Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Requisiti relativi ai dati relativi
Un processo di elaborazione SageMaker Clarify fornisce supporto per spiegare le immagini. Questo argomento fornisce i requisiti di formato dei dati per i dati di immagini. Per informazioni sull'elaborazione dei dati delle immagini, vedere. computer vision
Un set di dati di immagini contiene uno o più file di immagine. Per identificare un set di dati di input per il processo di elaborazione di SageMaker Clarify, imposta un dataset_uri
parametro di configurazione ProcessingInputdenominato dataset
o di analisi su un prefisso URI Amazon S3 dei tuoi file di immagine.
Nella seguente tabella sono elencati i formati di immagine e le estensioni di file supportati.
Formato di immagine | Estensione di file |
---|---|
JPEG |
jpg, jpeg |
PNG |
png |
Imposta il parametro dataset_type
di configurazione dell'analisi su application/x-image
. Poiché il tipo non è un formato di file di immagine specifico, content_type
verrà utilizzato per decidere il formato e l'estensione del file di immagine.
Il processo di elaborazione SageMaker Clarify carica ogni file di immagine su un array NumPy tridimensionale per un'ulteriore elaborazione.
Il processo di elaborazione SageMaker Clarify converte i dati RGB non elaborati di un'immagine in un formato di immagine compatibile, come JPEG. Lo fa prima di inviare i dati all'endpoint per le previsioni. I formati di immagine supportati sono i seguenti:
Formato dei dati | Tipo MIME | Estensione di file |
---|---|---|
JPEG |
|
jpg, jpeg |
PNG |
|
png |
NPY |
|
Tutti i formati sopra elencati |
Specifica il formato dei dati di payload della richiesta, utilizzando il parametro content_type
. Se content_type
non viene fornito, il formato dei dati predefinito è image/jpeg
.
Dopo aver ricevuto la risposta di una chiamata di un endpoint di inferenza, il job di elaborazione SageMaker Clarify deserializza il payload di risposta e quindi ne estrae le previsioni.
Problema di classificazione delle immagini
Il formato dei dati di payload della risposta deve essere specificato dal parametro accept_type di configurazione dell'analisi. Se accept_type
non viene fornito, il formato dei dati predefinito è application/json
. I formati supportati sono gli stessi descritti nella sezione dei dati tabulari in Risposta dell'endpoint per i dati tabulari.
Vedi un Inferenza con l'algoritmo di classificazione delle immagini esempio di algoritmo di classificazione delle immagini integrato nell' SageMaker intelligenza artificiale che accetta una singola immagine e quindi restituisce una serie di valori di probabilità (punteggi), ciascuno per una classe.
Come mostrato nella tabella seguente, quando il parametro content_type
è impostato su application/jsonlines
, la risposta è un oggetto JSON.
Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
---|---|
Immagine singola |
'{"prediction":[0.1,0.6,0.3]}' |
Nell'esempio precedente, imposta il probability
parametro sull' JMESPath espressione «previsione» per estrarre i punteggi.
Quando il parametro content_type
è impostato su application/json
, la risposta è un oggetto JSON, come mostrato nella seguente tabella.
Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
---|---|
Immagine singola |
'[0.1,0.6,0.3]' |
Nell'esempio precedente, impostate probability
l' JMESPath espressione «[*]» per estrarre tutti gli elementi dell'array. Nell'esempio precedente, [0.1, 0.6, 0.3]
viene estratto. In alternativa, se ignori l'impostazione del parametro probability
di configurazione, vengono estratti anche tutti gli elementi della matrice. Questo perché l'intero payload viene deserializzato come le previsioni.
Problema di rilevamento di oggetti
La configurazione di analisi è accept_type
predefinita application/json
e l'unico formato supportato è l'Object Detection Inference Format. Per ulteriori informazioni sui formati di risposta, vedere. Formati della risposta
La seguente tabella è un esempio di risposta da parte di un endpoint che restituisce una matrice. Ogni elemento della matrice è una matrice di valori contenente l'indice di classe, il punteggio di attendibilità e le coordinate dei riquadri di delimitazione dell'oggetto rilevato.
Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
---|---|
Immagine singola (un oggetto) |
'[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]' |
Immagine singola (due oggetti) |
'[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]' |
La seguente tabella è un esempio di risposta da un endpoint che genera un oggetto JSON con una chiave che fa riferimento alla matrice. Imposta la configurazione di analisi probability
sulla chiave "prediction" per estrarre i valori.
Payload di richiesta dell'endpoint | Payload di risposta dell'endpoint (rappresentazione di stringhe) |
---|---|
Immagine singola (un oggetto) |
'{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244]]}' |
Immagine singola (due oggetti) |
'{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475]]}' |
Verifica preventivamente la richiesta e la risposta dell'endpoint per i dati di immagini
Ti consigliamo di implementare il modello su un endpoint di inferenza in tempo reale basato sull' SageMaker intelligenza artificiale e di inviare richieste all'endpoint. Esamina manualmente le richieste e le risposte. Assicurati che entrambe siano conformi ai requisiti nella sezione Richiesta dell'endpoint per dati di immagini e Risposta dell'endpoint per dati di immagini.
Di seguito sono riportati due esempi di codice che mostrano come inviare richieste ed esaminare le risposte ai problemi di classificazione delle immagini e di rilevamento degli oggetti.
Problema di classificazione delle immagini
L'esempio di codice seguente indica a un endpoint di leggere un file PNG e quindi lo classifica.
aws sagemaker-runtime invoke-endpoint \ --endpoint-name test-endpoint-sagemaker-image-classification \ --content-type "image/png" \ --accept "application/json" \ --body fileb://./test.png \ /dev/stderr 1>/dev/null
Nell'esempio di codice precedente, segue l'output della risposta.
[0.1,0.6,0.3]
Problema di rilevamento di oggetti
L'esempio di codice seguente indica a un endpoint di leggere un file JPEG e quindi rileva gli oggetti in esso contenuti.
aws sagemaker-runtime invoke-endpoint \ --endpoint-name test-endpoint-sagemaker-object-detection \ --content-type "image/jpg" \ --accept "application/json" \ --body fileb://./test.jpg \ /dev/stderr 1>/dev/null
Nell'esempio di codice precedente, segue l'output della risposta.
{"prediction":[[4.0, 0.86419455409049988, 0.3088374733924866, 0.07030484080314636, 0.7110607028007507, 0.9345266819000244],[0.0, 0.73376623392105103, 0.5714187026023865, 0.40427327156066895, 0.827075183391571, 0.9712159633636475],[4.0, 0.32643985450267792, 0.3677481412887573, 0.034883320331573486, 0.6318609714508057, 0.5967587828636169],[8.0, 0.22552496790885925, 0.6152569651603699, 0.5722782611846924, 0.882301390171051, 0.8985623121261597],[3.0, 0.42260299175977707, 0.019305512309074402, 0.08386176824569702, 0.39093565940856934, 0.9574796557426453]]}