Amazon SageMaker Ground Truth ジョブの使用

画像のラベリングには、かなりの時間がかかる場合があります。たとえば、異常の周囲にマスクを正確に描画するには数十秒かかることがあります。画像が数百枚ある場合は、ラベリングに数時間かかるかもしれません。イメージに自分でラベルを付ける代わりに、Amazon SageMaker Ground Truth の使用を検討してください。

Amazon SageMaker Ground Truth では、選択したベンダー会社の Amazon Mechanical Turk または社内のプライベートワークフォースのいずれかのワーカーを使用して、ラベル付き画像セットを作成できます。詳細については、「Amazon SageMaker Ground Truth を使用してデータにラベルを付ける」を参照してください。

Amazon Mechanical Turk の使用には費用がかかります。また、Amazon Ground Truth のラベリングジョブが完了するには数日かかる場合があります。費用が問題になる場合や、モデルをすばやくトレーニングする必要がある場合は、Amazon Lookout for Vision コンソールを使用して画像にラベル付けすることをお勧めします。

Amazon SageMaker Ground Truth ラベル付けジョブを使用して、画像分類モデルと画像セグメンテーションモデルに適した画像にラベルを付けることができます。ジョブが完了したら、出力マニフェストファイルを使用して Amazon Lookout for Vision データセットを作成します。

画像分類

画像分類モデルの画像にラベルを付けるには、画像分類 (単一ラベル) タスク用のラベリングジョブを作成します。

画像セグメンテーション

画像セグメンテーションモデルの画像にラベルを付けるには、画像分類 (単一ラベル) タスク用のラベリングジョブを作成します。次に、そのジョブを連結して、画像セマンティックセグメンテーションタスク用のラベリングジョブを作成します。

ラベリングジョブを使用して、画像セグメンテーションモデルの部分的なマニフェストファイルを作成することもできます。たとえば、画像分類 (単一ラベル) タスクを使用して画像を分類できます。ジョブ出力を含む Lookout for Vision データセットを作成したら、Amazon Lookout for Vision コンソールを使用して、データセット画像にセグメンテーションマスクと異常ラベルを追加します。

Amazon SageMaker Ground Truth によるイメージのラベル付け

次の手順は、Amazon SageMaker Ground Truth イメージラベル付けタスクを使用してイメージにラベルを付ける方法を示しています。この手続きでは、画像分類マニフェストファイルを作成し、オプションで画像ラベリングタスクを連結して画像セグメンテーションマニフェストファイルを作成します。プロジェクトで別のテストデータセットを扱いたい場合は、この手続きを繰り返してテストデータセットのマニフェストファイルを作成します。

Amazon SageMaker Ground Truth でイメージにラベルを付けるには (コンソール）

1. 「ラベリングジョブを作成する (コンソール)」の手引きに従って、画像分類 (単一ラベル) タスクの Ground Truth ジョブを作成します。

   1. ステップ 10 で、[タスクカテゴリ] ドロップダウンメニューから [画像] を選択し、[画像分類 (単一ラベル)] をタスクタイプとして指定します。

   2. ステップ 16 で、[画像分類 (単一ラベル) ラベリングツール] セクションで 2 つのラベル「正常」と「異常」を追加します。

2. 担当者の方が画像の分類を完了するまでお待ちください。

3. 画像セグメンテーションモデル用のデータセットを作成する場合は、次の操作を行います。それ以外の場合はステップ 4 に進みます。

   1. Amazon SageMaker Ground Truth コンソールで、ラベル付けジョブページを開きます。

   2. 以前に作成した EC2 インスタンスを選択します。これにより、[アクション] メニューが有効になります。

   3. [アクション] メニューから [連鎖] を選択します。ジョブ詳細ページが開きます。

   4. [タスクタイプ] で、[セマンティックセグメンテーション] を選びます。

   5. Choose Next.

   6. [セマンティックセグメンテーションラベリングツール] セクションで、モデルに見つけてほしい各タイプの異常における異常ラベルを追加します。

   7. Choose Create.

   8. 担当者の方が画像にラベルを付けるまでお待ちください。

4. Ground Truth コンソールを開き、「ラベリングジョブ」ページを開きます。

5. 画像分類モデルを作成する場合は、ステップ 1 で作成したタグを選択します。画像セグメンテーションモデルを作成する場合は、ステップ 3 で作成したジョブを選択します。

6. 「ラベリングジョブサマリー」の [出力データセットの場所] で S3 の場所を開きます。マニフェストファイルの場所を書き留めておきます (s3://output-dataset-location/manifests/output/output.manifest のはずです)。

7. テストデータセット用マニフェストファイルを作成する場合は、この手続きを繰り返します。それ以外の場合は、データセットの作成 の手引きに従って、マニフェストファイルによりデータセットを作成してください。

データセットの作成

以下の手続きに従って、 Amazon SageMaker Ground Truth によるイメージのラベル付け のステップ 6 でメモしたマニフェストファイルにより Lookout for Vision プロジェクトにデータセットを作成します。マニフェストファイルは単一のデータセットプロジェクトのトレーニングデータセットを作成します。プロジェクトに別のテストデータセットを持たせたい場合は、別の Amazon SageMaker Ground Truth ジョブを実行して、テストデータセットのマニフェストファイルを作成できます。または、マニフェストファイルを自分で作成することもできます。画像は Amazon S3 バケットかローカルコンピューターからテストデータセットにインポートすることもできます。(画像へのラベリングはモデルをトレーニングする前に必要となる場合があります)。

この手続きでは、プロジェクトにデータセットがないことを前提としています。

Lookout for Vision によりデータセットを作成するには (コンソール)

1. で Amazon Lookout for Vision コンソールを開きます https://console.aws.amazon.com/lookoutvision/。

2. [開始する] を選択します。

3. 左側のナビゲーションペインで、[プロジェクト] を選択します。

4. マニフェストファイルで使用するために追加するプロジェクトを選択します。

5. [操作方法] セクションで、[データセットを作成] を選択します。

6. [単一データセット] タブまたは [トレーニングデータセットとテストデータセットを分離] タブをクリックし、手順に従います。

   Single dataset

   1. [単一データセットを作成] をクリックします。

   2. 「画像ソース設定」セクションで、「Ground Truth で SageMakerラベル付けされた画像をインポートする」を選択します。

   3. [.manifest ファイルの場所] には、 Amazon SageMaker Ground Truth によるイメージのラベル付け のステップ 6 で記したマニフェストファイルの場所を入力します。

   Separate training and test datasets

   1. [トレーニングデータセットとテストデータセットを作成] を選択します。

   2. 「トレーニングデータセットの詳細」セクションで、「Ground Truth で SageMakerラベル付けされたイメージをインポートする」を選択します。

   3. [.manifest ファイルの場所] には、 Amazon SageMaker Ground Truth によるイメージのラベル付け のステップ 6 でメモしたマニフェストファイルの場所を入力します。

   4. 「データセットの詳細をテストする」セクションで、 SageMaker 「Ground Truth でラベル付けされた画像のインポート」を選択します。

   5. [.manifest ファイルの場所] には、 Amazon SageMaker Ground Truth によるイメージのラベル付け のステップ 6 でメモしたマニフェストファイルの場所を入力します。テストデータセットには別のマニフェストファイルが必要なことを忘れないでください。

7. Choose Submit.

8. 「モデルのトレーニング」の手順に従って、モデルをトレーニングします。