3D-Punkt-Clouds

Dreidimensionale (3D) Punkt-Clouds werden am häufigsten mit LIDAR-Geräten (Light Detection and Ranging) erfasst, um ein 3D-Verständnis eines physikalischen Raums zu einem einzigen Zeitpunkt zu erzeugen. SageMaker Ground Truth unterstützt integrierte Labeling-Workflows für Ihre 3D-Punkt-Cloud-Daten, darunter Objekterkennung, Einwandverfolgung und semantische Segmentierungstechniken.

Objekterkennung

Mit dem Objekterkennungs-Workflow können Sie Objekte von Interesse innerhalb einer 3D-Punkt-Cloud identifizieren und kennzeichnen. Beispielsweise können Sie in einem autonomen Fahrzeugsanwendungsfall Fahrzeuge, Fahrbahnen und Fußgänger präzise kennzeichnen.

Amazon SageMaker Ground Truth – Objekterkennung

Objektverfolgung

Mit dem Objektverfolgungs-Workflow können Sie den Kurs von Objekten von Interesse nachverfolgen. Beispielsweise muss ein autonomes Fahrzeug die Bewegung anderer Fahrzeuge, Fahrbahnen und Fußgänger verfolgen. Mit Ground Truth können Sie den Kurs dieser Objekte in einer Sequenz von 3D-Punkt-Cloud-Daten nachverfolgen.

Amazon SageMaker Ground Truth – Objektverfolgung

Semantische Segmentierung

Mit dem Workflow der semantischen Segmentierung können Sie die Punkte einer 3D-Punkt-Cloud in vorab festgelegten Kategorien segmentieren. Beispielsweise kann Ground Truth für autonome Fahrzeuge das Vorhandensein von Straßen, Laub und Strukturen kategorisieren.

Amazon SageMaker Ground Truth – semantische Segmentierung

Video

SageMaker Ground Truth unterstützt gängige Anwendungsfälle der Videokennzeichnungen mit integrierten Workflows, einschließlich Video-Objekterkennung, Video-Objektverfolgung und Videoclipklassifizierung.

Objekterkennung für Videos

Mit dem Objekterkennungs-Workflow für Videos können Sie Objekte von Interesse innerhalb einer Sequenz von Videobildern identifizieren. Wenn Sie zum Beispiel ein Wahrnehmungssystem für ein autonomes Fahrzeug entwickeln, können Sie andere Fahrzeuge in der Szene um das Fahrzeug herum erkennen.

Amazon SageMaker Ground Truth – Objekterkennung für Videos

Video-Objektverfolgung

Mit dem Objektverfolgungs-Workflow für Videos können Sie Objekte von Interesse innerhalb einer Sequenz von Videobildern verfolgen. Beispielsweise können Sie in einem Anwendungsfall eines Sportereignisses die Spieler über die gesamte Dauer eines Spiels hinweg genau kennzeichnen.

Amazon SageMaker Ground Truth – Objektverfolgung für Videos

Videoclipklassifizierung

Mit dem Workflow zur Klassifizierung von Videoclips können Sie eine Videodatei in eine vordefinierte Kategorie klassifizieren. Sie können vordefinierte Kategorien auswählen, die das Video am besten beschreiben, wie z. B. ein Sportereignis oder Verkehrsstaus an einer belebten Kreuzung.

Amazon SageMaker Ground Truth – Videoclipklassifizierung

Bilder

SageMaker Ground Truth bietet integrierte Labeling-Workflows für Ihre Bilddaten. Dazu zählen u.a. Bildklassifizierung, Objektverfolgung und semantische Segmentierungstechniken.

Bildklassifizierung

Bildklassifizierung ist der Prozess zur Identifizierung eines Bildes anhand seiner Darstellung in der realen Welt. Dieser Prozess beinhaltet die Kategorisierung von Bildern anhand einer vordefinierten Menge von Labels. Die Bildklassifizierung ist nützlich für Szenenerkennungsmodelle, die den vollständigen Kontext des Bildes berücksichtigen müssen. Beispielsweise können wir ein Bildklassifizierungsmodell für autonome Fahrzeuge erstellen, damit diverse echte Objekte wie andere Fahrzeuge, Fußgänger, Verkehrsampeln und -schilder erkannt werden.

Amazon SageMaker Ground Truth – Bildklassifizierung

Objekterkennung

Sie können den Objekterkennungs-Workflow verwenden, um Objekte von Interesse (z. B. Fahrzeuge, Fußgänger, Hunde, Katzen) in Bildern zu identifizieren und zu kennzeichnen. Die Labeling-Aufgabe umfasst das Aufziehen eines Begrenzungsrahmens, eines 2-dimensionalen (2D-)Rahmens rund um die Objekte von Interesse innerhalb eines Bildes. Computer-Vision-Modelle, die aus Bildern mit gekennzeichneten Begrenzungsrahmen trainiert wurden, lernen, dass die Pixel innerhalb der Box dem angegebenen Objekt entsprechen.

Amazon SageMaker Ground Truth – Objekterkennung

Semantische Segmentierung

Sie können den Workflow der semantischen Segmentierung verwenden, um genau jene Teile eines Bildes zu kennzeichnen, die den Kennzeichnungen entsprechen, die Ihr Modell lernen muss. Damit werden Ihnen hochpräzise Training-Daten geboten, weil die individuellen Pixel gekennzeichnet sind. Beispielsweise konnte die ungewöhnliche Form eines Fahrzeugs in einem Bild mit der semantischen Segmentierung genau erfasst werden.

Amazon SageMaker Ground Truth – semantische Segmentierung

Text

SageMaker Ground Truth bietet integrierte Labeling-Workflows für Ihre Textdaten. Dazu zählen u. a. Textklassifizierung und Erkennung benannter Entitäten (Named Entity Recognition, NER).

Textklassifizierung

Bei der Textklassifizierung werden Textelemente anhand einer vordefinierten Menge von Labels kategorisiert. Die Kategorisierung von Text in verschiedene Labels wird häufig für Natural Language Processing (NLP)-Modelle verwendet, die Elemente wie Themen (z. B. Produktbeschreibungen, Filmrezensionen) oder Gefühle identifizieren.

Amazon SageMaker Ground Truth – Textklassifizierung

Named Entity Recognition

Die Erkennung benannter Entitäten (Named Entity Recognition, NER) umfasst das Durchsuchen von Textdaten zur Lokalisierung von Phrasen, die als benannte Entitäten bezeichnet werden sowie die Kategorisierung der jeweiligen Phrasen mit einem Label wie z. B. „Person“, „Unternehmen“ oder „Marke“. In der Aussage „Ich habe kürzlich Amazon Prime abonniert“ ist „Amazon Prime“ die benannte Entität und kann als „Marke“ kategorisiert werden.

Amazon SageMaker Ground Truth – Named Entity Recognition

Benutzerdefinierte Workflows

Sie können Ihren eigenen Labeling-Workflow in Ground Truth erstellen. Ein benutzerdefinierter Workflow besteht aus drei Komponenten: (1) einer Benutzeroberflächenvorlage, die menschliche Kennzeichner mit allen zum Abschließen der Labeling-Aufgabe erforderlichen Anweisungen und Tools versorgt, (2) der gesamten Vorverarbeitungslogik einer AWS-Lambda-Funktion und (3) der gesamten Nachbearbeitungslogik einer AWS-Lambda-Funktion. Eine große Auswahl von Benutzeroberflächenvorlagen ist verfügbar oder Sie können Ihre eigene Javascript-/HTML-Vorlage hochladen. Die Lambda-Funktion der Vorverarbeitung kann dem Labeling der Daten dienen und zusätzlichen Kontext für den Kennzeichner schaffen und die Lambda-Funktion der Nachbearbeitung kann genutzt werden, um einen Algorithmus zur Verbesserung der Genauigkeit einzufügen. Der Algorithmus kann auf die Qualität der Anmerkungen zugreifen, die von Menschen gemacht wurden oder kann einen Konsens darüber finden, was „richtig“ ist, wenn dieselben Daten verschiedenen menschlichen Kennzeichnern bereitgestellt werden. Sie können alle drei Komponenten mithilfe der SageMaker Ground Truth-Konsole hochladen.

Erstellen Sie Ihren benutzerdefinierten Workflow in Ground Truth

Arbeitskräfte

In SageMaker Ground Truth können menschliche Arbeitskräfte für das Kennzeichnen von Daten auf unterschiedliche Weise eingebunden werden: (1) Ihre eigenen Mitarbeiter, (2) externe Serviceanbieter für Daten-Labeling und (3) Crowdsource-Arbeitskräfte über Amazon Mechanical Turk.

Mechanical Turk
Mechanical Turk
Privat
Privat
Anbieter
Anbieter
Amazon SageMaker Ground Truth – Preise
Informationen zu den Preisen von Amazon SageMaker Ground Truth

In Amazon SageMaker Ground Truth können Sie ohne Vorauszahlungen oder langfristige Verpflichtungen einsteigen.

Weitere Informationen 
Registrieren Sie sich für ein AWS-Konto
Registrieren Sie sich und erhalten Sie ein kostenloses Konto

Sie erhalten sofort Zugriff auf das kostenlose AWS-Kontingent. 

Registrieren 
Beginnen Sie mit der Entwicklung in der Konsole
Beginnen Sie mit der Entwicklung in der Konsole

Beginnen Sie mit der Entwicklung mit Amazon SageMaker Ground Truth in der AWS-Managementkonsole.

Anmeldung