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.
CreateProjectVersion
Operasi 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.S3Object
untuk dataset pelatihan -
TestingDataResult.Output.Assets[0].GroundTruthManifest.S3Object
untuk 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.