در AWS re:Invent 2021 راه اندازی شد، Amazon SageMaker Ground Truth Plus به شما کمک میکند تا مجموعه دادههای آموزشی با کیفیت بالا را با حذف کارهای سنگین غیرمتمایز مرتبط با ساخت برنامههای برچسبگذاری داده و مدیریت نیروی کار برچسبگذاری ایجاد کنید. تنها کاری که انجام می دهید این است که داده ها را همراه با الزامات برچسب گذاری به اشتراک بگذارید، و Ground Truth Plus گردش کار برچسب گذاری داده های شما را بر اساس این الزامات تنظیم و مدیریت می کند. از آنجا، یک نیروی کار متخصص که در زمینه انواع وظایف یادگیری ماشین (ML) آموزش دیده اند، برچسب گذاری داده ها را انجام می دهند. برای استفاده از Ground Truth Plus حتی به تخصص عمیق ML یا دانش طراحی گردش کار و مدیریت کیفیت نیاز ندارید.
ایجاد یک مجموعه داده آموزشی با کیفیت بالا برای الگوریتم ML شما یک فرآیند تکراری است. متخصصان ML اغلب سیستمهای سفارشی را برای بازرسی برچسبهای داده میسازند، زیرا دادههای برچسبگذاری شده دقیق برای کیفیت مدل ML بسیار مهم است. برای اطمینان از دریافت دادههای آموزشی با کیفیت بالا، Ground Truth Plus یک رابط کاربری داخلی (واسطه مرورگر) برای بررسی کیفیت برچسبهای داده و ارائه بازخورد در مورد برچسبهای داده تا زمانی که اطمینان حاصل کنید که برچسبها دقیقا نشان دهنده حقیقت زمینی یا چیزی که مستقیماً در دنیای واقعی قابل مشاهده است.
این پست شما را در مراحل ایجاد یک تیم پروژه و استفاده از چندین ویژگی داخلی جدید ابزار Review UI برای تکمیل بازرسی خود از مجموعه داده برچسبگذاری شده راهنمایی میکند. پیشفرض فرض میکند که شما یک پروژه برچسبگذاری Ground Truth Plus فعال دارید. برای اطلاعات بیشتر ببین Amazon SageMaker Ground Truth Plus – ایجاد مجموعه داده های آموزشی بدون کد یا منابع داخلی.
یک تیم پروژه راه اندازی کنید
یک تیم پروژه با استفاده از ابزار Review UI به اعضای سازمان شما دسترسی میدهد تا برچسبهای دادهها را بازرسی کنند. برای راه اندازی یک تیم پروژه، مراحل زیر را انجام دهید:
- روی زمین حقیقت پلاس کنسول، انتخاب کنید ایجاد تیم پروژه.
- انتخاب کنید یک گروه کاربری جدید آمازون Cognito ایجاد کنید . اگر قبلاً موجودی دارید Cognito آمازون گروه کاربری را انتخاب کنید واردات اعضا گزینه.
- برای نام گروه کاربری آمازون Cognito، یک نام وارد کنید. این نام را نمی توان تغییر داد.
- برای آدرس ایمیل، آدرس ایمیل حداکثر 50 نفر از اعضای تیم را که با کاما از هم جدا شده اند وارد کنید.
- را انتخاب کنید ایجاد تیم پروژه.
اعضای تیم شما ایمیلی دریافت خواهند کرد که از آنها دعوت می کند به تیم پروژه Ground Truth Plus بپیوندند. از آنجا، آنها می توانند برای بررسی برچسب های داده ها، وارد پورتال پروژه Ground Truth Plus شوند.
کیفیت مجموعه داده برچسبگذاری شده را بررسی کنید
حالا بیایید با استفاده از یک مثال ردیابی شی ویدیویی شیرجه بزنیم صحنه های خیابانی CBCL مجموعه داده
پس از برچسب گذاری داده های دسته شما، دسته به عنوان علامت گذاری می شود آماده برای بررسی.
دسته را انتخاب کنید و انتخاب کنید دسته را مرور کنید. شما به رابط کاربری مرور هدایت می شوید. شما این امکان را دارید که برای هر دسته ای که بررسی می کنید، نرخ نمونه برداری متفاوتی را انتخاب کنید. به عنوان مثال، در دسته نمونه ما، در مجموع پنج ویدیو داریم. میتوانید مشخص کنید که میخواهید فقط زیرمجموعهای از این پنج ویدیو یا همه آنها را مرور کنید.
اکنون بیایید به عملکردهای مختلف در رابط کاربری Review نگاهی بیندازیم که به شما در بررسی کیفیت مجموعه داده برچسبگذاری شده با سرعتی سریعتر و ارائه بازخورد در مورد کیفیت کمک میکند:
- برچسب ها را بر اساس دسته برچسب فیلتر کنید – در رابط کاربری Review، در قسمت سمت راست، میتوانید برچسبها را بر اساس دسته برچسبشان فیلتر کنید. این ویژگی زمانی مفید است که چندین دسته برچسب وجود داشته باشد (به عنوان مثال،
Vehicles
,Pedestrians
وPoles
) در یک شی مجموعه داده متراکم، و شما می خواهید برچسب ها را برای یک دسته برچسب در یک زمان مشاهده کنید. به عنوان مثال، بیایید بر روی آن تمرکز کنیمCar
دسته برچسب را وارد کنیدCar
دسته برچسب را در قسمت سمت راست برای فیلتر کردن فقط برای تمام حاشیه نویسی های نوعCar
. تصاویر زیر نمای رابط کاربری مرورگر را قبل و بعد از اعمال فیلتر نشان می دهد.
- مقادیر مشخصه مشروح مرتبط را پوشش دهید - به هر برچسب می توان ویژگی هایی برای حاشیه نویسی اختصاص داد. به عنوان مثال، برای دسته برچسب
Car
، بگویید می خواهید از کارگران بخواهید که حاشیه نویسی کنندColor
وOcclusion
ویژگی های هر نمونه برچسب وقتی رابط کاربری Review را بارگیری میکنید، ویژگیهای مربوطه را در زیر هر نمونه برچسب در سمت راست میبینید. اما اگر بخواهید این حاشیهنویسیها را مستقیماً روی تصویر ببینید، چه؟ شما برچسب را انتخاب می کنیدCar:1
، و برای همپوشانی حاشیه نویسی ویژگی هاCar:1
، فشار می دهید Ctrl + A.
حالا حاشیه نویسی را خواهید دیدDark Blue
برایColor
صفت و حاشیه نویسیNone
برایOcclusion
ویژگی مستقیماً بر روی تصویر در کنار نشان داده می شودCar:1
جعبه مرزی اکنون می توانید به راحتی آن را تأیید کنیدCar:1
به عنوان علامت گذاری شدDark Blue
، بدون انسداد فقط از نگاه کردن به تصویر به جای نیاز به مکان یابیCar:1
در سمت راست برای دیدن حاشیه نویسی ویژگی ها.
- بازخورد خود را در سطح برچسب بگذارید - برای هر برچسب، می توانید بازخورد خود را در سطح برچسب در آن برچسب بگذارید بازخورد برچسب ویژگی رشته آزاد به عنوان مثال، در این تصویر،
Car:1
بیشتر سیاه به نظر می رسد تا آبی تیره شما می توانید این اختلاف را به عنوان بازخورد ارسال کنیدCar:1
با استفاده از بازخورد برچسب برای ردیابی نظر به آن برچسب روی آن فریم. تیم کنترل کیفیت داخلی ما این بازخورد را بررسی میکند و تغییراتی را در فرآیند حاشیهنویسی و خطمشیهای برچسبگذاری معرفی میکند و حاشیهنویسها را در صورت لزوم آموزش میدهد.
- بازخورد را در سطح قاب بگذارید - به طور مشابه، برای هر فریم، می توانید بازخورد را در سطح فریم زیر آن فریم بگذارید بازخورد قاب ویژگی رشته آزاد در این مورد، حاشیه نویسی برای
Car
وPedestrian
کلاس ها درست به نظر می رسند و به خوبی در این فریم پیاده سازی شده اند. شما می توانید این بازخورد مثبت را با استفاده از ارائه بازخورد فیلد، و نظر شما به این فریم پیوند داده شده است.
- بازخورد حاشیه نویسی را در فریم های دیگر کپی کنید - اگر روی آن مشخصه راست کلیک کنید، میتوانید بازخورد سطح برچسب و سطح فریم را به فریمهای دیگر کپی کنید. این ویژگی زمانی مفید است که میخواهید بازخورد یکسانی را در بین فریمها برای آن برچسب تکرار کنید، یا بازخورد یکسان در سطح فریم را برای چندین فریم اعمال کنید. این ویژگی به شما این امکان را می دهد که به سرعت بررسی برچسب های داده ها را کامل کنید.
- هر شیء مجموعه داده را تأیید یا رد کنید - برای هر شی مجموعه داده ای که بررسی می کنید، این گزینه را دارید که یکی را انتخاب کنید تصویب اگر از حاشیه نویسی راضی هستید یا انتخاب می کنید رد کنید اگر راضی نیستید و می خواهید آن حاشیه نویسی دوباره کار شود. وقتی انتخاب می کنید ارسال، گزینه ای برای تأیید یا رد ویدیویی که به تازگی بازبینی کرده اید به شما ارائه می شود. در هر صورت، میتوانید نظرات دیگری ارائه دهید:
- اگر شما را انتخاب کنید تصویب، تفسیر اختیاری است.
- اگر شما را انتخاب کنید رد کنید، توضیح لازم است و پیشنهاد می کنیم بازخورد دقیق ارائه دهید. بازخورد شما توسط یک تیم کنترل کیفیت اختصاصی Ground Truth Plus بررسی خواهد شد، که اقدامات اصلاحی را برای جلوگیری از اشتباهات مشابه در ویدیوهای بعدی انجام خواهد داد.
- اگر شما را انتخاب کنید تصویب، تفسیر اختیاری است.
پس از ارسال ویدیو با بازخورد خود، به صفحه جزئیات پروژه در پورتال پروژه هدایت می شوید، جایی که می توانید تعداد اشیاء رد شده را در زیر مشاهده کنید. اشیاء رد شده ستون و میزان خطا، که به عنوان تعداد اشیاء پذیرفته شده از اشیاء بررسی شده در زیر محاسبه می شود نرخ پذیرش ستون برای هر دسته در پروژه شما. به عنوان مثال، برای دسته 1 در اسکرین شات زیر، نرخ پذیرش 80٪ است زیرا از پنج شی بررسی شده، چهار شی پذیرفته شد.
نتیجه
یک مجموعه داده آموزشی با کیفیت بالا برای دستیابی به ابتکارات ML شما حیاتی است. با Ground Truth Plus، اکنون یک ابزار داخلی بررسی رابط کاربری پیشرفته دارید که بار سنگین غیرمتمایز مرتبط با ساخت ابزارهای سفارشی را برای بررسی کیفیت مجموعه داده برچسبگذاری شده حذف میکند. این پست شما را با نحوه راه اندازی یک تیم پروژه و استفاده از ویژگی های داخلی جدید ابزار Review UI آشنا کرد. بازدید کنید کنسول Ground Truth Plus برای شروع.
مثل همیشه، AWS از بازخورد استقبال می کند. لطفا هرگونه نظر یا سوالی را مطرح کنید.
درباره نویسنده
مانیش گوئل مدیر محصول Amazon SageMaker Ground Truth Plus است. او بر ساخت محصولاتی تمرکز دارد که استفاده از یادگیری ماشین را برای مشتریان آسانتر میکند. در اوقات فراغت از سفرهای جاده ای و خواندن کتاب لذت می برد.
روکا کوستواوا یک مهندس توسعه دهنده نرم افزار در آمازون AWS است که در آنجا روی راه حل های مواجهه با مشتری و راه حل های داخلی برای گسترش وسعت و مقیاس پذیری خدمات Sagemaker Ground Truth کار می کند. به عنوان یک محقق، او به سمت بهبود ابزارهای تجارت برای پیشبرد نوآوری هدایت می شود.
- Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
- CryptoHawk. رادار آلت کوین امتحان رایگان.
- منبع: https://aws.amazon.com/blogs/machine-learning/inspect-your-data-labels-with-a-visual-no-code-tool-to-create-high-quality-training-datasets- with-amazon-sagemaker-ground-truth-plus/
- "
- 100
- 2021
- a
- دسترسی
- در میان
- اقدامات
- فعال
- اضافی
- آدرس
- الگوریتم
- معرفی
- اجازه می دهد تا
- قبلا
- همیشه
- آمازون
- برنامه های کاربردی
- درخواست
- با استفاده از
- تصویب
- اختصاص داده
- مرتبط است
- خواص
- AWS
- زیرا
- قبل از
- سیاه پوست
- جسور
- کتاب
- جعبه
- ساختن
- بنا
- ساخته شده در
- محاسبه
- مورد
- دسته بندی
- را انتخاب کنید
- کلاس ها
- رمز
- نظرات
- کامل
- کنسول
- کنترل
- متناظر
- ایجاد
- بحرانی
- سفارشی
- مشتری
- مشتریان
- تاریک
- داده ها
- اختصاصی
- عمیق
- طرح
- جزئیات
- دقیق
- توسعه دهنده
- مختلف
- مستقیما
- راندن
- رانده
- هر
- به آسانی
- موثر
- پست الکترونیک
- مهندس
- وارد
- مثال
- گسترش
- کارشناس
- تخصص
- نما
- سریعتر
- ویژگی
- امکانات
- باز خورد
- انعطاف پذیری
- تمرکز
- متمرکز شده است
- پیروی
- به جلو
- FRAME
- رایگان
- از جانب
- گروه
- داشتن
- کمک
- کمک می کند
- با کیفیت بالا
- چگونه
- چگونه
- HTTPS
- تصویر
- اجرا
- بهبود
- اطلاعات
- ابتکارات
- ابداع
- نمونه
- رابط
- IT
- پیوستن
- دانش
- برچسب
- برچسب
- برچسب ها
- یادگیری
- ترک کردن
- سطح
- بلند کردن اجسام
- بار
- نگاه کنيد
- به دنبال
- دستگاه
- فراگیری ماشین
- ساخت
- مدیریت
- مدیر
- مدیریت
- اعضا
- اشتباهات
- MIT
- ML
- مدل
- بیش
- چندگانه
- بعد
- عدد
- گزینه
- کدام سازمان ها
- دیگر
- لطفا
- سیاست
- پورتال
- مثبت
- روند
- محصول
- محصولات
- پروژه
- ارائه
- فراهم می کند
- ارائه
- کیفیت
- به سرعت
- RE
- مطالعه
- دنیای واقعی
- گرفتن
- از بین بردن
- نشان دادن
- ضروری
- مورد نیاز
- این فایل نقد می نویسید:
- کلیک راست کنید
- جاده
- همان
- مقیاس پذیری
- خدمات
- تنظیم
- چند
- اشتراک گذاری
- نشان
- مشابه
- به طور مشابه
- نرم افزار
- مزایا
- آغاز شده
- سیستم های
- وظایف
- تیم
- La
- از طریق
- زمان
- ابزار
- ابزار
- مسیر
- پیگردی
- تجارت
- قطار
- آموزش
- ui
- زیر
- استفاده کنید
- تنوع
- بررسی
- تصویری
- فیلم های
- چشم انداز
- چی
- چه شده است
- WHO
- در داخل
- بدون
- کارگران
- نیروی کار
- با این نسخهها کار
- جهان
- شما