Estimasi pose adalah teknik visi komputer yang mendeteksi sekumpulan titik pada objek (seperti orang atau kendaraan) dalam gambar atau video. Estimasi pose memiliki penerapan dunia nyata dalam olahraga, robotika, keamanan, augmented reality, media dan hiburan, aplikasi medis, dan banyak lagi. Model estimasi pose dilatih pada gambar atau video yang diberi anotasi dengan serangkaian titik (koordinat) yang konsisten yang ditentukan oleh rig. Untuk melatih model estimasi pose yang akurat, pertama-tama Anda perlu memperoleh kumpulan data gambar beranotasi dalam jumlah besar; banyak kumpulan data memiliki puluhan atau ratusan ribu gambar beranotasi dan memerlukan sumber daya yang signifikan untuk membuatnya. Kesalahan pelabelan penting untuk diidentifikasi dan dicegah karena performa model untuk model estimasi pose sangat dipengaruhi oleh kualitas data berlabel dan volume data.
Dalam postingan ini, kami menunjukkan bagaimana Anda dapat menggunakan alur kerja pelabelan khusus Kebenaran Dasar Amazon SageMaker dirancang khusus untuk pelabelan titik kunci. Alur kerja khusus ini membantu menyederhanakan proses pelabelan dan meminimalkan kesalahan pelabelan, sehingga mengurangi biaya untuk mendapatkan label pose berkualitas tinggi.
Pentingnya data berkualitas tinggi dan mengurangi kesalahan pelabelan
Data berkualitas tinggi sangat penting untuk melatih model estimasi pose yang kuat dan andal. Keakuratan model ini terkait langsung dengan kebenaran dan ketepatan label yang ditetapkan pada setiap titik kunci pose, yang, pada gilirannya, bergantung pada efektivitas proses anotasi. Selain itu, memiliki sejumlah besar data yang beragam dan beranotasi dengan baik memastikan bahwa model dapat mempelajari berbagai pose, variasi, dan skenario, sehingga menghasilkan peningkatan generalisasi dan kinerja di berbagai aplikasi dunia nyata. Akuisisi kumpulan data beranotasi yang besar ini melibatkan anotator manusia yang secara hati-hati memberi label pada gambar dengan informasi pose. Saat memberi label tempat menarik dalam gambar, ada gunanya melihat struktur kerangka objek saat memberi label untuk memberikan panduan visual kepada anotator. Hal ini berguna untuk mengidentifikasi kesalahan pelabelan sebelum dimasukkan ke dalam kumpulan data seperti pertukaran kiri-kanan atau kesalahan pelabelan (seperti menandai kaki sebagai bahu). Misalnya, kesalahan pelabelan seperti pertukaran kiri-kanan yang dilakukan pada contoh berikut dapat dengan mudah diidentifikasi dengan persilangan garis kerangka rig dan ketidakcocokan warna. Petunjuk visual ini membantu pelabel mengenali kesalahan dan menghasilkan rangkaian label yang lebih rapi.
Karena sifat pelabelan yang manual, memperoleh kumpulan data berlabel yang besar dan akurat dapat memakan biaya yang mahal, terlebih lagi jika sistem pelabelan tidak efisien. Oleh karena itu, efisiensi dan keakuratan pelabelan sangat penting saat merancang alur kerja pelabelan Anda. Dalam postingan ini, kami mendemonstrasikan cara menggunakan alur kerja pelabelan SageMaker Ground Truth khusus untuk memberi anotasi pada gambar dengan cepat dan akurat, sehingga mengurangi beban pengembangan kumpulan data besar untuk alur kerja estimasi pose.
Ikhtisar solusi
Solusi ini menyediakan portal web online di mana tenaga kerja pelabelan dapat menggunakan browser web untuk masuk, mengakses pekerjaan pelabelan, dan membuat anotasi gambar menggunakan antarmuka pengguna (UI) crowd-2d-skeleton, UI khusus yang dirancang untuk pelabelan titik kunci dan pose menggunakan Kebenaran Dasar SageMaker. Anotasi atau label yang dibuat oleh tenaga kerja pelabelan kemudian diekspor ke Layanan Penyimpanan Sederhana Amazon (Amazon S3), yang dapat digunakan untuk proses hilir seperti melatih model visi komputer pembelajaran mendalam. Solusi ini memandu Anda tentang cara menyiapkan dan menyebarkan komponen yang diperlukan untuk membuat portal web serta cara membuat pekerjaan pelabelan untuk alur kerja pelabelan ini.
Berikut ini adalah diagram arsitektur secara keseluruhan.
Arsitektur ini terdiri dari beberapa komponen utama, yang masing-masing akan kami jelaskan lebih detail di bagian berikut. Arsitektur ini menyediakan portal web online bagi tenaga kerja pelabelan yang dihosting oleh SageMaker Ground Truth. Portal ini memungkinkan setiap pemberi label untuk masuk dan melihat pekerjaan pelabelan mereka. Setelah mereka masuk, pemberi label dapat memilih tugas pelabelan dan mulai membuat anotasi gambar menggunakan UI khusus yang dihosting oleh Amazon CloudFront. Kita gunakan AWS Lambda berfungsi untuk pemrosesan data pra-anotasi dan pasca-anotasi.
Tangkapan layar berikut adalah contoh UI.
Pelabel dapat menandai titik kunci tertentu pada gambar menggunakan UI. Garis antar titik kunci akan secara otomatis digambar untuk pengguna berdasarkan definisi rig kerangka yang digunakan UI. UI memungkinkan banyak penyesuaian, seperti berikut:
- Nama titik kunci khusus
- Warna titik kunci yang dapat dikonfigurasi
- Warna garis rig yang dapat dikonfigurasi
- Struktur kerangka dan rig yang dapat dikonfigurasi
Masing-masing fitur ini ditargetkan untuk meningkatkan kemudahan dan fleksibilitas pelabelan. Detail penyesuaian UI spesifik dapat ditemukan di GitHub repo dan dirangkum nanti di posting ini. Perhatikan bahwa dalam postingan ini, kami menggunakan estimasi pose manusia sebagai tugas dasar, namun Anda dapat memperluasnya hingga memberi label pose objek dengan rig yang telah ditentukan sebelumnya untuk objek lain juga, seperti hewan atau kendaraan. Dalam contoh berikut, kami menunjukkan bagaimana hal ini dapat diterapkan untuk memberi label pada titik-titik truk boks.
Kebenaran Dasar SageMaker
Dalam solusi ini, kami menggunakan SageMaker Ground Truth untuk menyediakan portal online dan cara mengelola pekerjaan pelabelan kepada tenaga kerja pelabelan. Posting ini mengasumsikan bahwa Anda sudah familiar dengan SageMaker Ground Truth. Untuk informasi lebih lanjut, lihat Kebenaran Dasar Amazon SageMaker.
Distribusi CloudFront
Untuk solusi ini, UI pelabelan memerlukan komponen JavaScript yang dibuat khusus yang disebut komponen crowd-2d-skeleton. Komponen ini dapat ditemukan di GitHub sebagai bagian dari inisiatif sumber terbuka Amazon. Distribusi CloudFront akan digunakan untuk menghosting crowd-2d-skeleton.js, yang dibutuhkan oleh SageMaker Ground Truth UI. Distribusi CloudFront akan diberi identitas akses asal, yang akan memungkinkan distribusi CloudFront mengakses crowd-2d-skeleton.js yang berada di bucket S3. Bucket S3 akan tetap bersifat pribadi dan tidak ada objek lain dalam bucket ini yang akan tersedia melalui distribusi CloudFront karena pembatasan yang kami tempatkan pada identitas akses asal melalui kebijakan bucket. Ini adalah praktik yang direkomendasikan untuk mengikuti prinsip hak istimewa terendah.
Keranjang Amazon S3
Kami menggunakan bucket S3 untuk menyimpan file manifes masukan dan keluaran SageMaker Ground Truth, templat UI khusus, gambar untuk pekerjaan pelabelan, dan kode JavaScript yang diperlukan untuk UI khusus. Bucket ini bersifat pribadi dan tidak dapat diakses oleh publik. Bucket juga akan memiliki kebijakan bucket yang membatasi distribusi CloudFront agar hanya dapat mengakses kode JavaScript yang diperlukan untuk UI. Hal ini mencegah distribusi CloudFront menghosting objek lain apa pun di bucket S3.
Fungsi Lambda pra-anotasi
Pekerjaan pelabelan SageMaker Ground Truth biasanya menggunakan file manifes input, yang berformat JSON Lines. File manifes masukan ini berisi metadata untuk tugas pelabelan, bertindak sebagai referensi ke data yang perlu diberi label, dan membantu mengonfigurasi cara data disajikan kepada anotator. Fungsi Lambda pra-anotasi memproses item dari file manifes masukan sebelum data manifes dimasukkan ke templat UI kustom. Di sinilah pemformatan atau modifikasi khusus apa pun pada item dapat dilakukan sebelum menyajikan data ke anotator di UI. Untuk informasi lebih lanjut tentang fungsi pra-anotasi Lambda, lihat Lambda pra-anotasi.
Fungsi Lambda pasca-anotasi
Mirip dengan fungsi pra-anotasi Lambda, fungsi pasca-anotasi menangani pemrosesan data tambahan yang mungkin ingin Anda lakukan setelah semua pelabel selesai memberi label tetapi sebelum menulis hasil keluaran anotasi akhir. Pemrosesan ini dilakukan oleh fungsi Lambda, yang bertanggung jawab untuk memformat data untuk hasil keluaran pekerjaan pelabelan. Dalam solusi ini, kami hanya menggunakannya untuk mengembalikan data dalam format keluaran yang kami inginkan. Untuk informasi selengkapnya tentang fungsi Lambda pasca-anotasi, lihat Lambda pasca-anotasi.
Peran fungsi Lambda pasca-anotasi
Kami menggunakan Identitas AWS dan Manajemen Akses (IAM) role untuk memberikan akses fungsi Lambda pasca-anotasi ke bucket S3. Ini diperlukan untuk membaca hasil anotasi dan melakukan modifikasi apa pun sebelum menuliskan hasil akhir ke file manifes keluaran.
Peran SageMaker Kebenaran Dasar
Kami menggunakan peran IAM ini untuk memberikan tugas pelabelan SageMaker Ground Truth kemampuan untuk menjalankan fungsi Lambda dan membaca gambar, file manifes, dan templat UI khusus di bucket S3.
Prasyarat
Untuk penelusuran ini, Anda harus memiliki prasyarat berikut:
Untuk solusi ini, kami menggunakan AWS CDK untuk menerapkan arsitektur. Kemudian kita membuat contoh pekerjaan pelabelan, menggunakan portal anotasi untuk memberi label pada gambar dalam pekerjaan pelabelan, dan memeriksa hasil pelabelan.
Buat tumpukan AWS CDK
Setelah Anda menyelesaikan semua prasyarat, Anda siap menerapkan solusi.
Siapkan sumber daya Anda
Selesaikan langkah-langkah berikut untuk menyiapkan sumber daya Anda:
- Unduh contoh tumpukan dari GitHub repo.
- Gunakan perintah cd untuk mengubah ke dalam repositori.
- Buat lingkungan Python Anda dan instal paket yang diperlukan (lihat repositori README.md untuk lebih jelasnya).
- Dengan lingkungan Python Anda diaktifkan, jalankan perintah berikut:
- Jalankan perintah berikut untuk men-deploy AWS CDK:
- Jalankan perintah berikut untuk menjalankan skrip pasca penerapan:
Buat tugas pelabelan
Setelah menyiapkan sumber daya, Anda siap membuat pekerjaan pelabelan. Untuk keperluan postingan ini, kami membuat pekerjaan pelabelan menggunakan contoh skrip dan gambar yang disediakan di repositori.
- CD ke dalam
scripts
direktori di repositori. - Download contoh gambar dari internet dengan menjalankan kode berikut:
Skrip ini mengunduh sekumpulan 10 gambar, yang kita gunakan dalam contoh pekerjaan pelabelan. Kami meninjau cara menggunakan data masukan khusus Anda sendiri nanti di postingan ini.
- Buat pekerjaan pelabelan dengan menjalankan kode berikut:
Skrip ini menggunakan ARN tenaga kerja swasta SageMaker Ground Truth sebagai argumen, yang seharusnya merupakan ARN untuk tenaga kerja yang Anda miliki di akun yang sama dengan tempat Anda menerapkan arsitektur ini. Skrip akan membuat file manifes masukan untuk tugas pelabelan kita, mengunggahnya ke Amazon S3, dan membuat tugas pelabelan kustom SageMaker Ground Truth. Kami akan mempelajari lebih dalam detail skrip ini nanti di postingan ini.
Beri label set data
Setelah Anda meluncurkan contoh pekerjaan pelabelan, pekerjaan tersebut akan muncul di konsol SageMaker serta portal tenaga kerja.
Di portal tenaga kerja, pilih pekerjaan pelabelan dan pilih Mulai bekerja.
Anda akan disajikan gambar dari contoh kumpulan data. Pada titik ini, Anda dapat menggunakan UI crowd-2d-skeleton khusus untuk memberi anotasi pada gambar. Anda dapat membiasakan diri dengan UI crowd-2d-skeleton dengan mengacu pada Ikhtisar Antarmuka Pengguna. Kami menggunakan definisi rig dari Tantangan kumpulan data deteksi titik kunci COCO sebagai perlengkapan pose manusia. Sekali lagi, Anda dapat menyesuaikannya tanpa komponen UI khusus kami untuk menghapus atau menambahkan poin berdasarkan kebutuhan Anda.
Setelah Anda selesai memberi anotasi pada gambar, pilih Kirim. Ini akan membawa Anda ke gambar berikutnya dalam kumpulan data hingga semua gambar diberi label.
Akses hasil pelabelan
Ketika Anda telah selesai memberi label pada semua gambar dalam pekerjaan pelabelan, SageMaker Ground Truth akan memanggil fungsi Lambda pasca-anotasi dan menghasilkan file output.manifest yang berisi semua anotasi. Ini output.manifest
akan disimpan dalam bucket S3. Dalam kasus kami, lokasi manifes keluaran harus mengikuti jalur URI S3 s3://<bucket name> /labeling_jobs/output/<labeling job name>/manifests/output/output.manifest
. File output.manifest adalah file JSON Lines, yang setiap barisnya berhubungan dengan satu gambar dan anotasinya dari tenaga kerja pelabelan. Setiap item Garis JSON adalah objek JSON dengan banyak bidang. Bidang yang kita minati disebut label-results
. Nilai bidang ini adalah objek yang berisi bidang-bidang berikut:
- dataset_object_id โ ID atau indeks item manifes masukan
- data_object_s3_uri โ URI Amazon S3 gambar
- gambar_file_name โ Nama file gambar
- gambar_s3_lokasi โ URL Amazon S3 gambar
- asli_anotasi โ Anotasi asli (hanya disetel dan digunakan jika Anda menggunakan alur kerja pra-anotasi)
- diperbarui_anotasi โ Anotasi untuk gambar
- pekerja_id โ Pekerja tenaga kerja yang membuat anotasi
- tidak_perubahan_dibutuhkan โ Apakah kotak centang tidak diperlukan perubahan dipilih
- telah_dimodifikasi โ Apakah data anotasi berbeda dari data masukan asli
- total_waktu_dalam_detik โ Waktu yang dibutuhkan pekerja untuk memberi anotasi pada gambar
Dengan kolom ini, Anda dapat mengakses hasil anotasi untuk setiap gambar dan melakukan penghitungan seperti waktu rata-rata untuk memberi label pada gambar.
Buat pekerjaan pelabelan Anda sendiri
Sekarang kami telah membuat contoh tugas pelabelan dan Anda memahami keseluruhan proses, kami memandu Anda melalui kode yang bertanggung jawab untuk membuat file manifes dan meluncurkan tugas pelabelan. Kami fokus pada bagian penting dari skrip yang mungkin ingin Anda modifikasi untuk meluncurkan pekerjaan pelabelan Anda sendiri.
Kami membahas cuplikan kode dari create_example_labeling_job.py
skrip terletak di Repositori GitHub. Skrip dimulai dengan menyiapkan variabel yang nantinya digunakan dalam skrip. Beberapa variabel dikodekan secara keras untuk kesederhanaan, sedangkan variabel lainnya, yang bergantung pada tumpukan, akan diimpor secara dinamis saat runtime dengan mengambil nilai yang dibuat dari tumpukan AWS CDK kami.
Bagian penting pertama dalam skrip ini adalah pembuatan file manifes. Ingatlah bahwa file manifes adalah file baris JSON yang berisi detail untuk pekerjaan pelabelan SageMaker Ground Truth. Setiap objek JSON Lines mewakili satu item (misalnya, gambar) yang perlu diberi label. Untuk alur kerja ini, objek harus berisi bidang berikut:
- sumber-ref โ URI Amazon S3 pada gambar yang ingin Anda beri label.
- penjelasan โ Daftar objek anotasi, yang digunakan untuk alur kerja pra-anotasi. Lihat dokumentasi kerangka kerumunan-2d untuk rincian lebih lanjut tentang nilai yang diharapkan.
Skrip membuat baris manifes untuk setiap gambar di direktori gambar menggunakan bagian kode berikut:
Jika Anda ingin menggunakan gambar yang berbeda atau menunjuk ke direktori gambar yang berbeda, Anda dapat mengubah bagian kode tersebut. Selain itu, jika Anda menggunakan alur kerja pra-anotasi, Anda bisa memperbarui array anotasi dengan string JSON yang terdiri dari array dan semua objek anotasinya. Detail format array ini didokumentasikan dalam dokumentasi kerangka kerumunan-2d.
Dengan item baris manifes yang kini dibuat, Anda dapat membuat dan mengunggah file manifes ke bucket S3 yang Anda buat sebelumnya:
Sekarang Anda telah membuat file manifes yang berisi gambar yang ingin Anda beri label, Anda dapat membuat tugas pelabelan. Anda dapat membuat pekerjaan pelabelan secara terprogram menggunakan AWS SDK untuk Python (Boto3). Kode untuk membuat tugas pelabelan adalah sebagai berikut:
Aspek kode ini yang mungkin ingin Anda modifikasi adalah LabelingJobName
, TaskTitle
, dan TaskDescription
. itu LabelingJobName
adalah nama unik dari pekerjaan pelabelan yang akan digunakan SageMaker untuk mereferensikan pekerjaan Anda. Ini juga merupakan nama yang akan muncul di konsol SageMaker. TaskTitle
memiliki tujuan serupa, namun tidak harus unik dan akan menjadi nama pekerjaan yang muncul di portal tenaga kerja. Anda mungkin ingin membuatnya lebih spesifik untuk tujuan pelabelan Anda atau tujuan pelabelan tersebut. Terakhir, kami memiliki TaskDescription
bidang. Bidang ini muncul di portal tenaga kerja untuk memberikan konteks tambahan kepada pelabel mengenai tugas tersebut, seperti instruksi dan panduan untuk tugas tersebut. Untuk informasi lebih lanjut mengenai bidang ini dan bidang lainnya, rujuk ke dokumentasi create_labeling_job.
Lakukan penyesuaian pada UI
Di bagian ini, kami membahas beberapa cara untuk menyesuaikan UI. Berikut ini adalah daftar potensi penyesuaian paling umum pada UI untuk menyesuaikannya dengan tugas pemodelan Anda:
- Anda dapat menentukan titik kunci mana yang dapat diberi label. Ini termasuk nama titik kunci dan warnanya.
- Anda dapat mengubah struktur kerangka (titik kunci mana yang terhubung).
- Anda dapat mengubah warna garis untuk garis tertentu di antara titik kunci tertentu.
Semua penyesuaian UI ini dapat dikonfigurasi melalui argumen yang diteruskan ke komponen crowd-2d-skeleton, yang merupakan komponen JavaScript yang digunakan dalam hal ini. templat alur kerja khusus. Dalam template ini, Anda akan menemukan penggunaan komponen crowd-2d-skeleton. Versi yang disederhanakan ditunjukkan pada kode berikut:
Pada contoh kode sebelumnya, Anda dapat melihat atribut berikut pada komponen: imgSrc
, keypointClasses
, skeletonRig
, skeletonBoundingBox
, dan intialValues
. Kami menjelaskan tujuan setiap atribut di bagian berikut, namun menyesuaikan UI semudah mengubah nilai atribut tersebut, menyimpan template, dan menjalankan kembali post_deployment_script.py
kami gunakan sebelumnya.
atribut imgSrc
Grafik imgSrc
atribut mengontrol gambar mana yang akan ditampilkan di UI saat memberi label. Biasanya, gambar yang berbeda digunakan untuk setiap item baris manifes, sehingga atribut ini sering diisi secara dinamis menggunakan bawaan Cair bahasa templat. Anda dapat melihat pada contoh kode sebelumnya bahwa nilai atribut disetel {{ task.input.image_s3_uri | grant_read_access }}
, yaitu variabel template Liquid yang akan diganti dengan yang sebenarnya image_s3_uri
nilai saat templat sedang dirender. Proses rendering dimulai saat pengguna membuka gambar untuk diberi anotasi. Proses ini mengambil item baris dari file manifes masukan dan mengirimkannya ke fungsi Lambda pra-anotasi sebagai event.dataObject
. Fungsi pra-anotasi mengambil informasi yang diperlukan dari item baris dan mengembalikan a taskInput
kamus, yang kemudian diteruskan ke mesin rendering Liquid, yang akan menggantikan variabel Liquid apa pun di template Anda. Misalnya, Anda memiliki file manifes dengan baris berikut:
Data ini akan diteruskan ke fungsi pra-anotasi. Kode berikut menunjukkan bagaimana fungsi mengekstrak nilai dari objek kejadian:
Objek yang dikembalikan dari fungsi dalam hal ini akan terlihat seperti kode berikut:
Data yang dikembalikan dari fungsi tersebut kemudian tersedia untuk mesin template Liquid, yang menggantikan nilai template dalam template dengan nilai data yang dikembalikan oleh fungsi. Hasilnya akan seperti kode berikut:
atribut keypointClasses
Grafik keypointClasses
Atribut menentukan titik kunci mana yang akan muncul di UI dan digunakan oleh anotator. Atribut ini mengambil string JSON yang berisi daftar objek. Setiap objek mewakili titik kunci. Setiap objek keypoint harus berisi bidang berikut:
- id โ Nilai unik untuk mengidentifikasi titik kunci tersebut.
- warna โ Warna titik kunci direpresentasikan sebagai warna hex HTML.
- label โ Nama atau kelas keypoint.
- x โ Atribut opsional ini hanya diperlukan jika Anda ingin menggunakan fungsionalitas draw skeleton di UI. Nilai atribut ini adalah posisi x dari titik kunci relatif terhadap kotak pembatas kerangka. Nilai ini biasanya diperoleh dengan Alat Pembuat Rig Kerangka. Jika Anda melakukan anotasi titik kunci dan tidak perlu menggambar seluruh kerangka sekaligus, Anda dapat menyetel nilai ini ke 0.
- y โ Atribut opsional ini mirip dengan x, tetapi untuk dimensi vertikal.
Untuk informasi lebih lanjut tentang keypointClasses
atribut, lihat dokumentasi keypointClasses.
atribut skeletonRig
Grafik skeletonRig
kontrol atribut titik kunci mana yang harus memiliki garis di antara keduanya. Atribut ini mengambil string JSON yang berisi daftar pasangan label keypoint. Setiap pasangan memberi tahu UI titik kunci mana yang harus ditarik garisnya. Misalnya, '[["left_ankle","left_knee"],["left_knee","left_hip"]]'
memberi tahu UI untuk menarik garis di antaranya "left_ankle"
dan "left_knee"
dan menarik garis di antaranya "left_knee"
dan "left_hip"
. Hal ini dapat dihasilkan oleh Alat Pembuat Rig Kerangka.
atribut skeletonBoundingBox
Grafik skeletonBoundingBox
Atribut bersifat opsional dan hanya diperlukan jika Anda ingin menggunakan fungsionalitas draw skeleton di UI. Fungsionalitas draw skeleton adalah kemampuan untuk membuat anotasi seluruh kerangka dengan satu tindakan anotasi. Kami tidak membahas fitur ini dalam posting ini. Nilai atribut ini adalah dimensi kotak pembatas kerangka. Nilai ini biasanya diperoleh dengan Alat Pembuat Rig Kerangka. Jika Anda melakukan anotasi titik kunci dan tidak perlu menggambar keseluruhan kerangka sekaligus, Anda dapat menyetel nilai ini ke nol. Disarankan untuk menggunakan alat Skeleton Rig Creator untuk mendapatkan nilai ini.
atribut initialValues
Grafik initialValues
Atribut digunakan untuk mengisi UI terlebih dahulu dengan anotasi yang diperoleh dari proses lain (seperti tugas pelabelan lain atau model pembelajaran mesin). Ini berguna saat melakukan pekerjaan penyesuaian atau peninjauan. Data untuk bidang ini biasanya diisi secara dinamis dalam deskripsi yang sama untuk bidang tersebut imgSrc
atribut. Rincian lebih lanjut dapat ditemukan di dokumentasi kerangka kerumunan-2d.
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, Anda harus menghapus objek di bucket S3 dan menghapus tumpukan AWS CDK Anda. Anda dapat menghapus objek S3 Anda melalui konsol Amazon SageMaker atau Antarmuka Baris Perintah AWS (AWS CLI). Setelah Anda menghapus semua objek S3 di bucket, Anda dapat menghancurkan AWS CDK dengan menjalankan kode berikut:
Ini akan menghapus sumber daya yang Anda buat sebelumnya.
Pertimbangan
Langkah-langkah tambahan mungkin diperlukan untuk memproduksi alur kerja Anda. Berikut beberapa pertimbangan tergantung pada profil risiko organisasi Anda:
- Menambahkan akses dan pencatatan aplikasi
- Menambahkan firewall aplikasi web (WAF)
- Menyesuaikan izin IAM untuk mengikuti hak istimewa paling rendah
Kesimpulan
Dalam postingan ini, kami berbagi pentingnya efisiensi dan akurasi pelabelan dalam membuat kumpulan data estimasi pose. Untuk membantu kedua item tersebut, kami menunjukkan bagaimana Anda dapat menggunakan SageMaker Ground Truth untuk membangun alur kerja pelabelan khusus guna mendukung tugas pelabelan pose berbasis kerangka, yang bertujuan untuk meningkatkan efisiensi dan presisi selama proses pelabelan. Kami menunjukkan bagaimana Anda dapat memperluas kode dan contoh lebih jauh ke berbagai persyaratan pelabelan estimasi pose khusus.
Kami mendorong Anda untuk menggunakan solusi ini untuk tugas pelabelan Anda dan terlibat dengan AWS untuk mendapatkan bantuan atau pertanyaan terkait alur kerja pelabelan khusus.
Tentang Penulis
Arthur Putnam adalah Ilmuwan Data Full-Stack di Layanan Profesional AWS. Keahlian Arthur berpusat pada pengembangan dan integrasi teknologi front-end dan back-end ke dalam sistem AI. Di luar pekerjaan, Arthur senang menjelajahi kemajuan teknologi terkini, menghabiskan waktu bersama keluarga, dan menikmati alam bebas.
Ben Fenker adalah Ilmuwan Data Senior di Layanan Profesional AWS dan telah membantu pelanggan membangun dan menerapkan solusi ML di industri mulai dari olahraga hingga perawatan kesehatan hingga manufaktur. Dia memiliki gelar Ph.D. dalam fisika dari Texas A&M University dan 6 tahun pengalaman industri. Ben menikmati bisbol, membaca, dan membesarkan anak-anaknya.
Jarvis Lee adalah Ilmuwan Data Senior dengan Layanan Profesional AWS. Dia telah bekerja di AWS selama lebih dari enam tahun, bekerja dengan pelanggan dalam masalah pembelajaran mesin dan visi komputer. Di luar pekerjaan, dia suka mengendarai sepeda.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/skeleton-based-pose-annotation-labeling-using-amazon-sagemaker-ground-truth/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 13
- 15%
- 17
- 2D
- 31
- 320
- 7
- 8
- 9
- a
- kemampuan
- Sanggup
- mengakses
- dapat diakses
- Akun
- ketepatan
- tepat
- akurat
- memperoleh
- perolehan
- di seluruh
- Tindakan
- tindakan
- sebenarnya
- menambahkan
- Tambahan
- Selain itu
- Pengaturan
- penyesuaian
- kemajuan
- Setelah
- AI
- Sistem AI
- Bertujuan
- Semua
- mengizinkan
- memungkinkan
- juga
- Amazon
- Amazon SageMaker
- Kebenaran Dasar Amazon SageMaker
- Amazon Web Services
- an
- dan
- hewan
- Lain
- Apa pun
- muncul
- muncul
- Aplikasi
- aplikasi
- terapan
- arsitektur
- ADALAH
- argumen
- argumen
- sekitar
- susunan
- Arthur
- AS
- aspek
- ditugaskan
- Bantuan
- mengasumsikan
- At
- atribut
- ditambah
- Augmented Reality
- secara otomatis
- tersedia
- rata-rata
- menghindari
- AWS
- Layanan Profesional AWS
- Back-end
- Baseball
- berdasarkan
- Dasar
- BE
- karena
- menjadi
- sebelum
- mulai
- makhluk
- ben
- antara
- kedua
- Kotak
- luas
- Browser
- membangun
- Bangunan
- built-in
- beban
- tapi
- by
- perhitungan
- bernama
- CAN
- hati-hati
- kasus
- CD
- berpusat
- perubahan
- Perubahan
- mengubah
- beban
- memeriksa
- Pilih
- kelas
- pembersih
- cli
- klien
- kode
- warna
- datang
- Umum
- lengkap
- komponen
- komponen
- Terdiri dari
- komputer
- Visi Komputer
- terhubung
- pertimbangan
- konsisten
- Terdiri dari
- konsul
- mengandung
- mengandung
- konteks
- kontrol
- berkorespondensi
- Biaya
- menutupi
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- pencipta
- kritis
- penyeberangan
- orang banyak
- adat
- Yg dibuat menurut pesanan
- pelanggan
- kustomisasi
- menyesuaikan
- data
- pengolahan data
- ilmuwan data
- kumpulan data
- tanggal Waktu
- mendalam
- belajar mendalam
- lebih dalam
- menetapkan
- didefinisikan
- Mendefinisikan
- definisi
- mendemonstrasikan
- tergantung
- Tergantung
- tergantung
- menyebarkan
- dikerahkan
- menggambarkan
- deskripsi
- dirancang
- merancang
- diinginkan
- menghancurkan
- rinci
- rincian
- Deteksi
- berkembang
- diagram
- berbeda
- Dimensi
- ukuran
- langsung
- direktori
- distribusi
- menyelam
- beberapa
- do
- Tidak
- melakukan
- dilakukan
- Dont
- download
- seri
- ditarik
- dua
- selama
- dinamis
- setiap
- Terdahulu
- memudahkan
- mudah
- efektivitas
- efisiensi
- mendorong
- mengikutsertakan
- Mesin
- mempertinggi
- menikmati
- Memastikan
- Menghibur
- Seluruh
- Lingkungan Hidup
- kesalahan
- kesalahan
- Bahkan
- Acara
- memeriksa
- contoh
- contoh
- Lihat lebih lanjut
- diharapkan
- pengalaman
- keahlian
- Menjelaskan
- Menjelajahi
- memperpanjang
- tambahan
- Ekstrak
- akrab
- membiasakan diri
- keluarga
- Fitur
- Fitur
- bidang
- Fields
- File
- File
- terakhir
- Menemukan
- firewall
- Pertama
- keluwesan
- Fokus
- mengikuti
- berikut
- berikut
- Kaki
- Untuk
- format
- ditemukan
- dari
- fungsi
- fungsi
- fungsi
- mendasar
- lebih lanjut
- masa depan
- dihasilkan
- mendapatkan
- gif
- GitHub
- Memberikan
- Go
- Tanah
- bimbingan
- Menangani
- Memiliki
- memiliki
- he
- kesehatan
- berat
- membantu
- membantu
- bermanfaat
- membantu
- di sini
- HEX
- berkualitas tinggi
- -nya
- tuan rumah
- host
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- manusia
- Ratusan
- ID
- diidentifikasi
- mengenali
- mengidentifikasi
- identitas
- if
- gambar
- gambar
- pentingnya
- penting
- memperbaiki
- ditingkatkan
- in
- termasuk
- Tergabung
- indeks
- industri
- industri
- tidak efisien
- terpengaruh
- informasi
- menginformasikan
- inisiatif
- memasukkan
- Pertanyaan
- install
- instruksi
- Mengintegrasikan
- bunga
- tertarik
- Antarmuka
- Internet
- ke
- melibatkan
- IT
- item
- NYA
- JavaScript
- Pekerjaan
- Jobs
- jpg
- json
- kunci
- Deteksi Titik Kunci
- anak
- label
- pelabelan
- Label
- bahasa
- besar
- akhirnya
- kemudian
- Terbaru
- jalankan
- diluncurkan
- peluncuran
- terkemuka
- BELAJAR
- pengetahuan
- paling sedikit
- Lets
- 'like'
- baris
- baris
- Cair
- Daftar
- terletak
- tempat
- mencatat
- login
- melihat
- terlihat seperti
- mesin
- Mesin belajar
- terbuat
- membuat
- mengelola
- panduan
- pabrik
- banyak
- tanda
- menandai
- Mungkin..
- mungkin
- Media
- medis
- Aplikasi Medis
- Metadata
- memperkecil
- kesalahan
- ML
- model
- pemodelan
- model
- Modifikasi
- memodifikasi
- lebih
- paling
- nama
- Alam
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- berikutnya
- tidak
- mencatat
- sekarang
- obyek
- objek
- diperoleh
- mendapatkan
- of
- sering
- on
- sekali
- ONE
- secara online
- hanya
- Buka
- open source
- membuka
- or
- urutan
- organisasi
- asal
- asli
- OS
- Lainnya
- Lainnya
- kami
- di luar
- di luar rumah
- keluaran
- di luar
- lebih
- secara keseluruhan
- sendiri
- paket
- pasangan
- pasang
- bagian
- bagian
- Lulus
- path
- Konsultan Ahli
- prestasi
- Izin
- Fisika
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- poin
- kebijaksanaan
- diisi
- Portal
- pose
- Estimasi Pose
- pose
- posisi
- Pos
- potensi
- praktek
- mendahului
- Ketelitian
- prasyarat
- disajikan
- menyajikan
- mencegah
- mencegah
- sebelumnya
- sebelumnya
- prinsip
- swasta
- masalah
- proses
- proses
- pengolahan
- menghasilkan
- profesional
- Profil
- memberikan
- disediakan
- menyediakan
- publik
- tujuan
- tujuan
- Ular sanca
- kualitas
- segera
- pemeliharaan
- jarak
- mulai
- Baca
- Bacaan
- siap
- dunia nyata
- Kenyataan
- mengenali
- direkomendasikan
- mengurangi
- lihat
- referensi
- terkait
- relatif
- dapat diandalkan
- tinggal
- menghapus
- diberikan
- render
- menggantikan
- diganti
- gudang
- diwakili
- merupakan
- wajib
- Persyaratan
- membutuhkan
- Sumber
- tanggapan
- tanggung jawab
- pembatasan
- mengakibatkan
- Hasil
- kembali
- Pengembalian
- ulasan
- naik
- memperlengkapi
- Risiko
- robotika
- kuat
- Peran
- Run
- berjalan
- runtime
- pembuat bijak
- sama
- mencicipi
- penghematan
- mengatakan
- skenario
- ilmuwan
- naskah
- script
- SDK
- Bagian
- bagian
- keamanan
- melihat
- memilih
- mengirimkan
- senior
- melayani
- Layanan
- set
- pengaturan
- beberapa
- berbagi
- harus
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- penting
- mirip
- Sederhana
- kesederhanaan
- disederhanakan
- hanya
- tunggal
- ENAM
- So
- larutan
- Solusi
- beberapa
- sesuatu
- sumber
- khusus
- tertentu
- Secara khusus
- Pengeluaran
- Olahraga
- tumpukan
- dimulai
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- mudah
- mempersingkat
- Tali
- struktur
- besar
- seperti itu
- mendukung
- menukar
- swap
- sistem
- sistem
- Mengambil
- Dibutuhkan
- ditargetkan
- tugas
- tugas
- teknik
- Teknologi
- Teknologi
- Template
- memiliki
- texas
- bahwa
- Grafik
- informasi
- Garis
- mereka
- Mereka
- kemudian
- dengan demikian
- karena itu
- Ini
- mereka
- ini
- ribuan
- Melalui
- Terjalin
- waktu
- untuk
- mengambil
- alat
- Pelatihan VE
- terlatih
- Pelatihan
- dipicu
- truk
- benar
- kebenaran
- MENGHIDUPKAN
- khas
- ui
- memahami
- unik
- universitas
- sampai
- Memperbarui
- penggunaan
- menggunakan
- bekas
- berguna
- Pengguna
- User Interface
- kegunaan
- menggunakan
- biasanya
- nilai
- Nilai - Nilai
- variabel
- variasi
- berbagai
- Kendaraan
- versi
- vertikal
- melalui
- Video
- penglihatan
- visual
- volume
- W
- berjalan
- berjalan
- walkthrough
- ingin
- adalah
- Cara..
- cara
- we
- jaringan
- aplikasi web
- web browser
- layanan web
- BAIK
- Apa
- ketika
- sedangkan
- apakah
- yang
- sementara
- SIAPA
- akan
- ingin
- dengan
- dalam
- tanpa
- Kerja
- pekerja
- alur kerja
- Alur kerja
- Tenaga kerja
- kerja
- akan
- penulisan
- X
- tahun
- Kamu
- Anda
- diri
- zephyrnet.dll