Auto-Segmentierungstool

Bildsegmentierung ist der Prozess der Aufteilung eines Bildes in mehrere Segmente oder Gruppen von gekennzeichneten Pixeln. In Amazon SageMaker Ground Truth beinhaltet der Prozess der Identifizierung aller Pixel, die unter ein bestimmtes Label fallen, das Aufbringen eines farbigen Füllstoffs oder einer „Maske“ über diese Pixel. Einige Aufgaben eines Kennzeichnungsauftrags umfassen Bilder mit einer großen Anzahl der Objekte, die segmentiert werden müssen. Damit Auftragnehmer diese Objekte in kürzerer Zeit und mit größerer Genauigkeit beschriften können, stellt Ground Truth ein Auto-Segmentierungstool für Segmentierungsaufgaben bereit, die privaten Arbeitskräften und Arbeitskräften von Anbietern zugeordnet sind. Dieses Werkzeug verwendet ein Machine-Learning-Modell zur automatischen Segmentierung einzelner Objekte im Bild mit minimaler Eingabe von Arbeitskräften. Arbeitskräfte können die vom Auto-Segmentierungstool generierte Maske mithilfe anderer Werkzeuge in der Konsole für Arbeitskräfte verfeinern. Auf diese Weise können Arbeitskräfte Bildsegmentierungsaufgaben schneller und genauer durchführen, was zu niedrigeren Kosten und einer höheren Kennzeichnungsqualität führt. Die folgende Seite enthält Informationen über das Tool und seine Verfügbarkeit.

Anmerkung

Das Auto-Segmentierungstool ist für Segmentierungsaufgaben verfügbar, die an private Arbeitskräfte oder an Arbeitskräfte von Anbietern gesendet werden. Sie ist nicht für Aufgaben verfügbar, die an die öffentlichen Arbeitskräfte (Amazon Mechanical Turk) gesendet werden.

Werkzeugvorschau

Wenn Arbeitskräften einen Kennzeichnungsauftrag zugewiesen wird, der das Auto-Segmentierungstool bereitstellt, erhalten sie detaillierte Anweisungen zur Verwendung des Werkzeugs. Eine Arbeitskraft sieht z. B. möglicherweise Folgendes in der Konsole für Arbeitskräfte:

Arbeitskräfte können mit Vollständige Anweisungen anzeigen lernen, wie das Werkzeug zu verwenden ist. Arbeitskräfte müssen an vier Extrempunkten (oberster, unterster, ganz linker und ganz rechter Punkt) des relevanten Objekts jeweils einen Punkt platzieren. Das Werkzeug generiert dann automatisch eine Maske für das Objekt. Arbeitskräfte können die Maske mit den anderen bereitgestellten Werkzeugen oder mit dem Auto-Segmentierungstool für kleinere Teile des Objekts, die verpasst wurden, weiter verfeinern.

Werkzeugverfügbarkeit

Das Auto-Segmentierungs-Tool wird automatisch in den Konsolen Ihrer Mitarbeiter angezeigt, wenn Sie mit der Amazon AI-Konsole einen Labeling-Job für semantische Segmentierung erstellen. SageMaker Während Sie einen Job zur semantischen Segmentierung in der SageMaker AI-Konsole erstellen, können Sie bei der Erstellung von Arbeitsanweisungen eine Vorschau des Tools anzeigen. Informationen zum Erstellen eines Labeling-Jobs für semantische Segmentierung in der SageMaker KI-Konsole finden Sie unter. Erste Schritte: Erstellen Sie einen Bounding-Box-Labeling-Job mit Ground Truth

Wenn Sie einen benutzerdefinierten Labeling-Job für die Instanzsegmentierung in der SageMaker AI-Konsole oder einen Labeling-Job für die Instanz- oder semantische Segmentierung mithilfe der Ground Truth API erstellen, müssen Sie eine benutzerdefinierte Aufgabenvorlage erstellen, um Ihre Worker-Konsole und Anweisungen zu entwerfen. Um das Auto-Segmentierungstool in Ihre Konsole für Arbeitskräfte aufzunehmen, stellen Sie sicher, dass die folgenden Bedingungen in der benutzerdefinierten Aufgabenvorlage erfüllt sind:

• Bei semantischen Segmentierungskennzeichnungsaufträgen, die mit der API erstellt wurden, ist <crowd-semantic-segmentation> in der Aufgabenvorlage vorhanden. Bei benutzerdefinierten Instance-Segmentierungskennzeichungsaufträgen ist das Tag <crowd-instance-segmentation> in der Aufgabenvorlage vorhanden.

• Der Vorgang wird privaten Arbeitskräften oder Arbeitskräften von Anbietern zugewiesen.

• Die zu beschrifteten Bilder sind Amazon Simple Storage Service Amazon S3)-Objekte, die für die Auftragnehmer vorsigniert wurden, damit sie darauf zugreifen kann. Dies trifft bei Aufgabenvorlagen mit dem Filter grant_read_access zu. Informationen zum grant_read_access-Filter finden Sie unter Hinzufügen von Automation mit Liquid.

Im Folgenden finden Sie ein Beispiel für eine benutzerdefinierte Aufgabenvorlage für einen benutzerdefinierten Instance-Segmentierungskennzeichnungsauftrag, der das Tag <crowd-instance-segmentation/> und den Flüssigkeitsfilter grant_read_access enthält.

<script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
<crowd-form>
  <crowd-instance-segmentation
    name="crowd-instance-segmentation"
    src="{{ task.input.taskObject | grant_read_access }}"
    labels="['Car','Road']"
   <full-instructions header="Segmentation instructions">
      Segment each instance of each class of objects in the image. 
    </full-instructions>

    <short-instructions>
      <p>Segment each instance of each class of objects in the image.</p>

      <h3 style="color: green">GOOD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Good because A, B, C.</p>

      <h3 style="color: red">BAD EXAMPLES</h3>
      <img src="path/to/image.jpg" style="width: 100%">
      <p>Bad because X, Y, Z.</p>
    </short-instructions>
  </crowd-instance-segmentation>
</crowd-form>