A pózbecslés egy számítógépes látástechnika, amely a képeken vagy videókon belül tárgyakon (például embereken vagy járműveken) lévő pontokat észlel. A pózbecslés valós alkalmazásokat kínál a sportban, a robotikában, a biztonságban, a kiterjesztett valóságban, a médiában és a szórakoztatásban, az orvosi alkalmazásokban és még sok másban. A pózbecslési modelleket olyan képeken vagy videókon tanítják, amelyek egy rig által meghatározott következetes pontkészlettel (koordinátákkal) vannak ellátva. A pontos pózbecslési modellek betanításához először be kell szereznie egy nagy adathalmazt megjegyzésekkel ellátott képekből; sok adatkészlet több tíz- vagy százezer megjegyzéssel ellátott képet tartalmaz, és jelentős erőforrásokat igényel az elkészítése. A címkézési hibákat fontos azonosítani és megelőzni, mivel a pózbecslési modellek modelljének teljesítményét nagymértékben befolyásolja a címkézett adatok minősége és mennyisége.
Ebben a bejegyzésben bemutatjuk, hogyan használhat egyéni címkézési munkafolyamatot Amazon SageMaker Ground Truth kifejezetten kulcspontok címkézésére tervezték. Ez az egyedi munkafolyamat segít leegyszerűsíteni a címkézési folyamatot és minimalizálni a címkézési hibákat, ezáltal csökkentve a kiváló minőségű címkék beszerzésének költségeit.
A jó minőségű adatok fontossága és a címkézési hibák csökkentése
A kiváló minőségű adatok alapvetőek a robusztus és megbízható pózbecslési modellek képzéséhez. Ezeknek a modelleknek a pontossága közvetlenül függ az egyes pózkulcspontokhoz rendelt címkék helyességétől és pontosságától, ami viszont az annotációs folyamat hatékonyságától függ. Ezen túlmenően, a sokféle és jól feljegyzett adatmennyiség biztosítja, hogy a modell a pózok, variációk és forgatókönyvek széles skáláját tudja megtanulni, ami jobb általánosítást és teljesítményt eredményez a különböző valós alkalmazások között. Ezeknek a nagy, annotált adatkészleteknek a beszerzése emberi annotátorokat igényel, akik gondosan felcímkézik a képeket a pózinformációkkal. A képen belüli érdekes helyek felcímkézése közben hasznos az objektum vázszerkezetének megtekintése a címkézés során, hogy vizuális útmutatást adhasson a jegyzőnek. Ez hasznos a címkézési hibák azonosításában, mielőtt azokat beépítenék az adatkészletbe, például bal-jobb cseréket vagy téves címkéket (például egy láb vállként való megjelölését). Például egy címkézési hiba, mint a következő példában a bal-jobb csere, könnyen azonosítható a vázszerkezet vonalainak kereszteződéséből és a színek hibás egyezéséből. Ezek a vizuális jelzések segítenek a címkézőknek felismerni a hibákat, és tisztább címkekészletet eredményeznek.
A címkézés kézi jellege miatt a nagy és pontos címkézett adatkészletek beszerzése költségkímélő lehet, és még inkább nem hatékony címkézési rendszer esetén. Ezért a címkézés hatékonysága és pontossága kritikus fontosságú a címkézési munkafolyamat megtervezésekor. Ebben a bejegyzésben bemutatjuk, hogyan használhatunk egyéni SageMaker Ground Truth címkézési munkafolyamatot a képek gyors és pontos megjegyzéséhez, csökkentve ezzel a nagy adatkészletek fejlesztésének terhét a pózbecslési munkafolyamatokhoz.
A megoldás áttekintése
Ez a megoldás egy online internetes portált biztosít, ahol a címkézési munkatársak egy webböngésző segítségével bejelentkezhetnek, hozzáférhetnek a címkézési munkákhoz, és megjegyzéseket fűzhetnek a képekhez a crowd-2d-skeleton felhasználói felület (UI) segítségével, amely egy egyéni felhasználói felület, amelyet kulcspontok és pózok címkézésére terveztek. SageMaker Ground Truth. A címkézési munkaerő által létrehozott megjegyzések vagy címkék ezután exportálásra kerülnek egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör, ahol olyan downstream folyamatokhoz használhatók, mint például a számítógépes látásmodellek mélytanulási képzése. Ez a megoldás végigvezeti Önt a webportál létrehozásához szükséges összetevők beállításán és telepítésén, valamint a címkézési munkafolyamathoz szükséges címkézési feladatok létrehozásán.
Az alábbiakban a teljes architektúra diagramja látható.
Ez az architektúra több kulcsfontosságú összetevőből áll, amelyek mindegyikét részletesebben ismertetjük a következő szakaszokban. Ez az architektúra a SageMaker Ground Truth által üzemeltetett online webportált biztosít a címkéző munkaerő számára. Ezen a portálon minden címkéző bejelentkezhet, és megtekintheti címkézési feladatait. Miután bejelentkeztek, a címkéző kiválaszthat egy címkézési feladatot, és megkezdheti a képek kommentálását az általa tárolt egyéni felhasználói felület használatával. Amazon CloudFront. Használunk AWS Lambda annotáció előtti és utáni adatfeldolgozási funkciók.
A következő képernyőkép egy példa a felhasználói felületre.
A címkéző a felhasználói felület segítségével meghatározott kulcspontokat jelölhet meg a képen. A kulcspontok közötti vonalak automatikusan megrajzolódnak a felhasználó számára a felhasználói felület által használt vázszerkezet-definíció alapján. A felhasználói felület számos testreszabást tesz lehetővé, például a következőket:
- Egyéni kulcspontnevek
- Konfigurálható kulcspont színek
- Konfigurálható rig line színek
- Konfigurálható csontváz és rig szerkezetek
Ezek mindegyike célzott funkciók a címkézés egyszerűségének és rugalmasságának javítására. A felhasználói felület testreszabásának konkrét részleteit a GitHub repo és ebben a bejegyzésben foglaljuk össze őket. Ne feledje, hogy ebben a bejegyzésben az emberi pózbecslést használjuk alapfeladatként, de kibővítheti a tárgypóz címkézését egy előre meghatározott eszközzel más tárgyak, például állatok vagy járművek számára is. A következő példában bemutatjuk, hogyan alkalmazható ez egy dobozos teherautó pontjainak címkézésére.
SageMaker Ground Truth
Ebben a megoldásban a SageMaker Ground Truth-ot használjuk, hogy a címkézési munkaerőt online portálhoz és a címkézési feladatok kezeléséhez biztosítsuk. Ez a bejegyzés feltételezi, hogy ismeri a SageMaker Ground Truth-ot. További információkért lásd: Amazon SageMaker Ground Truth.
CloudFront disztribúció
Ehhez a megoldáshoz a címkéző felhasználói felülethez szükség van egy személyre szabott JavaScript-összetevőre, a crowd-2d-skeleton összetevőre. Ez az összetevő megtalálható a GitHub az Amazon nyílt forráskódú kezdeményezéseinek részeként. A CloudFront disztribúciót fogják használni a crowd-2d-skeleton.js, amelyre a SageMaker Ground Truth UI-nak van szüksége. A CloudFront disztribúcióhoz egy eredet hozzáférési identitás lesz rendelve, amely lehetővé teszi a CloudFront disztribúció számára, hogy hozzáférjen az S2 tárolóban található crowd-3d-skeleton.js fájlhoz. Az S3 tároló privát marad, és a tárolóban lévő többi objektum nem lesz elérhető a CloudFront disztribúción keresztül, mivel korlátozásokat vezetünk be az eredet hozzáférési identitására egy vödör házirenden keresztül. Ez egy ajánlott gyakorlat a legkisebb kiváltság elvének követésére.
Amazon S3 vödör
Az S3 tárolót használjuk a SageMaker Ground Truth bemeneti és kimeneti jegyzékfájljainak, az egyéni felhasználói felület sablonnak, a címkézési feladatokhoz szükséges képeknek és az egyéni felhasználói felülethez szükséges JavaScript kódnak a tárolására. Ez a vödör privát lesz, és nem lesz nyilvános. A vödörnek lesz egy olyan gyűjtőházirendje is, amely korlátozza a CloudFront disztribúciót, hogy csak a felhasználói felülethez szükséges JavaScript-kódhoz férhessen hozzá. Ez megakadályozza, hogy a CloudFront disztribúció más objektumokat tároljon az S3 tárolóban.
Annotáció előtti Lambda funkció
A SageMaker Ground Truth címkézési feladatok általában egy bemeneti jegyzékfájlt használnak, amely JSON Lines formátumú. Ez a bemeneti jegyzékfájl egy címkézési feladat metaadatait tartalmazza, hivatkozásként szolgál a címkézendő adatokra, és segít konfigurálni, hogy az adatok hogyan jelenjenek meg az annotátorok számára. A feliratozás előtti Lambda függvény a bemeneti jegyzékfájl elemeit dolgozza fel, mielőtt a jegyzékadatokat bevinné az egyéni felhasználói felületsablonba. Ez az a hely, ahol az elemek bármilyen formázása vagy speciális módosítása elvégezhető, mielőtt az adatokat a kezelőfelületen az annotátoroknak bemutatnánk. A feliratozás előtti lambda-funkciókkal kapcsolatos további információkért lásd: Annotáció előtti Lambda.
Annotáció utáni lambda funkció
A feliratozás előtti Lambda funkcióhoz hasonlóan az utólagos annotációs funkció további adatfeldolgozást végez, amelyet azután érdemes elvégezni, hogy az összes címkéző befejezte a címkézést, de még mielőtt megírná a végleges annotáció kimeneti eredményeit. Ezt a feldolgozást egy Lambda függvény végzi, amely a feladat kimeneti eredményeinek címkézéséhez szükséges adatok formázásáért felelős. Ebben a megoldásban egyszerűen arra használjuk, hogy visszaadjuk az adatokat a kívánt kimeneti formátumban. Az annotáció utáni lambda-funkciókkal kapcsolatos további információkért lásd: Annotáció utáni lambda.
Annotáció utáni lambda funkció szerepe
Használunk egy AWS Identity and Access Management (IAM) szerepkörrel, hogy az annotáció utáni Lambda-függvény számára hozzáférést biztosítson az S3 tárolóhoz. Ez a megjegyzések eredményeinek elolvasásához és a módosítások elvégzéséhez szükséges, mielőtt a végső eredményeket kiírná a kimeneti jegyzékfájlba.
SageMaker Ground Truth szerepe
Ezt az IAM-szerepet arra használjuk, hogy a SageMaker Ground Truth címkézési feladatot lehetővé tegyük a Lambda-függvények meghívására, valamint az S3 tárolóban lévő képek, jegyzékfájlok és egyéni UI-sablonok olvasására.
Előfeltételek
Ehhez az áttekintéshez a következő előfeltételekkel kell rendelkeznie:
Ehhez a megoldáshoz az AWS CDK-t használjuk az architektúra üzembe helyezéséhez. Ezután létrehozunk egy mintacímkézési feladatot, a megjegyzésportál segítségével felcímkézzük a címkézési feladatban szereplő képeket, és megvizsgáljuk a címkézési eredményeket.
Hozza létre az AWS CDK-vermet
Miután teljesítette az összes előfeltételt, készen áll a megoldás üzembe helyezésére.
Állítsa be az erőforrásait
Az erőforrások beállításához hajtsa végre a következő lépéseket:
- Töltse le a példavermet a GitHub repo.
- A cd paranccsal váltson át a tárolóba.
- Hozza létre Python-környezetét, és telepítse a szükséges csomagokat (további részletekért lásd a README.md tárat).
- Ha a Python környezet aktiválva van, futtassa a következő parancsot:
- Futtassa a következő parancsot az AWS CDK telepítéséhez:
- Futtassa a következő parancsot a telepítés utáni szkript futtatásához:
Hozzon létre egy címkézési feladatot
Az erőforrások beállítása után készen áll egy címkézési feladat létrehozására. E bejegyzés céljaira létrehozunk egy címkézési feladatot az adattárban található példaszkriptek és képek felhasználásával.
- CD-t a
scripts
könyvtárat a tárolóban. - Töltse le a példaképeket az internetről a következő kód futtatásával:
Ez a szkript 10 képből álló készletet tölt le, amelyeket a példacímkézési feladatunkban használunk. Ebben a bejegyzésben később áttekintjük, hogyan használhatja saját egyéni bemeneti adatait.
- Hozzon létre egy címkézési feladatot a következő kód futtatásával:
Ez a szkript a SageMaker Ground Truth privát munkaerő ARN-jét veszi alapul, amely egy olyan munkaerő ARN-je kell legyen, amely ugyanabban a fiókban van, amelyben telepítette ezt az architektúrát. A szkript létrehozza a címkézési feladatunk bemeneti jegyzékfájlját, feltölti az Amazon S3-ba, és létrehoz egy SageMaker Ground Truth egyéni címkézési feladatot. A bejegyzés későbbi részében mélyebbre merülünk a forgatókönyv részleteiben.
Címkézze fel az adatkészletet
Miután elindította a példacímkézési feladatot, az megjelenik a SageMaker konzolon és a munkaerő portálon.
A munkaerő-portálon válassza ki a címkézési munkát, és válassza ki Kezdj dolgozni.
Ekkor megjelenik egy kép a példaadatkészletből. Ezen a ponton használhatja az egyéni crowd-2d-skeleton felhasználói felületet a képek megjegyzéséhez. A crowd-2d-skeleton felhasználói felülettel megismerkedhet a következő hivatkozással Felhasználói felület áttekintése. A rig definíciót használjuk a COCO kulcspont-észlelési adatkészlet kihívás mint az emberi póz rig. Megismételve, testreszabhatja ezt az egyéni felhasználói felület összetevő nélkül, hogy az igényeinek megfelelően eltávolítson vagy hozzáadjon pontokat.
Ha végzett egy kép megjegyzéseivel, válassza a lehetőséget Küld. Ezzel az adatkészlet következő képére léphet, amíg az összes képet fel nem címkézi.
Hozzáférés a címkézési eredményekhez
Ha befejezte a címkézési feladatban szereplő összes kép címkézését, a SageMaker Ground Truth meghívja az annotáció utáni Lambda funkciót, és létrehoz egy output.manifest fájlt, amely tartalmazza az összes megjegyzést. Ez output.manifest
az S3 vödörben lesz tárolva. Esetünkben a kimeneti jegyzék helyének követnie kell az S3 URI elérési utat s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. Az output.manifest fájl egy JSON Lines fájl, amelyben minden sor egyetlen képnek és a hozzá tartozó megjegyzéseknek felel meg a címkézési munkaerőtől. Minden JSON-sorelem egy JSON-objektum, sok mezővel. A minket érdeklő terület az ún label-results
. Ennek a mezőnek az értéke egy objektum, amely a következő mezőket tartalmazza:
- dataset_object_id – A bemeneti jegyzékelem azonosítója vagy indexe
- data_object_s3_uri – A kép Amazon S3 URI-ja
- image_file_name – A kép fájlneve
- image_s3_location – A kép Amazon S3 URL-je
- eredeti_annotációk – Az eredeti megjegyzések (csak akkor van beállítva és használatos, ha megjegyzés előtti munkafolyamatot használ)
- frissített_annotációk – A kép megjegyzései
- dolgozó_azonosítója – A jegyzeteket készítő munkaerő
- nincs_módosítás_szükség – A nincs szükség változtatásra jelölőnégyzet be van-e jelölve
- módosítva volt – Az annotációs adatok eltérnek-e az eredeti bemeneti adatoktól
- teljes_idő_másodpercben – Az az idő, ami alatt a munkaerő a képhez megjegyzéseket fűzött
Ezekkel a mezőkkel hozzáférhet az egyes képekhez tartozó megjegyzések eredményeihez, és számításokat végezhet, például egy kép címkézésének átlagos idejét.
Hozzon létre saját címkézési munkákat
Most, hogy létrehoztunk egy példa címkézési feladatot, és megértette az általános folyamatot, végigvezetjük a jegyzékfájl létrehozásáért és a címkézési feladat elindításáért felelős kódon. A szkript azon kulcsfontosságú részeire összpontosítunk, amelyeket érdemes módosítani a saját címkézési munkáinak elindításához.
Kódrészleteket fedünk le a create_example_labeling_job.py
script található GitHub tárház. A szkript a későbbiekben használt változók beállításával kezdődik. A változók egy része az egyszerűség kedvéért keményen kódolt, míg mások, amelyek veremfüggőek, dinamikusan importálódnak futás közben az AWS CDK-veremből létrehozott értékek lekérésével.
A szkript első kulcsfontosságú része a jegyzékfájl létrehozása. Ne feledje, hogy a jegyzékfájl egy JSON-vonalfájl, amely egy SageMaker Ground Truth címkézési feladat részleteit tartalmazza. Minden JSON Lines objektum egy elemet (például egy képet) képvisel, amelyet fel kell címkézni. Ehhez a munkafolyamathoz az objektumnak a következő mezőket kell tartalmaznia:
- forrás-ref – Az Amazon S3 URI a címkézni kívánt képhez.
- annotációk – A jegyzetobjektumok listája, amely a munkafolyamatok előzetes annotálására szolgál. Lásd a crowd-2d-skeleton dokumentáció a várható értékekről bővebben.
A szkript létrehoz egy jegyzéksort a képkönyvtár minden egyes képéhez a következő kódrészlet használatával:
Ha különböző képeket szeretne használni, vagy másik képkönyvtárra szeretne mutatni, módosíthatja a kód adott részét. Ezen túlmenően, ha a feljegyzés előtti munkafolyamatot használ, frissítheti a megjegyzéstömböt egy JSON-karakterlánccal, amely a tömbből és annak összes megjegyzésobjektumából áll. Ennek a tömbnek a formátumának részleteit a crowd-2d-skeleton dokumentáció.
A most létrehozott jegyzéksorokkal létrehozhatja és feltöltheti a jegyzékfájlt a korábban létrehozott S3 tárolóba:
Most, hogy létrehozott egy jegyzékfájlt, amely a címkézni kívánt képeket tartalmazza, létrehozhat egy címkézési feladatot. A címkézési feladatot programozottan is létrehozhatja a AWS SDK Pythonhoz (Boto3). A címkézési feladat létrehozásának kódja a következő:
Ennek a kódnak azokat a szempontjait, amelyeket érdemes módosítani, a következők LabelingJobName
, TaskTitle
és TaskDescription
Az LabelingJobName
a címkézési feladat egyedi neve, amelyet a SageMaker a feladatra hivatkozni fog. Ez a név is megjelenik a SageMaker konzolon. TaskTitle
hasonló célt szolgál, de nem kell egyedinek lennie, és ez lesz a munkaerő-portálon megjelenő munka neve. Érdemes lehet ezeket pontosítani arra vonatkozóan, hogy mit címkéz, vagy mire való a címkézési feladat. Végül megvan a TaskDescription
terület. Ez a mező megjelenik a munkaerő-portálon, hogy extra kontextust biztosítson a címkézőknek a feladathoz, például utasításokat és útmutatást a feladathoz. Ezekről és a többi mezőről további információkért tekintse meg a Create_labeling_job dokumentáció.
Módosítsa a felhasználói felületet
Ebben a részben áttekintünk néhány módot a felhasználói felület testreszabására. Az alábbiakban felsoroljuk a felhasználói felület leggyakoribb lehetséges testreszabásait annak érdekében, hogy a modellezési feladathoz igazítsák:
- Meghatározhatja, hogy mely kulcspontok címkézhetők fel. Ez tartalmazza a kulcspont nevét és színét.
- Megváltoztathatja a csontváz szerkezetét (mely kulcspontok vannak összekapcsolva).
- Megváltoztathatja az adott vonalak színét az adott kulcspontok között.
Mindezek a felhasználói felület testreszabásai a crowd-2d-skeleton komponensbe átadott argumentumokkal konfigurálhatók, amely a JavaScript összetevő. egyéni munkafolyamat sablon. Ebben a sablonban megtalálja a crowd-2d-skeleton összetevő használatát. Az egyszerűsített változatot a következő kód mutatja:
Az előző kódpéldában a következő attribútumokat láthatja az összetevőn: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
és intialValues
. Az egyes attribútumok célját a következő szakaszokban ismertetjük, de a felhasználói felület testreszabása olyan egyszerű, mint az attribútumok értékeinek megváltoztatása, a sablon mentése és a post_deployment_script.py
használtunk korábban.
imgSrc attribútum
A imgSrc
Az attribútum szabályozza, hogy melyik kép jelenjen meg a felhasználói felületen címkézéskor. Általában minden jegyzéksorhoz más-más képet használnak, ezért ez az attribútum gyakran dinamikusan, a beépített Folyadék sablonnyelv. Az előző kódpéldában láthatja, hogy az attribútum értéke be van állítva {{ task.input.image_s3_uri | grant_read_access }}
, amely egy folyékony sablonváltozó, amelyet a ténylegesre cserélünk image_s3_uri
értéket a sablon megjelenítésekor. A renderelési folyamat akkor kezdődik, amikor a felhasználó megnyit egy képet megjegyzés céljából. Ez a folyamat megragad egy sort a bemeneti jegyzékfájlból, és elküldi a megjegyzés előtti Lambda függvénynek. event.dataObject
. Az előjegyzet funkció átveszi a szükséges információkat a sorból, és visszaadja a taskInput
szótárat, amelyet ezután átadnak a Liquid renderelő motornak, amely lecseréli a sablonban lévő Liquid változókat. Tegyük fel például, hogy van egy jegyzékfájlja a következő sorral:
Ezeket az adatokat az előzetes megjegyzés funkcióhoz továbbítjuk. A következő kód megmutatja, hogy a függvény hogyan nyeri ki az értékeket az eseményobjektumból:
A függvényből visszaadott objektum ebben az esetben a következő kódhoz hasonlítana:
A függvényből visszaadott adatok ezután elérhetők a Liquid sablonmotor számára, amely lecseréli a sablonban lévő sablonértékeket a függvény által visszaadott adatértékekre. Az eredmény a következő kódhoz hasonló lenne:
keypointClasses attribútum
A keypointClasses
attribútum határozza meg, hogy mely kulcspontok jelenjenek meg a felhasználói felületen, és mely kulcspontokat használják a jegyzők. Ez az attribútum egy objektumok listáját tartalmazó JSON-karakterláncot vesz fel. Minden objektum egy kulcspontot képvisel. Minden kulcspont objektumnak a következő mezőket kell tartalmaznia:
- id – Egyedi érték a kulcspont azonosítására.
- szín – A kulcspont színe HTML hexadecimális színként ábrázolva.
- címke – A név vagy kulcspont osztály.
- x – Erre az opcionális attribútumra csak akkor van szükség, ha használni szeretné a vázrajzi funkciót a felhasználói felületen. Ennek az attribútumnak az értéke a kulcspont x pozíciója a csontváz határolókeretéhez képest. Ezt az értéket általában a Skeleton Rig Creator eszköz. Ha kulcspont-annotációkat készít, és nem kell egyszerre egy teljes vázat rajzolnia, akkor ezt az értéket 0-ra állíthatja.
- y – Ez az opcionális attribútum hasonló az x-hez, de a függőleges méretre vonatkozik.
További információk a keypointClasses
attribútum, lásd a keypointClasses dokumentációt.
skeletonRig attribútum
A skeletonRig
Az attribútumok szabályozzák, hogy mely kulcspontok között legyenek vonalak. Ez az attribútum egy JSON-karakterláncot vesz fel, amely kulcspont címkepárok listáját tartalmazza. Mindegyik pár tájékoztatja a felhasználói felületet, hogy mely kulcspontok között kell vonalat húzni. Például, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
tájékoztatja a felhasználói felületet, hogy húzzon vonalakat közöttük "left_ankle"
és a "left_knee"
és húzz vonalakat közöttük "left_knee"
és a "left_hip"
. Ezt generálhatja a Skeleton Rig Creator eszköz.
skeletonBoundingBox attribútum
A skeletonBoundingBox
Az attribútum nem kötelező, és csak akkor szükséges, ha a rajzváz funkciót szeretné használni a felhasználói felületen. A vázrajzi funkció lehetővé teszi, hogy egyetlen megjegyzés művelettel egész vázakat jelöljön meg. Ebben a bejegyzésben nem foglalkozunk ezzel a funkcióval. Ennek az attribútumnak az értéke a csontváz határolódobozának mérete. Ezt az értéket általában a Skeleton Rig Creator eszköz. Ha kulcspont megjegyzéseket készít, és nem kell egyszerre egy teljes vázat rajzolnia, akkor ezt az értéket nullára állíthatja. Ennek az értéknek a megszerzéséhez javasolt a Skeleton Rig Creator eszköz használata.
intialValues attribútum
A initialValues
Az attribútum a felhasználói felület előzetes feltöltésére szolgál egy másik folyamatból (például egy másik címkézési feladatból vagy gépi tanulási modellből) származó megjegyzésekkel. Ez akkor hasznos, ha beállítási vagy felülvizsgálati munkákat végez. Az ehhez a mezőhöz tartozó adatok általában dinamikusan vannak feltöltve a következő leírásában imgSrc
tulajdonság. További részletek a crowd-2d-skeleton dokumentáció.
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje az objektumokat az S3 tárolóból, és törölje az AWS CDK veremét. Az S3 objektumokat az Amazon SageMaker konzolon vagy a AWS parancssori interfész (AWS CLI). Miután törölte az összes S3 objektumot a vödörben, megsemmisítheti az AWS CDK-t a következő kód futtatásával:
Ezzel eltávolítja a korábban létrehozott erőforrásokat.
Szempontok
További lépésekre lehet szükség a munkafolyamat élesítéséhez. Íme néhány szempont a szervezet kockázati profiljától függően:
- Hozzáférés és alkalmazásnaplózás hozzáadása
- Webalkalmazás tűzfal (WAF) hozzáadása
- Az IAM-engedélyek beállítása a legkevesebb jogosultság követésére
Következtetés
Ebben a bejegyzésben megosztottuk a címkézés hatékonyságának és pontosságának fontosságát a pózbecslési adatkészletek felépítésében. Mindkét elem segítése érdekében bemutattuk, hogyan használhatja a SageMaker Ground Truth-t egyéni címkézési munkafolyamatok létrehozására, amelyek támogatják a csontváz-alapú címkézési feladatokat, amelyek célja a címkézési folyamat hatékonyságának és pontosságának növelése. Megmutattuk, hogyan bővítheti tovább a kódot és a példákat a különböző egyéni pózbecslési címkézési követelményekre.
Javasoljuk, hogy használja ezt a megoldást címkézési feladataihoz, és vegye fel a kapcsolatot az AWS-vel, ha az egyéni címkézési munkafolyamatokkal kapcsolatos segítségre vagy kérdésre van szüksége.
A szerzőkről
Arthur Putnam egy Full Stack Data Scientist az AWS Professional Services területén. Arthur szakértelme a front-end és back-end technológiák AI-rendszerekbe történő fejlesztésére és integrálására összpontosul. A munkán kívül Arthur szereti felfedezni a technológia legújabb vívmányait, időt tölt a családjával, és élvezi a szabad levegőt.
Ben Fenker az AWS Professional Services vezető adattudósa, és segített ügyfeleinek ML-megoldások kiépítésében és bevezetésében a sporttól az egészségügyön át a gyártásig terjedő iparágakban. Ph.D fokozata van. fizikából a Texas A&M Egyetemen és 6 éves ipari tapasztalattal. Ben szeret baseballozni, olvasni és a gyerekeit nevelni.
Jarvis Lee vezető adattudós az AWS professzionális szolgáltatásokkal. Több mint hat éve dolgozik az AWS-nél, ügyfeleivel gépi tanulással és számítógépes látásproblémákkal foglalkozik. Munkán kívül szívesen biciklizik.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- képesség
- Képes
- hozzáférés
- hozzáférhető
- Fiók
- pontosság
- pontos
- pontosan
- szerez
- beszerzés
- át
- Akció
- cselekmények
- tényleges
- hozzá
- További
- Ezen kívül
- Beállítás
- kiigazítások
- fejlesztések
- Után
- AI
- AI rendszerek
- Célzás
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Az Amazon Web Services
- an
- és a
- állatok
- Másik
- bármilyen
- megjelenik
- Megjelenik
- Alkalmazás
- alkalmazások
- alkalmazott
- építészet
- VANNAK
- érv
- érvek
- körül
- Sor
- Arthur
- AS
- szempontok
- kijelölt
- Támogatás
- feltételezi
- At
- attribútumok
- bővített
- Kiterjesztett valóság
- automatikusan
- elérhető
- átlagos
- elkerülése érdekében
- AWS
- AWS professzionális szolgáltatások
- Back-end
- Baseball
- alapján
- kiindulási
- BE
- mert
- óta
- előtt
- kezdődik
- hogy
- am
- között
- mindkét
- Doboz
- széles
- böngésző
- épít
- Épület
- beépített
- teher
- de
- by
- számítások
- hívott
- TUD
- gondosan
- eset
- CD
- központú
- változik
- Változások
- változó
- díjak
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztály
- tisztító
- cli
- vásárló
- kód
- szín
- jön
- Közös
- teljes
- összetevő
- alkatrészek
- Tartalmaz
- számítógép
- Számítógépes látás
- összefüggő
- megfontolások
- következetes
- Összeáll
- Konzol
- tartalmaz
- tartalmaz
- kontextus
- ellenőrzések
- megfelel
- Költség
- terjed
- teremt
- készítette
- teremt
- létrehozása
- teremtés
- Teremtő
- kritikai
- átkelés
- tömeg
- szokás
- Külön rendelésre készült
- Ügyfelek
- testreszabás
- testre
- dátum
- adatfeldolgozás
- adattudós
- adatkészletek
- dátum idő
- mély
- mély tanulás
- mélyebb
- meghatározott
- meghatározott
- Annak meghatározása,
- definíció
- bizonyítani
- függő
- attól
- függ
- telepíteni
- telepített
- leírni
- leírás
- tervezett
- tervezés
- kívánatos
- elpusztítani
- részlet
- részletek
- Érzékelés
- fejlesztése
- diagram
- különböző
- Dimenzió
- méretek
- közvetlenül
- könyvtár
- terjesztés
- merülés
- számos
- do
- Nem
- Ennek
- csinált
- ne
- letöltések
- húz
- húzott
- két
- alatt
- dinamikusan
- minden
- Korábban
- könnyű
- könnyen
- hatékonyság
- hatékonyság
- ösztönzése
- vegyenek
- Motor
- növelése
- élvezi
- biztosítja
- Szórakozás
- Egész
- Környezet
- hiba
- hibák
- Még
- esemény
- megvizsgálni
- példa
- példák
- Bontsa
- várható
- tapasztalat
- szakvélemény
- Magyarázza
- Feltárása
- terjed
- külön-
- kivonatok
- ismerős
- ismerkedjen
- család
- Funkció
- Jellemzők
- mező
- Fields
- filé
- Fájlok
- utolsó
- Találjon
- tűzfal
- vezetéknév
- Rugalmasság
- Összpontosít
- következik
- következő
- következik
- Láb
- A
- formátum
- talált
- ból ből
- funkció
- funkcionalitás
- funkciók
- alapvető
- további
- jövő
- generált
- kap
- gif
- GitHub
- Ad
- Go
- Földi
- útmutatást
- Fogantyúk
- Legyen
- tekintettel
- he
- egészségügyi
- súlyosan
- segít
- segített
- hasznos
- segít
- itt
- HEX
- jó minőségű
- övé
- vendéglátó
- házigazdája
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- emberi
- Több száz
- ID
- azonosított
- azonosítani
- azonosító
- Identitás
- if
- kép
- képek
- fontosság
- fontos
- javul
- javított
- in
- magában foglalja a
- Bejegyzett
- index
- iparágak
- ipar
- nem hatékony
- befolyásolható
- információ
- tájékoztatja
- kezdeményezések
- bemenet
- Érdeklődés
- telepíteni
- utasítás
- integrálása
- kamat
- érdekelt
- Felület
- Internet
- bele
- jár
- IT
- tételek
- ITS
- JavaScript
- Munka
- Állások
- jpg
- json
- Kulcs
- Kulcspont észlelés
- gyerekek
- Címke
- címkézés
- Címkék
- nyelv
- nagy
- végül
- a későbbiekben
- legutolsó
- indít
- indított
- indítás
- vezető
- TANUL
- tanulás
- legkevésbé
- Lets
- mint
- vonal
- vonalak
- Folyadék
- Lista
- található
- elhelyezkedés
- log
- bejelentkezve
- néz
- hasonló
- gép
- gépi tanulás
- készült
- csinál
- kezelése
- kézikönyv
- gyártási
- sok
- jel
- jelzés
- Lehet..
- talán
- Média
- orvosi
- Orvosi alkalmazások
- Metaadatok
- minimalizálása
- hibákat
- ML
- modell
- modellezés
- modellek
- Módosítások
- módosítása
- több
- a legtöbb
- név
- Természet
- elengedhetetlen
- Szükség
- szükséges
- igények
- következő
- nem
- megjegyezni
- Most
- tárgy
- objektumok
- kapott
- megszerzése
- of
- gyakran
- on
- egyszer
- ONE
- online
- csak
- nyitva
- nyílt forráskódú
- nyit
- or
- érdekében
- szervezetek
- származás
- eredeti
- OS
- Más
- Egyéb
- mi
- ki
- szabadban
- teljesítmény
- kívül
- felett
- átfogó
- saját
- csomagok
- pár
- párok
- rész
- alkatrészek
- Elmúlt
- ösvény
- Emberek (People)
- teljesítmény
- engedélyek
- Fizika
- Hely
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- pont
- politika
- benépesített
- Portál
- póz
- Pózbecslés
- pózok
- pozíció
- állás
- potenciális
- gyakorlat
- megelőző
- Pontosság
- előfeltételek
- bemutatott
- bemutató
- megakadályozása
- megakadályozza
- előző
- korábban
- alapelv
- magán
- problémák
- folyamat
- Folyamatok
- feldolgozás
- gyárt
- szakmai
- profil
- ad
- feltéve,
- biztosít
- nyilvános
- cél
- célokra
- Piton
- világítás
- gyorsan
- emelés
- hatótávolság
- kezdve
- Olvass
- Olvasás
- kész
- való Világ
- Valóság
- elismerik
- ajánlott
- csökkentő
- utal
- referencia
- összefüggő
- relatív
- megbízható
- marad
- eltávolítása
- kiolvasztott
- vakolás
- cserélni
- helyébe
- raktár
- képviselők
- jelentése
- kötelező
- követelmények
- megköveteli,
- Tudástár
- válasz
- felelős
- korlátozások
- eredményez
- Eredmények
- visszatérés
- Visszatér
- Kritika
- lovaglás
- ruha
- Kockázat
- robotika
- erős
- Szerep
- futás
- futás
- futásidejű
- sagemaker
- azonos
- minta
- megtakarítás
- azt mondják
- forgatókönyvek
- Tudós
- forgatókönyv
- szkriptek
- sdk
- Rész
- szakaszok
- biztonság
- lát
- válasszuk
- küld
- idősebb
- szolgálja
- Szolgáltatások
- készlet
- beállítás
- számos
- megosztott
- kellene
- előadás
- kimutatta,
- mutatott
- Műsorok
- jelentős
- hasonló
- Egyszerű
- egyszerűség
- egyszerűsített
- egyszerűen
- egyetlen
- SIX
- So
- megoldások
- Megoldások
- néhány
- valami
- forrás
- speciális
- különleges
- kifejezetten
- Költési
- Sport
- verem
- kezdődik
- Lépései
- tárolás
- tárolni
- memorizált
- egyértelmű
- áramvonal
- Húr
- struktúra
- lényeges
- ilyen
- támogatás
- csere
- csereügyletekkel
- rendszer
- Systems
- Vesz
- tart
- célzott
- Feladat
- feladatok
- technika
- Technologies
- Technológia
- sablon
- tíz
- Texas
- hogy
- A
- az információ
- A vonal
- azok
- Őket
- akkor
- ezáltal
- ebből adódóan
- Ezek
- ők
- ezt
- ezer
- Keresztül
- Bekötött
- idő
- nak nek
- vett
- szerszám
- Vonat
- kiképzett
- Képzések
- váltott
- teherautó
- igaz
- igazság
- FORDULAT
- jellemzően
- ui
- megért
- egyedi
- egyetemi
- -ig
- Frissítések
- Használat
- használ
- használt
- hasznos
- használó
- felhasználói felület
- használ
- segítségével
- rendszerint
- érték
- Értékek
- változó
- variációk
- különféle
- Járművek
- változat
- függőleges
- keresztül
- Videók
- látomás
- vizuális
- kötet
- W
- séta
- sétál
- végigjátszás
- akar
- volt
- Út..
- módon
- we
- háló
- webalkalmazás
- webböngésző
- webes szolgáltatások
- JÓL
- Mit
- amikor
- mivel
- vajon
- ami
- míg
- WHO
- lesz
- kíván
- val vel
- belül
- nélkül
- Munka
- munkás
- munkafolyamat
- munkafolyamatok
- munkaerő
- dolgozó
- lenne
- írás
- X
- év
- te
- A te
- magad
- zephyrnet