בדוק את תוויות הנתונים שלך עם כלי ויזואלי ללא קוד ליצירת מערכי אימון באיכות גבוהה עם Amazon SageMaker Ground Truth Plus

הושק ב-AWS re:Invent 2021, Amazon SageMaker Ground Truth Plus עוזר לך ליצור מערכי הדרכה באיכות גבוהה על ידי הסרת ההרמה הכבדה הבלתי מובחנת הקשורה לבניית יישומי תיוג נתונים וניהול כוח העבודה לתיוג. כל מה שאתה עושה הוא לשתף נתונים יחד עם דרישות תיוג, ו-Ground Truth Plus מגדיר ומנהל את זרימת העבודה שלך לתיוג הנתונים על סמך דרישות אלה. משם, כוח עבודה מומחה שמאומן במגוון משימות למידת מכונה (ML) מבצע תיוג נתונים. אתה אפילו לא צריך מומחיות עמוקה ב-ML או ידע בתכנון זרימת עבודה וניהול איכות כדי להשתמש ב-Ground Truth Plus.

בניית מערך הדרכה איכותי עבור אלגוריתם ה-ML שלך הוא תהליך איטרטיבי. מתרגלי ML לעתים קרובות בונים מערכות מותאמות אישית כדי לבדוק תוויות נתונים מכיוון שנתונים מתויגים במדויק הם קריטיים לאיכות מודל ML. כדי להבטיח שתקבלו נתוני הדרכה באיכות גבוהה, Ground Truth Plus מספקת לכם ממשק משתמש מובנה (ממשק משתמש סקירה) כדי לבדוק את איכות תוויות הנתונים ולספק משוב על תוויות הנתונים עד שתהיה מרוצה שהתוויות מייצגות במדויק את אמת יסודית, או מה שניתן לצפות ישירות בעולם האמיתי.

פוסט זה מנחה אותך בשלבים ליצירת צוות פרויקטים ולהשתמש במספר תכונות מובנות חדשות של כלי ה-Review UI כדי להשלים ביעילות את הבדיקה שלך של מערך נתונים שכותרתו. ההליכה מניחה שיש לך פרויקט תיוג Ground Truth Plus פעיל. למידע נוסף, ראה Amazon SageMaker Ground Truth Plus - צור מערכי נתונים של הדרכה ללא קוד או משאבים פנימיים.

להקים צוות פרויקט

צוות פרויקט מספק גישה לחברים מהארגון שלך כדי לבדוק תוויות נתונים באמצעות כלי ה-Review UI. כדי להקים צוות פרויקט, בצע את השלבים הבאים:

1. על הקרקע אמת פלוס לנחם, בחר יצירת צוות פרויקט.
2. בחר צור קבוצת משתמשים חדשה של Amazon Cognito . אם כבר יש לך קיים אמזון קוגניטו קבוצת משתמשים, בחר את ייבוא ​​חברים אוֹפְּצִיָה.
3. בעד שם קבוצת המשתמש של Amazon Cognito, הכנס שם. לא ניתן לשנות את השם הזה.
4. בעד כתובות דוא"ל, הזן את כתובות האימייל של עד 50 חברי צוות, מופרדים בפסיקים.
5. לבחור יצירת צוות פרויקט.

חברי הצוות שלך יקבלו אימייל המזמין אותם להצטרף לצוות הפרויקט של Ground Truth Plus. משם, הם יכולים להיכנס לפורטל פרויקט Ground Truth Plus כדי לסקור את תוויות הנתונים.

בדוק את איכות מערך הנתונים המסומנת

עכשיו בואו נצלול לתוך דוגמה למעקב אחר אובייקט וידאו באמצעות CBCL StreetScenes מערך נתונים.

לאחר שהנתונים באצווה שלך סומנו, האצווה מסומנת כ מוכן לסקירה.

בחר את האצווה ובחר סקירת אצווה. אתה מועבר לממשק המשתמש של סקירה. יש לך את הגמישות לבחור קצב דגימה שונה עבור כל אצווה שאתה סוקר. לדוגמה, באצווה לדוגמה שלנו, יש לנו בסך הכל חמישה סרטונים. אתה יכול לציין אם אתה רוצה לסקור רק תת-קבוצה של חמשת הסרטונים האלה או את כולם.

כעת בואו נסתכל על הפונקציונליות השונות בממשק המשתמש של סקירה שיעזרו לכם לבדוק את איכות מערך הנתונים המסומן בקצב מהיר יותר, ולספק משוב על האיכות:

• סנן את התוויות לפי קטגוריית התווית – בתוך ממשק המשתמש סקירה, בחלונית הימנית, תוכל לסנן את התוויות על סמך קטגוריית התוויות שלהן. תכונה זו שימושית כאשר קיימות מספר קטגוריות תוויות (לדוגמה, Vehicles, Pedestrians, ו Poles) באובייקט מערך נתונים צפוף, וברצונך להציג תוויות עבור קטגוריית תווית אחת בכל פעם. לדוגמה, בואו נתמקד ב Car קטגוריית תווית. להיכנס ל Car קטגוריית תווית בחלונית הימנית כדי לסנן את כל ההערות מסוגים בלבד Car. צילומי המסך הבאים מציגים את תצוגת סקירת ממשק המשתמש לפני ואחרי החלת המסנן.
  
• ערכי מאפיינים מוערים משויכים לשכבת-על - לכל תווית ניתן להקצות תכונות להוספת הערות. לדוגמה, עבור קטגוריית התווית Car , תגיד שאתה רוצה לבקש מהעובדים לציין גם את Color  ו Occlusion תכונות עבור כל מופע של תווית. כאשר אתה טוען את ממשק המשתמש של סקירה, תראה את התכונות המתאימות מתחת לכל מופע תווית בחלונית הימנית. אבל מה אם אתה רוצה לראות את הערות התכונות האלה ישירות על התמונה במקום זאת? אתה בוחר את התווית Car:1 , וכדי שכבת-על של ההערות לתכונות Car:1 , אתה לוחץ Ctrl + A.
  כעת תראה את ההערה Dark Blue עבור Color תכונה והערה None עבור Occlusion תכונה המוצגת ישירות על התמונה ליד ה- Car:1 תיבה תוחמת. עכשיו אתה יכול לאמת זאת בקלות Car:1 סומן כ Dark Blue, ללא חסימה רק מהסתכלות על התמונה במקום הצורך לאתר Car:1 בחלונית הימנית כדי לראות את ההערות לתכונות.
  
• השאירו משוב ברמת התווית – עבור כל תווית, אתה יכול להשאיר משוב ברמת התווית בתווית זו משוב תווית תכונת מחרוזת בחינם. לדוגמה, בתמונה זו, Car:1 נראה יותר שחור מכחול כהה. אתה יכול להעביר אי התאמה זו כמשוב עבור Car:1 באמצעות משוב תווית שדה כדי לעקוב אחר ההערה לתווית זו על אותה מסגרת. צוות בקרת האיכות הפנימי שלנו יבדוק את המשוב הזה ויציג שינויים בתהליך ההערות ובמדיניות התוויות, ויכשיר את המביאים לפי הצורך.
  
• השאירו משוב ברמת המסגרת – באופן דומה, עבור כל מסגרת, אתה יכול להשאיר משוב ברמת המסגרת מתחת למסגרת זו משוב על מסגרת תכונת מחרוזת בחינם. במקרה זה, ההערות עבור Car ו Pedestrian השיעורים נראים נכונים ומיושמים היטב במסגרת זו. אתה יכול להעביר משוב חיובי זה באמצעות ספק משוב שדה, והתגובה שלך מקושרת למסגרת זו.
  
• העתק את משוב ההערה למסגרות אחרות - תוכל להעתיק משוב ברמת התווית וגם ברמת המסגרת למסגרות אחרות אם תלחץ לחיצה ימנית על התכונה הזו. תכונה זו שימושית כאשר ברצונך לשכפל את אותו משוב על פני מסגרות עבור אותה תווית, או להחיל את אותו משוב ברמת המסגרת על מספר מסגרות. תכונה זו מאפשרת לך להשלים במהירות את בדיקת תוויות הנתונים.
  
• אשר או דחה כל אובייקט של מערך נתונים – עבור כל אובייקט של מערך נתונים שאתה סוקר, יש לך אפשרות לבחור לאשר אם אתה מרוצה מההערות או תבחר לִדחוֹת אם אינך מרוצה ורוצה שההערות הללו יעובדו מחדש. כשאתה בוחר חפש, מוצגת לך האפשרות לאשר או לדחות את הסרטון שזה עתה בדקתם. בכל מקרה, אתה יכול לספק פרשנות נוספת:
  • אם תבחר לאשר, הפרשנות היא אופציונלית.
    
  • אם תבחר לִדחוֹת, נדרשת פרשנות ואנו מציעים לספק משוב מפורט. המשוב שלך ייבדק על ידי צוות בקרת איכות ייעודי של Ground Truth Plus, שינקוט פעולות מתקנות כדי למנוע טעויות דומות בסרטונים הבאים.
    

לאחר שתשלח את הסרטון עם המשוב שלך, אתה מופנה בחזרה לדף פרטי הפרויקט בפורטל הפרויקט, שם תוכל לראות את מספר האובייקטים שנדחו תחת חפצים שנדחו העמודה ושיעור השגיאות, המחושב כמספר האובייקטים המקובלים מתוך האובייקטים שנבדקו במסגרת ה- שיעור קבלה עמודה עבור כל אצווה בפרויקט שלך. לדוגמה, עבור אצווה 1 בצילום המסך הבא, שיעור הקבלה הוא 80% מכיוון שארבעה אובייקטים התקבלו מתוך חמשת האובייקטים שנבדקו.

סיכום

מערך הדרכה איכותי הוא קריטי להשגת יוזמות ה-ML שלך. עם Ground Truth Plus, יש לך כעת כלי משופר של ממשק המשתמש סקירה שמסיר את ההרמה הכבדה הבלתי מובחנת הקשורה לבניית כלים מותאמים אישית כדי לסקור את איכות מערך הנתונים המסומן. פוסט זה הנחה אותך כיצד להקים צוות פרויקט ולהשתמש בתכונות המובנות החדשות של כלי ה-Review UI. בקר ב קונסולת Ground Truth Plus כדי להתחיל בעבודה.

כמו תמיד, AWS מקבלת בברכה משוב. נא לשלוח הערות או שאלות.

על המחבר

מאניש גואל הוא מנהל המוצר של Amazon SageMaker Ground Truth Plus. הוא מתמקד בבניית מוצרים שמקלים על לקוחות לאמץ למידת מכונה. בזמנו הפנוי הוא נהנה מנסיעות דרכים וקריאת ספרים.

רבקה קוסטויבה היא מהנדסת תוכנה ב-Amazon AWS, שם היא עובדת על פתרונות מול לקוחות ופנימיים כדי להרחיב את הרוחב וההרחבה של שירותי Sagemaker Ground Truth. כחוקרת, היא מונעת לשפר את הכלים של הסחר להנעת חדשנות קדימה.

• Coinsmart. בורסת הביטקוין והקריפטו הטובה באירופה.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה חופשית.
• CryptoHawk. רדאר אלטקוין. ניסיון חינם.
• מקור: https://aws.amazon.com/blogs/machine-learning/inspect-your-data-labels-with-a-visual-no-code-tool-to-create-high-quality-training-datasets- עם-amazon-sagemaker-ground-truth-plus/