Cómo usar un trabajo de Amazon SageMaker Ground Truth

El etiquetado de las imágenes puede llevar bastante tiempo. Por ejemplo, dibujar con precisión una máscara alrededor de una anomalía puede tardar decenas de segundos. Si tiene cientos de imágenes, es posible que tarde varias horas en etiquetarlas. Como alternativa a etiquetar las imágenes tú mismo, considera usar Amazon SageMaker Ground Truth.

Con Amazon SageMaker Ground Truth, puedes usar trabajadores de Amazon Mechanical Turk, una empresa proveedora que elijas, o de una fuerza laboral privada interna para crear un conjunto de imágenes etiquetadas. Para obtener más información, consulta Cómo usar Amazon SageMaker Ground Truth para etiquetar datos.

El uso de Amazon Mechanical Turk conlleva un coste. Además, completar un trabajo de etiquetado de Amazon Ground Truth puede llevar varios días. Si el coste es un problema o si necesita entrenar su modelo rápidamente, le recomendamos que utilice la consola de Amazon Lookout for Vision para etiquetar sus imágenes.

Puedes utilizar un trabajo de etiquetado de Amazon SageMaker Ground Truth para etiquetar las imágenes de forma adecuada para los modelos de clasificación de imágenes y los modelos de segmentación de imágenes. Una vez finalizado el trabajo, se utiliza el archivo de manifiesto de salida para crear un conjunto de datos de Amazon Lookout for Vision.

Clasificación de imágenes

Para etiquetar imágenes para un modelo de clasificación de imágenes, cree un trabajo de etiquetado para una tarea de clasificación de imágenes (etiqueta única).

Segmentación de imágenes

Para etiquetar imágenes para un modelo de segmentación de imágenes, cree un trabajo de etiquetado para una tarea de clasificación de imágenes (etiqueta única). A continuación, encadene el trabajo para crear un trabajo de etiquetado para una tarea de segmentación semántica de imágenes.

También puede usar un trabajo de etiquetado para crear un archivo de manifiesto parcial para un modelo de segmentación de imágenes. Por ejemplo, puede clasificar las imágenes con una tarea de clasificación de imágenes (etiqueta única). Tras crear un conjunto de datos de Lookout for Vision con el resultado del trabajo, utilice la consola de Amazon Lookout for Vision para añadir máscaras de segmentación y etiquetas de anomalías a las imágenes del conjunto de datos.

Etiquetado de imágenes con Amazon SageMaker Ground Truth

El siguiente procedimiento muestra cómo etiquetar imágenes con las tareas de etiquetado de imágenes de Amazon SageMaker Ground Truth. El procedimiento crea un archivo de manifiesto de clasificación de imágenes y, si lo desea, encadena la tarea de etiquetado de imágenes para crear un archivo de manifiesto de segmentación de imágenes. Si desea que su proyecto tenga un conjunto de datos de prueba independiente, repita este procedimiento para crear el archivo de manifiesto para el conjunto de datos de prueba.

Para etiquetar imágenes con Amazon SageMaker Ground Truth (consola)

1. Cree un trabajo de Ground Truth para una tarea de clasificación de imágenes (etiqueta única) siguiendo las instrucciones de Create a Labeling Job (consola).

   1. En el paso 10, elija Imagen en el menú desplegable Categoría de tareas y elija Clasificación de imágenes (etiqueta única) como tipo de tarea.

   2. En el paso 16, en la sección de la herramienta de etiquetado de clasificación de imágenes (etiqueta única), añada dos etiquetas: normal y anormal.

2. Espere a que el personal termine de clasificar sus imágenes.

3. Si va a crear un conjunto de datos para un modelo de segmentación de imágenes, haga lo siguiente. Continúe con el paso 4.

   1. En la consola Amazon SageMaker Ground Truth, abre la página de trabajos de etiquetado.

   2. Elija el trabajo que ha creado anteriormente. Esto habilita el menú Acciones.

   3. En el menú Acciones, seleccione Encadenar. Se abrirá la página de detalles del trabajo.

   4. En el tipo de tarea, elija la segmentación semántica.

   5. Elija Siguiente.

   6. En la sección Herramienta de etiquetado para segmentación semántica, añada etiquetas de anomalías para cada tipo de anomalía que desee que encuentre su modelo.

   7. Seleccione Crear.

   8. Espere a que el personal etiquete sus imágenes.

4. Abra la consola Ground Truth y abra la página de trabajos de etiquetado.

5. Si va a crear un modelo de clasificación de imágenes, elija el trabajo que ha creado en el paso 1. Si va a crear un modelo de segmentación de imágenes, elija el trabajo creado en el paso 3.

6. En el resumen del trabajo de etiquetado, abra la ubicación S3 en la ubicación del conjunto de datos de salida. Anote la ubicación del archivo de manifiesto, que debería sers3://output-dataset-location/manifests/output/output.manifest.

7. Repita este procedimiento si desea crear un archivo de manifiesto para un conjunto de datos de prueba. De lo contrario, siga las instrucciones que aparecen en Creación del conjunto de datos para crear un conjunto de datos con el archivo de manifiesto.

Creación del conjunto de datos

Utilice este procedimiento para crear un conjunto de datos en un proyecto de Lookout for Vision con el archivo de manifiesto que indicó en el paso 6 de Etiquetado de imágenes con Amazon SageMaker Ground Truth. El archivo de manifiesto crea el conjunto de datos de entrenamiento para un proyecto de conjunto de datos único. Si quieres que tu proyecto tenga un conjunto de datos de prueba independiente, puedes ejecutar otro trabajo de Amazon SageMaker Ground Truth para crear un archivo de manifiesto para el conjunto de datos de prueba. O bien, puede crear el archivo de manifiesto usted mismo. También puede importar imágenes a su conjunto de datos de prueba desde un bucket de Amazon S3 o desde su equipo local. (Es posible que sea necesario etiquetar las imágenes antes de poder entrenar el modelo).

En este procedimiento se presupone que el proyecto no tiene ningún conjunto de datos.

Para crear un conjunto de datos con Lookout for Vision (consola)

1. Abra la consola de Amazon Lookout for Vision en https://console.aws.amazon.com/lookoutvision/.

2. Elija Comenzar.

3. En el panel de navegación izquierdo, elija Proyectos.

4. Elija el proyecto que desea agregar para usarlo con el archivo de manifiesto.

5. En la sección Cómo funciona, seleccione Crear conjunto de datos.

6. Seleccione la pestaña Conjunto de datos único o la pestaña Separar conjuntos de datos de entrenamiento y prueba y siga los pasos.

   Single dataset

   1. Elija Crear un solo conjunto de datos.

   2. En la sección Configuración de la fuente de la imagen, selecciona Importar imágenes etiquetadas por SageMaker Ground Truth.

   3. Para la ubicación del archivo. manifest, introduzca la ubicación del archivo de manifiesto que anotó en el paso 6 de Etiquetado de imágenes con Amazon SageMaker Ground Truth.

   Separate training and test datasets

   1. Elija Crear un conjunto de datos de entrenamiento y un conjunto de datos de prueba.

   2. En la sección de detalles del conjunto de datos de entrenamiento, selecciona Importar imágenes etiquetadas por SageMaker Ground Truth.

   3. En la ubicación del archivo. manifest, la ubicación del archivo de manifiesto que anotó en el paso 6 de Etiquetado de imágenes con Amazon SageMaker Ground Truth.

   4. En la sección Detalles del conjunto de datos de prueba, selecciona Importar imágenes etiquetadas por SageMaker Ground Truth.

   5. En la ubicación del archivo. manifest, la ubicación del archivo de manifiesto que anotó en el paso 6 de Etiquetado de imágenes con Amazon SageMaker Ground Truth. Recuerde que necesita un archivo de manifiesto independiente para el conjunto de datos de prueba.

7. Elija Enviar.

8. Siga los pasos que se indican en Entrenamiento del modelo para entrenar su modelo.