Étape 3 : Traitement avec AWS Lambda - Amazon SageMaker

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Étape 3 : Traitement avec AWS Lambda

Au cours de cette étape, vous allez apprendre à créer et à spécifier les deux types de AWSFonctions Lambda requises pour créer un flux de travail d'étiquetage personnalisé :

  • pré-annotation Lambda : cette fonction initie et prétraite chaque objet de données envoyé à votre tâche d'étiquetage avant de l'envoyer aux employés.

  • Post-annotation Lambda : cette fonction traite les résultats une fois que les employés soumettent une tâche. Si vous spécifiez plusieurs employés par objet de données, cette fonction peut inclure une logique de consolidation des annotations.

Si vous êtes un nouvel utilisateur de Lambda et de Ground Truth, nous vous recommandons d'utiliser les pages de cette section comme suit :

  1. Tout d'abord, examinez Exigences relatives à la fonction Lambda de pré-annotation et post-annotation.

  2. Ensuite, utilisez la page Autorisations requises pour l'utilisation AWS Lambda Avec Ground Truth pour en savoir plus sur les exigences en matière de sécurité et d'autorisation pour utiliser vos fonctions Lambda de pré-annotation et post-annotation dans une tâche d'étiquetage personnalisée Ground Truth.

  3. Ensuite, vous devez accéder à la console Lambda ou utiliser celle de Lambda APIs pour créer vos fonctions. Utiliser la section Créer des fonctions Lambda pour un flux d'étiquetage personnalisé pour apprendre à créer des fonctions Lambda.

  4. Pour savoir comment vérifier vos fonctionnalités Lambda, veuillez consulter Tester les fonctions Lambda de pré-annotation et post-annotation.

  5. Après avoir créé des fonctions Lambda de prétraitement et de post-traitement, sélectionnez-les dans la section Fonctions Lambda située après l'éditeur de code correspondant à votre personnalisation dans la HTML console Ground Truth. Pour savoir comment utiliser ces fonctions dans une CreateLabelingJob API demande, consultezCréation d'une tâche d'étiquetage (API).

Pour un didacticiel de flux d'étiquetage personnalisé qui inclut des fonctions Lambda de pré-annotation et post-annotation, dans le document « Modèle de démonstration : annotation d'images avec crowd-bounding-box ».