Pilih preferensi cookie Anda

Kami menggunakan cookie penting serta alat serupa yang diperlukan untuk menyediakan situs dan layanan. Kami menggunakan cookie performa untuk mengumpulkan statistik anonim sehingga kami dapat memahami cara pelanggan menggunakan situs dan melakukan perbaikan. Cookie penting tidak dapat dinonaktifkan, tetapi Anda dapat mengklik “Kustom” atau “Tolak” untuk menolak cookie performa.

Jika Anda setuju, AWS dan pihak ketiga yang disetujui juga akan menggunakan cookie untuk menyediakan fitur situs yang berguna, mengingat preferensi Anda, dan menampilkan konten yang relevan, termasuk iklan yang relevan. Untuk menerima atau menolak semua cookie yang tidak penting, klik “Terima” atau “Tolak”. Untuk membuat pilihan yang lebih detail, klik “Kustomisasi”.

Format file manifes

Mode fokus

Di halaman ini

Format file manifes - Amazon Rekognition

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Bagian berikut menunjukkan contoh format file manifes untuk file input, output, dan evaluasi.

Masukan manifes

File manifes adalah file yang dibatasi json-line, dengan setiap baris berisi file JSON yang menyimpan informasi tentang satu gambar.

Setiap entri dalam Manifes Input harus berisi source-ref bidang dengan jalur ke gambar di bucket Amazon S3 dan, untuk Moderasi Kustom, content-moderation-groundtruth bidang dengan anotasi dasar. Semua gambar dalam satu kumpulan data diharapkan berada di ember yang sama. Struktur ini umum untuk pelatihan dan pengujian file manifes.

CreateProjectVersionOperasi untuk Moderasi Kustom menggunakan informasi yang disediakan dalam Manifes Input untuk melatih adaptor.

Contoh berikut adalah satu baris file manifes untuk satu gambar yang berisi satu kelas tidak aman:

{ "source-ref": "s3://foo/bar/1.jpg", "content-moderation-groundtruth": { "ModerationLabels": [ { "Name": "Rude Gesture" } ] } }

Contoh berikut adalah satu baris file manifes untuk satu gambar tidak aman yang berisi beberapa kelas tidak aman, khususnya Nudity dan Rude Gesture.

{ "source-ref": "s3://foo/bar/1.jpg", "content-moderation-groundtruth": { "ModerationLabels": [ { "Name": "Rude Gesture" }, { "Name": "Nudity" } ] } }

Contoh berikut adalah satu baris file manifes untuk satu gambar yang tidak berisi kelas yang tidak aman:

{ "source-ref": "s3://foo/bar/1.jpg", "content-moderation-groundtruth": { "ModerationLabels": [] } }

Untuk daftar lengkap label yang didukung, lihat Memoderasi konten.

Manifes keluaran

Setelah menyelesaikan pekerjaan pelatihan, file manifes keluaran dikembalikan. File manifes keluaran adalah file yang dibatasi JSON -line dengan setiap baris berisi JSON yang menyimpan informasi untuk satu gambar. Amazon S3 Path to the OutputManifest dapat diperoleh dari DescribeProjectVersion respon:

  • TrainingDataResult.Output.Assets[0].GroundTruthManifest.S3Objectuntuk dataset pelatihan

  • TestingDataResult.Output.Assets[0].GroundTruthManifest.S3Objectuntuk menguji dataset

Informasi berikut dikembalikan untuk setiap entri di Output Manifest:

Nama Kunci Deskripsi
source-ref Referensi ke gambar di s3 yang disediakan di maniefst input
content-moderation-groundtruth Anotasi kebenaran dasar yang disediakan dalam manifes masukan
detect-moderation-labels Prediksi adaptor, bagian dari dataset pengujian saja
detect-moderation-labels-base-model Prediksi model dasar, bagian dari dataset pengujian saja

Prediksi model Adaptor dan Base dikembalikan pada ConfidenceTrehsold 5.0 dalam format yang mirip dengan DetectModerationLabelsrespons.

Contoh berikut menunjukkan struktur prediksi model Adaptor dan Base:

{ "ModerationLabels": [ { "Confidence": number, "Name": "string", "ParentName": "string" } ], "ModerationModelVersion": "string", "ProjectVersion": "string" }

Untuk daftar lengkap label yang dikembalikan lihat Memoderasi konten.

Hasil evaluasi terwujud

Setelah menyelesaikan pekerjaan pelatihan, file manifes hasil evaluasi dikembalikan. Manifes hasil evaluasi adalah output JSON file oleh pekerjaan pelatihan, dan berisi informasi tentang seberapa baik kinerja adaptor pada data pengujian.

Amazon S3 Path ke manifes hasil evaluasi dapat diperoleh dari EvaluationResult.Summary.S3Object lapangan dalam respons. DescribeProejctVersion

Contoh berikut menunjukkan struktur manifes hasil evaluasi:

{ "AggregatedEvaluationResults": { "F1Score": number }, "EvaluationDetails": { "EvaluationEndTimestamp": "datetime", "Labels": [ "string" ], "NumberOfTestingImages": number, "NumberOfTrainingImages": number, "ProjectVersionArn": "string" }, "ContentModeration": { "InputConfidenceThresholdEvalResults": { "ConfidenceThreshold": float, "AggregatedEvaluationResults": { "BaseModel": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int }, "Adapter": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int } }, "LabelEvaluationResults": [ { "Label": "string", "BaseModel": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int }, "Adapter": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int } } ] } "AllConfidenceThresholdsEvalResults": [ { "ConfidenceThreshold": float, "AggregatedEvaluationResults": { "BaseModel": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int }, "Adapter": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int } }, "LabelEvaluationResults": [ { "Label": "string", "BaseModel": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int }, "Adapter": { "TruePositive": int, "TrueNegative": int, "FalsePositive": int, "FalseNegative": int } } ] } ] } }

File manifes evaluasi berisi:

  • Hasil agregat seperti yang didefinisikan oleh F1Score

  • Detail untuk pekerjaan evaluasi termasuk ProjectVersionArn, jumlah gambar pelatihan, jumlah gambar pengujian, dan label tempat adaptor dilatih.

  • Agregat TruePositive TrueNegative, FalsePositive,, dan FalseNegative hasil untuk model dasar dan kinerja adaptor.

  • Per label TruePositive TrueNegative, FalsePositive,, dan FalseNegative hasil untuk model dasar dan kinerja adaptor, dihitung pada ambang kepercayaan input.

  • Agregat dan per label TruePositive, TrueNegative, FalsePositive, dan FalseNegative hasil untuk model dasar dan kinerja adaptor pada ambang kepercayaan yang berbeda. Ambang batas kepercayaan berkisar dari 5 hingga 100 dalam langkah 5.

PrivasiSyarat situsPreferensi cookie
© 2024, Amazon Web Services, Inc. atau afiliasinya. Semua hak dilindungi undang-undang.