai itu. Setiap anotasi mencakup informasi berikut:
-
object-name
Dalam format<class>:<integer>
tempatclass
mengidentifikasi kategori label daninteger
merupakan ID unik di seluruh kumpulan data. -
Ketika pekerja menggambar berbentuk kubus, itu dikaitkan dengan unik
object-id
yang dikaitkan dengan semua kuboid yang mengidentifikasi objek yang sama di beberapa bingkai. -
Setiap kelas, atau kategori label, yang Anda tentukan dalam manifes masukan dikaitkan dengan file
class-id
. Gunakanclass-map
untuk mengidentifikasi kelas yang terkait dengan setiap ID kelas. -
center-x
,center-y
, dancenter-z
merupakan koordinat pusat kubus, dalam sistem koordinat yang sama dengan data input cloud titik 3D yang digunakan dalam pekerjaan pelabelan Anda. -
length
,width
, danheight
menggambarkan dimensi berbentuk kubus. -
yaw
digunakan untuk menggambarkan orientasi (heading) berbentuk kubus dalam radian.catatan
yaw
sekarang dalam sistem Cartesian tangan kanan. Karena fitur ini ditambahkan pada 02 September 2022 19:02:17UTC, Anda dapat mengonversiyaw
pengukuran dalam data keluaran sebelumnya menggunakan yang berikut (semua unit dalam radian):old_yaw_in_output = pi - yaw
-
Dalam definisi kami, +x ke kanan, +y ke depan, dan +z naik dari bidang tanah. Urutan rotasi adalah x - y - z. Itu
roll
,pitch
danyaw
diwakili dalam sistem Cartesian tangan kanan. Dalam ruang 3D,roll
sepanjang sumbu x,pitch
sepanjang sumbu y danyaw
sepanjang sumbu z. Ketiganya berlawanan arah jarum jam. -
Jika Anda menyertakan atribut label dalam file manifes masukan untuk kelas tertentu,
label-category-attributes
parameter disertakan untuk semua kuboid yang pekerja memilih atribut label.
{ "lidar": { "tracking-annotations": [ { "frame-number":
0
, "frame-name": "0.txt.pcd
", "annotations": [ { "label-category-attributes": { "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":12.172361721602815
, "center-y":120.23067521992364
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "505b39e0-97a4-11ed-8903-dd5b8b903715
" }, { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "center-x":17.192725195301094
, "center-y":114.55705365827872
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "1afcb670-97a9-11ed-9a84-ff627d099e16
" } ], "frame-attributes": {} }, { "frame-number":1
, "frame-name": "1.txt.pcd
", "annotations": [ { "label-category-attributes": { "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":-1.6841480600695489
, "center-y":126.20198882749516
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "505b39e0-97a4-11ed-8903-dd5b8b903715
" }, { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "center-x":17.192725195301094
, "center-y":114.55705365827872
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "1afcb670-97a9-11ed-9a84-ff627d099e16
" } ], "frame-attributes": {} }, { "frame-number":2
, "frame-name": "2.txt.pcd
", "annotations": [ { "label-category-attributes": { "Type
": "Sedan
" }, "object-name": "Car:1
", "class-id":0
, "center-x":-1.6841480600695489
, "center-y":126.20198882749516
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "505b39e0-97a4-11ed-8903-dd5b8b903715
" }, { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "center-x":17.192725195301094
, "center-y":114.55705365827872
, "center-z":1.590525771183712
, "length":4
, "width":2
, "height":2
, "roll":0
, "pitch":0
, "yaw":0
, "object-id": "1afcb670-97a9-11ed-9a84-ff627d099e16
" } ], "frame-attributes": {} } ] }, "camera-0": { "tracking-annotations": [ { "frame-no":0
, "frame": "0.txt.pcd
", "annotations": [ { "label-category-attributes": { "Occlusion
": "Partial
" }, "object-name": "Car:2
", "class-id":0
, "width":223
, "height":164
, "top":225
, "left":486
, "object-id": "5229df60-97a4-11ed-8903-dd5b8b903715
" } ], "frame-attributes": {} }, { "frame-no":1
, "frame": "1.txt.pcd
", "annotations": [ { "label-category-attributes": {}, "object-name": "Car:4
", "class-id":0
, "width":252
, "height":246
, "top":237
, "left":473
, "object-id": "1afcb670-97a9-11ed-9a84-ff627d099e16
" } ], "frame-attributes": {} } ] } }
Kotak berbentuk kubus dan pembatas untuk suatu objek dihubungkan melalui id objek umum.