Usando um trabalho do Amazon Sagemaker Ground Truth - Amazon Lookout for Vision
Classificação de imagensSegmentação de imagens Rotulando imagens com o Amazon SageMaker Ground TruthCriando o conjuntos de dados

Aviso de fim do suporte: em 31 de outubro de 2025, o suporte para o Amazon Lookout for Vision AWS será interrompido. Depois de 31 de outubro de 2025, você não poderá mais acessar o console do Lookout for Vision ou os recursos do Lookout for Vision. Para obter mais informações, visite esta postagem do blog.

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Usando um trabalho do Amazon Sagemaker Ground Truth

A rotulagem de imagens pode levar um tempo significativo. Por exemplo, pode levar 10 segundos para desenhar com precisão uma máscara ao redor de uma anomalia. Se você tiver centenas de imagens, pode levar várias horas para rotulá-las. Como alternativa a rotular as imagens você mesmo, considere usar o Amazon SageMaker Ground Truth.

Com o Amazon SageMaker Ground Truth, você pode usar funcionários da Amazon Mechanical Turk, uma empresa fornecedora de sua escolha, ou de uma força de trabalho interna e privada para criar um conjunto rotulado de imagens. Para obter mais informações, consulte Use o Amazon SageMaker Ground Truth para rotular dados.

Há um custo para usar o Amazon Mechanical Turk. Além disso, pode levar vários dias para concluir um trabalho de etiquetagem do Amazon Ground Truth. Se o custo for um problema ou se você precisar treinar seu modelo rapidamente, recomendamos que você use o console do Amazon Lookout for Vision para rotular as imagens.

Você pode usar uma tarefa de etiquetagem SageMaker do Amazon Ground Truth para rotular imagens adequadas para modelos de classificação de imagens e modelos de segmentação de imagens. Após a conclusão do trabalho, você usa o arquivo de manifesto de saída para criar um conjunto de dados do Amazon Lookout for Vision.

Classificação de imagens

Para rotular imagens de um modelo de classificação de imagens, crie um trabalho de rotulagem para uma tarefa de Classificação de imagens (etiqueta única).

Segmentação de imagens

Para rotular imagens para um modelo de segmentação de imagens, crie uma tarefa de rotulagem para uma tarefa de classificação de imagens (etiqueta única). Depois, encadeie o trabalho para criar um trabalho de rotulagem para uma tarefa de segmentação semântica de imagem.

Você também pode usar um trabalho de rotulagem para criar um arquivo de manifesto parcial para um modelo de segmentação de imagem. Por exemplo, você pode classificar imagens com uma tarefa de Classificação de Imagem (Etiqueta Única). Depois de criar um conjunto de dados do Lookout for Vision com a saída do trabalho, use o console do Amazon Lookout for Vision para adicionar máscaras de segmentação e rótulos de anomalias às imagens do conjunto de dados.

Rotulando imagens com o Amazon SageMaker Ground Truth

O procedimento a seguir mostra como rotular imagens com as tarefas de rotulagem de imagens SageMaker do Amazon Ground Truth. O procedimento cria um arquivo de manifesto de classificação de imagens e, opcionalmente, encadeia a tarefa de rotulagem de imagens para criar um arquivo de manifesto de segmentação de imagem. Se você quiser que seu projeto tenha um conjunto de dados de teste separado, repita esse procedimento para criar o arquivo de manifesto para o conjunto de dados de teste.

Para rotular imagens com o Amazon SageMaker Ground Truth (Console)

  1. Crie um trabalho do Ground Truth para uma tarefa de Classificação de imagem (rótulo único) seguindo as instruções em Create a Labeling Job (Console).

    1. Para a etapa 10, escolha Imagem no menu suspenso Categoria de tarefa e selecione Classificação de imagem (rótulo único) como o tipo de tarefa.

    2. Para a etapa 16, na seção Ferramenta de rotulagem de classificação de imagem (rótulo único), adicione duas etiquetas: normal e anomalia.

  2. Espere até que a força de trabalho termine de classificar suas imagens.

  3. Se você estiver criando um conjunto de dados para um modelo de segmentação de imagens, faça o seguinte. Do contrário, vá para a etapa 4.

    1. No console do Amazon SageMaker Ground Truth, abra a página Labeling jobs.

    2. Selecione o trabalho que você criou anteriormente. Isso habilita o menu Ações.

    3. No menu Ações, escolha Cadeia. A página de detalhes do trabalho é aberta.

    4. Em Tipo de tarefa, escolha segmentação semântica.

    5. Escolha Próximo.

    6. Na seção Ferramenta de rotulagem de segmentação semântica, adicione rótulos de anomalia para cada tipo de anomalia que você deseja que o modelo encontre.

    7. Escolha Criar.

    8. Espere até que a força de trabalho rotule suas imagens.

  4. Abra o console do Ground Truth e acesse a página Trabalhos de rotulagem.

  5. Se estiver criando um modelo de classificação de imagem, escolha o trabalho criado na etapa 1. Se você estiver criando um modelo de segmentação de imagem, escolha o trabalho criado na etapa 3.

  6. Em Resumo de trabalho de rotulagem, abra o local do S3 em Local de saída do conjunto de dados. Anote a localização do arquivo de manifesto, que deveria ser s3://output-dataset-location/manifests/output/output.manifest.

  7. Repita esse procedimento se quiser criar um arquivo de manifesto para um conjunto de dados de teste. Caso contrário, siga as instruções em Criando o conjuntos de dados para criar um conjunto de dados com o arquivo de manifesto.

Criando o conjuntos de dados

Use esse procedimento para criar um conjunto de dados em um projeto do Lookout for Vision com o arquivo de manifesto que você anotou na etapa 6 de Rotulando imagens com o Amazon SageMaker Ground Truth. O arquivo de manifesto cria o conjunto de dados de treinamento para um único projeto de conjunto de dados. Se você quiser que seu projeto tenha um conjunto de dados de teste separado, você pode executar outro trabalho do Amazon SageMaker Ground Truth para criar um arquivo de manifesto para o conjunto de dados de teste. Ou você pode criar o arquivo de manifesto por conta própria. Você também pode importar imagens para seu conjunto de dados de teste a partir de um bucket do Amazon S3 ou do seu computador local. (As imagens podem precisar ser rotuladas antes que você possa treinar o modelo).

Esse procedimento pressupõe que seu projeto não tenha conjuntos de dados.

Para criar um conjunto de dados com o Lookout for Vision (Console)

  1. Abra o console https://console.aws.amazon.com/lookoutvision/Amazon Lookout for Vision em.

  2. Escolha Comece a usar.

  3. No painel de navegação à esquerda, escolha Projetos.

  4. Escolha o projeto que você deseja adicionar para usar com o arquivo de manifesto.

  5. Na seção Como funciona, escolha Criar conjunto de dados.

  6. Escolha a guia Conjunto de dados único ou a guia Conjuntos de dados de treinamento e teste separados e siga as etapas.

    Single dataset

    1. Escolha Criar um único conjunto de dados.

    2. Na seção Configuração da fonte de imagem, escolha Importar imagens rotuladas por SageMaker Ground Truth.

    3. Em Localização do arquivo .manifest, insira a localização do arquivo de manifesto que você anotou na etapa 6 de Rotulando imagens com o Amazon SageMaker Ground Truth.

    Separate training and test datasets

    1. Escolha Criar um conjunto de dados de treinamento e um conjunto de dados de teste.

    2. Na seção Detalhes do conjunto de dados de treinamento, escolha Importar imagens rotuladas por SageMaker Ground Truth.

    3. Em Localização do arquivo .manifest, a localização do arquivo de manifesto que você anotou na etapa 6 de Rotulando imagens com o Amazon SageMaker Ground Truth.

    4. Na seção Detalhes do conjunto de dados de teste, escolha Importar imagens rotuladas por SageMaker Ground Truth.

    5. Em Localização do arquivo .manifest, a localização do arquivo de manifesto que você anotou na etapa 6 de Rotulando imagens com o Amazon SageMaker Ground Truth. Lembre-se de que você precisa de um arquivo de manifesto separado para o conjunto de dados de teste.

  7. Selecione Enviar.

  8. Siga as etapas em Treinamento de seu modelo para treinar o modelo.