Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Kesalahan konten manifes terminal
Topik ini menjelaskan Kesalahan konten manifes terminal laporan dalam ringkasan manifes. Ringkasan manifes mencakup kode kesalahan dan pesan untuk setiap kesalahan yang terdeteksi. Untuk informasi selengkapnya, lihat Memahami ringkasan manifes. Kesalahan konten manifes terminal tidak menghentikan pelaporanKesalahan validasi baris JSON non terminal.
ERROR_TOO_MANY_INVALID_ROWS_IN_MANIFEST
Pesan kesalahan
File manifes berisi terlalu banyak baris yang tidak valid.
Informasi lain
Terjadi ERROR_TOO_MANY_INVALID_ROWS_IN_MANIFEST
kesalahan jika ada terlalu banyak JSON Lines yang berisi konten yang tidak valid.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan. ERROR_TOO_MANY_INVALID_ROWS_IN_MANIFEST
Untuk memperbaiki ERROR_TOO_MANY_INVALID_ROWS_IN_MANIFEST
Periksa manifes untuk kesalahan JSON Line. Untuk informasi selengkapnya, lihat Memahami manifestasi hasil validasi pelatihan dan pengujian.
-
Perbaiki Garis JSON yang memiliki kesalahan Untuk informasi selengkapnya, lihatKesalahan Validasi Jalur JSON Non-Terminal.
ERROR_IMAGES_IN_MULTIPLE_S3_EMBER
Pesan kesalahan
File manifes berisi gambar dari beberapa bucket S3.
Informasi lain
Manifes hanya dapat mereferensikan gambar yang disimpan dalam satu ember. Setiap JSON Line menyimpan lokasi Amazon S3 dari lokasi gambar dalam nilai. source-ref
Dalam contoh berikut, nama bucket adalah my-bucket.
"source-ref": "s3://my-bucket/images/sunrise.png"
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.
Untuk memperbaiki ERROR_IMAGES_IN_MULTIPLE_S3_BUCKETS
Pastikan semua gambar Anda berada di bucket Amazon S3 yang sama dan nilai
source-ref
di setiap JSON Line mereferensikan bucket tempat gambar Anda disimpan. Atau, pilih bucket Amazon S3 pilihan dan hapus JSON Lines yangsource-ref
tidak mereferensikan bucket pilihan Anda.
ERROR_INVALID_PERMISSIONS_IMAGES_S3_BUCKET
Pesan kesalahan
Izin untuk bucket S3 gambar tidak valid.
Informasi lain
Izin pada bucket Amazon S3 yang berisi gambar tidak benar.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.
Untuk memperbaiki ERROR_INVALID_PERMISSIONS_IMAGES_S3_BUCKET
Periksa izin bucket yang berisi gambar. Nilai
source-ref
untuk gambar berisi lokasi bucket.
ERROR_INVALID_IMAGES_S3_BUCKET_OWNER
Pesan kesalahan
Id pemilik tidak valid untuk bucket S3 gambar.
Informasi lain
Pemilik ember yang berisi gambar pelatihan atau tes berbeda dari pemilik ember yang berisi manifes pelatihan atau tes. Anda dapat menggunakan perintah berikut untuk menemukan pemilik ember.
aws s3api get-bucket-acl --bucket
bucket name
OWNER
ID
Harus cocok untuk ember yang menyimpan gambar dan file manifes.
Untuk memperbaiki ERROR_INVALID_IMAGES_S3_BUCKET_OWNER
Pilih pemilik ember pelatihan, pengujian, output, dan gambar yang diinginkan. Pemilik harus memiliki izin untuk menggunakan Label Kustom Amazon Rekognition.
Untuk setiap bucket yang saat ini tidak dimiliki oleh pemilik yang diinginkan, buat bucket Amazon S3 baru yang dimiliki oleh pemilik pilihan.
Salin isi ember lama ke ember baru. Untuk informasi selengkapnya, lihat Bagaimana cara menyalin objek di antara bucket Amazon S3?
.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.
ERROR_INSUFFICIENT_IMAGES_PER_LABEL_FOR_AUTOSPLIT
Pesan kesalahan
File manifes berisi gambar berlabel tidak cukup per label untuk melakukan pemisahan otomatis.
Informasi lain
Selama pelatihan model, Anda dapat membuat kumpulan data pengujian dengan menggunakan 20% gambar dari kumpulan data pelatihan. ERROR_INSUFFICIENT_IMAGES_PER_LABEL_FOR_AUTOSPLIT terjadi ketika tidak ada cukup gambar untuk membuat kumpulan data pengujian yang dapat diterima.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.
Untuk memperbaiki ERROR_INSUFFICIENT_IMAGES_PER_LABEL_FOR_AUTOSPLIT
Tambahkan lebih banyak gambar berlabel ke kumpulan data pelatihan Anda. Anda dapat menambahkan gambar di konsol Label Kustom Rekognition Amazon dengan menambahkan gambar ke kumpulan data pelatihan, atau dengan menambahkan JSON Lines ke manifes pelatihan Anda. Untuk informasi selengkapnya, lihat Mengelola set data.
ERROR_MANIFEST_TOO_FEW_LABELS
Pesan kesalahan
File manifes memiliki terlalu sedikit label.
Informasi lain
Kumpulan data pelatihan dan pengujian memiliki jumlah label minimum yang diperlukan. Minimum tergantung pada apakah kumpulan data melatih/menguji model untuk mendeteksi label tingkat gambar (klasifikasi) atau jika model mendeteksi lokasi objek. Jika kumpulan data pelatihan dibagi untuk membuat kumpulan data pengujian, jumlah label dalam kumpulan data ditentukan setelah kumpulan data pelatihan dibagi. Untuk informasi selengkapnya, lihat Pedoman dan kuota di Label Kustom Amazon Rekognition.
Untuk memperbaiki ERROR_MANIFEST_TOO_FEW_LABELS (konsol)
Tambahkan lebih banyak label baru ke kumpulan data. Untuk informasi selengkapnya, lihat Mengelola label.
Tambahkan label baru ke gambar di kumpulan data. Jika model Anda mendeteksi label tingkat gambar, lihat. Menetapkan label tingkat gambar ke gambar Jika model Anda mendeteksi lokasi objek, lihatPelabelan objek dengan kotak pembatas.
Untuk memperbaiki ERROR_MANIFEST_TOO_FEW_LABELS (JSON Line)
Tambahkan JSON Lines untuk gambar baru yang memiliki label baru. Untuk informasi selengkapnya, lihat Membuat file manifes. Jika model Anda mendeteksi label tingkat gambar, Anda menambahkan nama label baru ke bidang.
class-name
Misalnya, label untuk gambar berikut adalah Sunrise.{ "source-ref": "s3://bucket/images/sunrise.png", "testdataset-classification_Sunrise": 1, "testdataset-classification_Sunrise-metadata": { "confidence": 1, "job-name": "labeling-job/testdataset-classification_Sunrise", "class-name": "Sunrise", "human-annotated": "yes", "creation-date": "2018-10-18T22:18:13.527256", "type": "groundtruth/image-classification" } }
Jika model Anda mendeteksi lokasi objek, tambahkan label baru ke
class-map
, seperti yang ditunjukkan pada contoh berikut.{ "source-ref": "s3://custom-labels-bucket/images/IMG_1186.png", "bounding-box": { "image_size": [{ "width": 640, "height": 480, "depth": 3 }], "annotations": [{ "class_id": 1, "top": 251, "left": 399, "width": 155, "height": 101 }, { "class_id": 0, "top": 65, "left": 86, "width": 220, "height": 334 }] }, "bounding-box-metadata": { "objects": [{ "confidence": 1 }, { "confidence": 1 }], "class-map": { "0": "Echo", "1": "Echo Dot" }, "type": "groundtruth/object-detection", "human-annotated": "yes", "creation-date": "2018-10-18T22:18:13.527256", "job-name": "my job" } }
Anda perlu memetakan tabel peta kelas ke anotasi kotak pembatas. Untuk informasi selengkapnya, lihat Lokalisasi objek dalam file manifes.
ERROR_MANIFEST_TOO_MANY_LABELS
Pesan kesalahan
File manifes memiliki terlalu banyak label.
Informasi lain
Jumlah label unik dalam manifes (dataset) lebih dari batas yang diizinkan. Jika kumpulan data pelatihan dibagi untuk membuat kumpulan data pengujian, jumlah label ditentukan setelah pemisahan.
Untuk memperbaiki ERROR_MANIFEST_TOO_MANY_LABELS (Konsol)
Hapus label dari kumpulan data. Untuk informasi selengkapnya, lihat Mengelola label. Label secara otomatis dihapus dari gambar dan kotak pembatas di kumpulan data Anda.
Untuk memperbaiki ERROR_MANIFEST_TOO_MANY_LABELS (JSON Line)
Manifestasi dengan garis JSON tingkat gambar - Jika gambar memiliki label tunggal, hapus Garis JSON untuk gambar yang menggunakan label yang diinginkan. Jika JSON Line berisi beberapa label, hapus hanya objek JSON untuk label yang diinginkan. Untuk informasi selengkapnya, lihat Menambahkan beberapa label tingkat gambar ke gambar.
Manifestasi dengan lokasi objek JSON Lines - Hapus kotak pembatas dan informasi label terkait untuk label yang ingin Anda hapus. Lakukan ini untuk setiap JSON Line yang berisi label yang diinginkan. Anda perlu menghapus label dari
class-map
array dan objek yang sesuai dalamobjects
danannotations
array. Untuk informasi selengkapnya, lihat Lokalisasi objek dalam file manifes.
ERROR_INSUFFICIENT_LABEL_TUMPANG TINDIH
Pesan kesalahan
Kurang dari {}% label tumpang tindih antara pelatihan dan pengujian file manifes.
Informasi lain
Ada kurang dari 50% tumpang tindih antara nama label dataset pengujian dan nama label dataset pelatihan.
Untuk memperbaiki ERROR_INSUFFICIENT_LABEL_OVERLAP (Konsol)
Hapus label dari kumpulan data pelatihan. Atau, tambahkan label yang lebih umum ke kumpulan data pengujian Anda. Untuk informasi selengkapnya, lihat Mengelola label. Label secara otomatis dihapus dari gambar dan kotak pembatas di kumpulan data Anda.
Untuk memperbaiki ERROR_INSUFFICIENT_LABEL_OVERLAP dengan menghapus label dari kumpulan data pelatihan (JSON Line)
Manifestasi dengan garis JSON tingkat gambar - Jika gambar memiliki label tunggal, hapus Garis JSON untuk gambar yang menggunakan label yang diinginkan. Jika JSON Line berisi beberapa label, hapus hanya objek JSON untuk label yang diinginkan. Untuk informasi selengkapnya, lihat Menambahkan beberapa label tingkat gambar ke gambar. Lakukan ini untuk setiap JSON Line dalam manifes yang berisi label yang ingin Anda hapus.
Manifestasi dengan lokasi objek JSON Lines - Hapus kotak pembatas dan informasi label terkait untuk label yang ingin Anda hapus. Lakukan ini untuk setiap JSON Line yang berisi label yang diinginkan. Anda perlu menghapus label dari
class-map
array dan objek yang sesuai dalamobjects
danannotations
array. Untuk informasi selengkapnya, lihat Lokalisasi objek dalam file manifes.
Untuk memperbaiki ERROR_INSUFFICIENT_LABEL_OVERLAP dengan menambahkan label umum ke kumpulan data pengujian (JSON Line)
Tambahkan JSON Lines ke kumpulan data pengujian yang menyertakan gambar berlabel label yang sudah ada dalam kumpulan data pelatihan. Untuk informasi selengkapnya, lihat Membuat file manifes.
ERROR_MANIFEST_TOO_FEW_USABLE_LABELS
Pesan kesalahan
File manifes memiliki terlalu sedikit label yang dapat digunakan.
Informasi lain
Manifes pelatihan dapat berisi JSON Lines dalam format label tingkat gambar dan dalam format lokasi objek. Bergantung pada jenis Garis JSON yang ditemukan dalam manifes pelatihan, Label Kustom Amazon Rekognition memilih untuk membuat model yang mendeteksi label tingkat gambar, atau model yang mendeteksi lokasi objek. Amazon Rekognition Custom Labels menyaring catatan JSON yang valid untuk JSON Lines yang tidak dalam format yang dipilih. ERROR_MANIFEST_TOO_FEW_USABLE_LABELS terjadi ketika jumlah label dalam manifes tipe model yang dipilih tidak cukup untuk melatih model.
Minimal 1 label diperlukan untuk melatih model yang mendeteksi label tingkat gambar. Minimal 2 label diperlukan untuk melatih model yang objek lokasi.
Untuk memperbaiki ERROR_MANIFEST_TOO_FEW_USABLE_LABELS (Konsol)
Periksa
use_case
bidang dalam ringkasan manifes.Tambahkan lebih banyak label ke kumpulan data pelatihan untuk kasus penggunaan (tingkat gambar atau pelokalan objek) yang cocok dengan nilai.
use_case
Untuk informasi selengkapnya, lihat Mengelola label. Label secara otomatis dihapus dari gambar dan kotak pembatas di kumpulan data Anda.
Untuk memperbaiki ERROR_MANIFEST_TOO_FEW_USABLE_LABELS (JSON Line)
Periksa
use_case
bidang dalam ringkasan manifes.Tambahkan lebih banyak label ke kumpulan data pelatihan untuk kasus penggunaan (tingkat gambar atau pelokalan objek) yang cocok dengan nilai.
use_case
Untuk informasi selengkapnya, lihat Membuat file manifes.
ERROR_INSUFFICIENT_USABLE_LABEL_TUMPANG TINDIH
Pesan kesalahan
Kurang dari {}% label yang dapat digunakan tumpang tindih antara file manifes pelatihan dan pengujian.
Informasi lain
Manifes pelatihan dapat berisi JSON Lines dalam format label tingkat gambar dan dalam format lokasi objek. Bergantung pada format yang ditemukan dalam manifes pelatihan, Label Kustom Amazon Rekognition memilih untuk membuat model yang mendeteksi label tingkat gambar, atau model yang mendeteksi lokasi objek. Label Kustom Rekognition Amazon tidak menggunakan catatan JSON yang valid untuk JSON Lines yang tidak dalam format model yang dipilih. ERROR_INSUFFICIENT_USABLE_LABEL_OVERLAP terjadi ketika ada kurang dari 50% tumpang tindih antara label pengujian dan pelatihan yang digunakan.
Untuk memperbaiki ERROR_INSUFFICIENT_USABLE_LABEL_OVERLAP (Konsol)
Hapus label dari kumpulan data pelatihan. Atau, tambahkan label yang lebih umum ke kumpulan data pengujian Anda. Untuk informasi selengkapnya, lihat Mengelola label. Label secara otomatis dihapus dari gambar dan kotak pembatas di kumpulan data Anda.
Untuk memperbaiki ERROR_INSUFFICIENT_USABLE_LABEL_OVERLAP dengan menghapus label dari kumpulan data pelatihan (JSON Line)
Kumpulan data yang digunakan untuk mendeteksi label tingkat gambar - Jika gambar memiliki label tunggal, hapus Garis JSON untuk gambar yang menggunakan label yang diinginkan. Jika JSON Line berisi beberapa label, hapus hanya objek JSON untuk label yang diinginkan. Untuk informasi selengkapnya, lihat Menambahkan beberapa label tingkat gambar ke gambar. Lakukan ini untuk setiap JSON Line dalam manifes yang berisi label yang ingin Anda hapus.
Kumpulan data yang digunakan untuk mendeteksi lokasi objek - Hapus kotak pembatas dan informasi label terkait untuk label yang ingin Anda hapus. Lakukan ini untuk setiap JSON Line yang berisi label yang diinginkan. Anda perlu menghapus label dari
class-map
array dan objek yang sesuai dalamobjects
danannotations
array. Untuk informasi selengkapnya, lihat Lokalisasi objek dalam file manifes.
Untuk memperbaiki ERROR_INSUFFICIENT_USABLE_LABEL_OVERLAP dengan menambahkan label umum ke kumpulan data pengujian (JSON Line)
Tambahkan JSON Lines ke kumpulan data pengujian yang menyertakan gambar berlabel label yang sudah ada dalam kumpulan data pelatihan. Untuk informasi selengkapnya, lihat Membuat file manifes.
ERROR_FAILED_IMAGES_S3_COPY
Pesan kesalahan
Gagal menyalin gambar dari ember S3.
Informasi lain
Layanan tidak dapat menyalin gambar apa pun di kumpulan data Anda.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.
Untuk memperbaiki ERROR_FAILED_IMAGES_S3_COPY
Periksa izin gambar Anda.
Jika Anda menggunakan AWS KMS, periksa kebijakan bucket. Untuk informasi selengkapnya, lihat Mendekripsi file yang dienkripsi dengan AWS Key Management Service.
File manifes memiliki terlalu banyak kesalahan terminal.
Ada terlalu banyak baris JSON dengan kesalahan konten terminal.
Untuk memperbaiki ERROR_TOO_MANY_RECORDS_IN_ERROR
Kurangi jumlah Garis JSON (gambar) dengan kesalahan konten terminal. Untuk informasi selengkapnya, lihat Kesalahan konten manifes terminal.
Anda tidak dapat menggunakan konsol Label Kustom Rekognition Amazon untuk memperbaiki kesalahan ini.