Pelabelan data keluaran pekerjaan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

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 data JSON yang ada di file input dengan nilai baru.

Misalnya, berikut ini adalah output dari pekerjaan pelabelan klasifikasi gambar tempat file data input disimpan di Amazon amzn-s3-demo-bucket S3 dan nama atribut label didefinisikan sebagai. sport Dalam contoh ini objek JSON diformat untuk keterbacaan, dalam file output sebenarnya objek JSON berada pada satu baris. Untuk informasi selengkapnya tentang format data, lihat JSON Lines.

{
    "source-ref": "s3://amzn-s3-demo-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 JSON yang valid. 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://amzn-s3-demo-bucket/find-people/activelearning
s3://amzn-s3-demo-bucket/find-people/annotations
s3://amzn-s3-demo-bucket/find-people/inference
s3://amzn-s3-demo-bucket/find-people/manifests
s3://amzn-s3-demo-bucket/find-people/training
            

Setiap direktori berisi output sebagai berikut:

Direktori pembelajaran aktif

activelearningDirektori 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

annotationsDirektori 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

Direktori inferensi

inferenceDirektori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output untuk transformasi batch SageMaker AI yang digunakan saat memberi label objek data.

Direktori manifes

manifestDirektori berisi manifes keluaran dari pekerjaan pelabelan Anda. Ada satu subdirektori di direktori manifes,output. outputDirektori berisi file manifes keluaran untuk pekerjaan pelabelan Anda. File tersebut diberi namaoutput.manifest.

Direktori pelatihan

trainingDirektori hanya ada saat Anda menggunakan pelabelan data otomatis. Direktori ini berisi file input dan output yang digunakan untuk melatih model pelabelan data otomatis.

Skor kepercayaan

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 (NumberOfHumanWorkersPerDataObjectdisetel 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:

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, lihatTenaga kerja swasta.

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:

Klasifikasi output pekerjaan

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://amzn-s3-demo-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 kepercayaan.

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://amzn-s3-demo-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 diamzn-s3-demo-bucket.

{
    "source-ref": "s3://amzn-s3-demo-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 pembatas

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_idElemen 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://amzn-s3-demo-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 JSON berikut. Perhatikan bahwa JSON asli 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, objek JSONannotations,, menyertakan daftar labels (kategori label) yang Anda berikan.

Tanggapan pekerja ada dalam daftar bernamaentities. Setiap entitas dalam daftar ini adalah objek JSON yang berisi label nilai yang cocok dengan satu dalam labels daftar, nilai integer untuk offset Unicode awal rentang berlabel, dan startOffset nilai integer endOffset untuk offset Unicode 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 JSON berikut. Teks merah yang dicetak miring dalam contoh di bawah ini bergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.

{
    "source-ref":"s3://amzn-s3-demo-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 file PNG 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://amzn-s3-demo-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 JSON berikut.

{
    "source-ref": "s3://amzn-s3-demo-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://amzn-s3-demo-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. Contoh red, italicized text di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.

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://amzn-s3-demo-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:

Berikut ini adalah contoh SeqLabel.json file dari pekerjaan pelabelan deteksi objek bingkai video kotak pembatas. File ini akan berada di bawah s3://amzn-s3-demo-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. Contoh red, italicized text di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran.

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://amzn-s3-demo-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:

Berikut ini adalah contoh SeqLabel.json file dari pekerjaan pelabelan pelabelan objek bingkai video kotak pembatas. File ini akan berada di bawah s3://amzn-s3-demo-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 Anda, respons pekerja untuk atribut bingkai ada di objek JSON,dataset-object-attributes.

your-label-attribute-refParameter 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 color-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://amzn-s3-demo-bucket/examplefolder/frame1.bin",
   "source-ref-metadata":{
      "format": "binary/xyzi",
      "unix-timestamp": 1566861644.759115,
      "ego-vehicle-pose":{...}, 
      "prefix": "s3://amzn-s3-demo-bucket/lidar_singleframe_dataset/prefix",
      "images": [{...}] 
    },
    "lidar-ss-label-attribute-ref": "s3://amzn-s3-demo-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.

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 Anda, respons pekerja untuk atribut bingkai ada di objek JSON,dataset-object-attributes.

Contoh red, italicized text di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. Elips (...) menunjukkan kelanjutan dari daftar itu, di mana objek tambahan dengan format yang sama dengan objek yang sedang berjalan dapat muncul.

{
   "source-ref": "s3://amzn-s3-demo-bucket/examplefolder/frame1.txt",
   "source-ref-metadata":{
      "format": "text/xyzi",
      "unix-timestamp": 1566861644.759115, 
      "prefix": "s3://amzn-s3-demo-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. Contoh red, italicized text di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. 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://amzn-s3-demo-bucket/myfolder/seq1.json",
    "lidar-label-attribute-ref": "s3://amzn-s3-demo-bucket/<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://amzn-s3-demo-bucket/<labelingJobName>/annotations/consolidated-annotation/output/<datasetObjectId>/SeqLabel.json Berikut ini adalah contoh file urutan label ini.

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:

{
    "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 keluaran pelacakan objek awan

Berikut ini adalah contoh file manifes keluaran dari pekerjaan pelabelan pelabelan objek cloud titik 3D. Contoh red, italicized text di bawah ini tergantung pada spesifikasi pekerjaan pelabelan dan data keluaran. 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://amzn-s3-demo-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://amzn-s3-demo-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://amzn-s3-demo-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://amzn-s3-demo-bucket/<labelingJobName>/annotations/consolidated-annotation/output/<datasetObjectId>/SeqLabel.json Berikut ini adalah contoh file urutan label ini.

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:

{
  "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.