Requisiti della funzione Lambda di pre-annotazione e post-annotazione

Consulta questa sezione per scoprire la sintassi delle richieste inviate alle funzioni Lambda di pre-annotazione e post-annotazione e la sintassi di risposta richiesta da Ground Truth per eseguire un flusso di lavoro di etichettatura personalizzato.

Lambda di pre-annotazione

Prima che un'attività di etichettatura venga inviata al worker, viene richiamata la funzione Lambda di pre-annotazione.

Ground Truth invia alla funzione Lambda una richiesta in JSON formato elettronico per fornire dettagli sul processo di etichettatura e sull'oggetto dati. La tabella seguente contiene gli schemi di richiesta di pre-annotazione. Di seguito è riportata una descrizione di ciascun parametro.

La tabella seguente include esempi di blocchi di codice di una richiesta di pre-annotazione. Ogni parametro di queste richieste di esempio è spiegato sotto la tabella a schede.

In cambio, Ground Truth richiede una risposta formattata come la seguente:

{
    "taskInput": <json object>,
    "isHumanAnnotationRequired": <boolean> # Optional
}

Nell'esempio precedente, <json object> deve contenere tutti i dati richiesti dal modello di attività del worker personalizzato. Se stai eseguendo un'attività di bounding box in cui le istruzioni rimangono sempre le stesse, potrebbe trattarsi solo della risorsa HTTP (S) o Amazon S3 per il tuo file di immagine. Se si tratta di un'attività di analisi del sentiment e oggetti diversi possono avere scelte diverse, sarà il riferimento dell'oggetto come una stringa e le scelte come una matrice di stringhe.

Se hai una combinazione di oggetti del manifest, in cui alcuni richiedono l'annotazione umana e alcuni non la richiedono, puoi includere un valore isHumanAnnotationRequired in ogni oggetto dati. È possibile aggiungere una logica alla propria Lambda di pre-annotazione per determinare in modo dinamico se un oggetto richiede l'annotazione e impostare questo valore booleano di conseguenza.

Esempi di funzioni Lambda di pre-annotazione

La seguente funzione Lambda di pre-annotazione di base accede all'JSONoggetto dataObject dalla richiesta iniziale e lo restituisce nel parametro. taskInput

import json

def lambda_handler(event, context):
    return {
        "taskInput":  event['dataObject']
    }

Supponendo che il file manifest di input utilizzi "source-ref" per identificare gli oggetti dati, il modello di attività del worker utilizzato nello stesso processo di etichettatura di questa Lambda di pre-annotazione deve includere un elemento Liquid come il seguente da importare dataObject:

{{ task.input.source-ref | grant_read_access }}

Se il file manifest di input ha utilizzato source per identificare l'oggetto dati, il modello di attività di elaborazione può importare dataObject con quanto segue:

{{ task.input.source }}

Il seguente esempio di pre-annotazione Lambda include una logica per identificare la chiave utilizzata in dataObject e per indicare l'oggetto dati utilizzando taskObject nell'istruzione return di Lambda.

import json

def lambda_handler(event, context):

    # Event received
    print("Received event: " + json.dumps(event, indent=2))

    # Get source if specified
    source = event['dataObject']['source'] if "source" in event['dataObject'] else None

    # Get source-ref if specified
    source_ref = event['dataObject']['source-ref'] if "source-ref" in event['dataObject'] else None

    # if source field present, take that otherwise take source-ref
    task_object = source if source is not None else source_ref

    # Build response object
    output = {
        "taskInput": {
            "taskObject": task_object
        },
        "humanAnnotationRequired": "true"
    }

    print(output)
    # If neither source nor source-ref specified, mark the annotation failed
    if task_object is None:
        print(" Failed to pre-process {} !".format(event["labelingJobArn"]))
        output["humanAnnotationRequired"] = "false"

    return output

Lambda di post-annotazione

Quando tutti i worker hanno annotato l'oggetto dati o quando è stato raggiunto TaskAvailabilityLifetimeInSeconds, a seconda di ciò che avviene prima, Ground Truth invia tali annotazioni al proprio Lambda di post-annotazione. Questa Lambda viene generalmente utilizzata per Consolidamento delle annotazioni.

Il blocco di codice seguente contiene lo schema di richiesta di post-annotazione. Ogni parametro è descritto nell'elenco puntato seguente.

{
    "version": "2018-10-16",
    "labelingJobArn": <string>,
    "labelCategories": [<string>],
    "labelAttributeName": <string>,
    "roleArn" : <string>,
    "payload": {
        "s3Uri": <string>
    }
 }

Il blocco di codice seguente contiene un esempio di richiesta post-annotazione. Ogni parametro in questo esempio è spiegato sotto il blocco di codice.

{
    "version": "2018-10-16",
    "labelingJobArn": "arn:aws:sagemaker:us-west-2:111122223333:labeling-job/labeling-job-name",
    "labelCategories": ["Ex Category1","Ex Category2", "Ex Category3"],
    "labelAttributeName": "labeling-job-attribute-name",
    "roleArn" : "arn:aws:iam::111122223333:role/role-name",
    "payload": {
        "s3Uri": "s3://amzn-s3-demo-bucket/annotations.json"
    }
 }

Il seguente blocco di codice contiene lo schema di payload. Questo è il file indicato dal s3Uri parametro nell'oggetto di richiesta Lambda post-annotazione. payload JSON Ad esempio, se il blocco di codice precedente è la richiesta Lambda post-annotazione, il seguente file di annotazione si trova in s3://amzn-s3-demo-bucket/annotations.json.

Ogni parametro è descritto nell'elenco puntato seguente.

[
    {
        "datasetObjectId": <string>,
        "dataObject": {
            "s3Uri": <string>,
            "content": <string>
        },
        "annotations": [{
            "workerId": <string>,
            "annotationData": {
                "content": <string>,
                "s3Uri": <string>
            }
       }]
    }
]

La tabella seguente contiene esempi del contenuto che è possibile trovare nel payload per diversi tipi di annotazioni.

La funzione Lambda post-annotazione può contenere una logica simile alla seguente per scorrere in loop e accedere a tutte le annotazioni contenute nella richiesta. Per un esempio completo, vedete annotation_consolidation_lambda.py nel repository -recipe. aws-sagemaker-ground-truth GitHub In questo GitHub esempio, è necessario aggiungere la propria logica di consolidamento delle annotazioni.

for i in range(len(annotations)):
    worker_id = annotations[i]["workerId"]
    annotation_content = annotations[i]['annotationData'].get('content')
    annotation_s3_uri = annotations[i]['annotationData'].get('s3uri')
    annotation = annotation_content if annotation_s3_uri is None else s3_client.get_object_from_s3(
        annotation_s3_uri)
    annotation_from_single_worker = json.loads(annotation)

    print("{} Received Annotations from worker [{}] is [{}]"
            .format(log_prefix, worker_id, annotation_from_single_worker))

In cambio, Ground Truth richiede una risposta formattata come la seguente:

[
   {        
        "datasetObjectId": <string>,
        "consolidatedAnnotation": {
            "content": {
                "<labelattributename>": {
                    # ... label content
                }
            }
        }
    },
   {        
        "datasetObjectId": <string>,
        "consolidatedAnnotation": {
            "content": {
                "<labelattributename>": {
                    # ... label content
                }
            }
        }
    }
    .
    .
    .
]

Quando restituisci le annotazioni content, ciò porta a una voce nel manifesto di output del proprio processo simile alla seguente:

{  "source-ref"/"source" : "<s3uri or content>", 
   "<labelAttributeName>": {
        # ... label content from you
    },   
   "<labelAttributeName>-metadata": { # This will be added by Ground Truth
        "job_name": <labelingJobName>,
        "type": "groundTruth/custom",
        "human-annotated": "yes", 
        "creation_date": <date> # Timestamp of when received from Post-labeling Lambda
    }
}

A causa della natura potenzialmente complessa di un modello personalizzato e dei dati che raccoglie, Ground Truth non offre un'ulteriore elaborazione dei dati.