Nuvens de pontos 3D

Normalmente, as nuvens de pontos tridimensionais (3D) são capturadas usando dispositivos de Light Detection and Ranging (LIDAR – Detecção e determinação de distância por meio de luz) para gerar uma interpretação 3D de um espaço físico em um determinado momento. O SageMaker Ground Truth oferece fluxos de trabalho de rotulagem incorporados para dados de nuvem de pontos 3D, incluindo detecção de objetos, rastreamento de objetos e segmentação semântica.

Detecção de objetos

O fluxo de trabalho de detecção de objetos permite identificar e rotular objetos de interesse em uma nuvem de pontos 3D. Por exemplo, em um caso de uso de veículo autônomo, você pode rotular veículos, pistas e pedestres com precisão.

Detecção de objetos do Amazon SageMaker Ground Truth

Rastreamento de objetos

Com o fluxo de trabalho de rastreamento de objetos, você pode rastrear a trajetória de objetos de interesse. Por exemplo, um veículo autônomo precisa rastrear o movimento de outros veículos, linhas e pedestres. O Ground Truth permite rastrear a trajetória desses objetos em uma sequência de dados de nuvem de pontos 3D.

Rastreamento de objetos do Amazon SageMaker Ground Truth

Segmentação semântica

Com o fluxo de trabalho de segmentação semântica, você pode segmentar os pontos de uma nuvem de pontos 3D em categorias predefinidas. No exemplo de veículos autônomos, o Ground Truth poderia categorizar a presença de ruas, vegetação e estruturas.

Segmentação semântica do Amazon SageMaker Ground Truth

Vídeo

O SageMaker Ground Truth é compatível com casos de uso comuns de legendagem de vídeo com fluxos de trabalho integrados, incluindo detecção de objetos de vídeo, rastreamento de objetos de vídeo e classificação de clipes de vídeo.

Detecção de objetos de vídeo

Com o fluxo de trabalho de detecção de objetos de vídeo, é possível identificar objetos de interesse em uma sequência de quadros de vídeo. Por exemplo, na criação de um sistema de percepção para um veículo autônomo, você pode detectar outros veículos na cena ao redor do veículo.

Detecção de objetos de vídeo do Amazon SageMaker Ground Truth

Rastreamento de objetos de vídeo

Com o fluxo de trabalho de rastreamento de objetos de vídeo, é possível rastrear objetos de interesse em uma sequência de quadros de vídeo. Por exemplo, em um caso de uso de jogo esportivo, é possível rotular os jogadores com precisão durante todo o jogo.

Rastreamento de objetos de vídeo do Amazon SageMaker Ground Truth

Classificação de clipes de vídeo

Com o fluxo de trabalho de classificação de clipes de vídeo, é possível classificar um arquivo de vídeo em uma categoria pré-especificada. Por exemplo, você pode selecionar categorias pré-especificadas que melhor descrevem o vídeo, como uma partida esportiva ou congestionamento de tráfego em um cruzamento movimentado.

Classificação de clipes de vídeo do Amazon SageMaker Ground Truth

Imagens

O SageMaker Ground Truth oferece fluxos de trabalho de rotulagem incorporados para dados de imagens, incluindo classificação de imagens, detecção de objetos e segmentação semântica.

Classificação de imagens

A classificação de imagens é o processo de identificar uma imagem com base na sua representação no mundo real. Esse processo envolve a categorização de imagens em relação a um conjunto de rótulos predefinido. A classificação de imagens é útil para modelos de detecção de cena que precisam considerar todo o contexto da imagem. Por exemplo, podemos criar um modelo de classificação de imagens para que veículos autônomos detectem diversos objetos do mundo real, como outros veículos, pedestres, semáforos e sinalização.

Classificação de imagens do Amazon SageMaker Ground Truth

Detecção de objetos

Você pode usar o fluxo de trabalho de detecção de objetos para identificar e rotular objetos de interesse (por exemplo, pedestres, cães e gatos) em imagens. A tarefa de rotulagem envolve desenhar uma caixa delimitadora (uma caixa bidimensional, ou 2D) em volta dos objetos de interesse em uma imagem. Modelos de visão computadorizada treinados com imagens que têm caixas delimitadoras rotuladas aprendem que os pixels dentro da caixa correspondem ao objeto especificado.

Detecção de objetos do Amazon SageMaker Ground Truth

Segmentação semântica

Você pode usar fluxos de trabalho de segmentação semântica para rotular as partes exatas de uma imagem que correspondem ao que o modelo precisa aprender. Esses fluxos oferecem dados de treinamento de alta precisão porque os pixels individuais são rotulados. Por exemplo, a forma irregular de um carro em uma imagem pode ser capturada de forma exata com a segmentação semântica.

Segmentação semântica do Amazon SageMaker Ground Truth

Texto

O SageMaker Ground Truth oferece fluxos de trabalho de rotulagem incorporados para dados em texto, incluindo classificação de textos e reconhecimento de entidades nomeadas.

Classificação de textos

A classificação de textos envolve a categorização de strings de texto em relação a um conjunto de rótulos predefinido. Muitas vezes, a categorização de textos em rótulos diferentes é usada para modelos de Natural Language Processing (NLP – Processamento de linguagem natural) que identificam coisas como tópicos (por exemplo, descrições de produtos, avaliações de filmes) ou sentimentos.

Classificação de textos do Amazon SageMaker Ground Truth

Reconhecimento de entidades nomeadas

O Named Entity Recognition (NER – Reconhecimento de entidades nomeadas) envolve a pesquisa de dados em texto para localizar frases denominadas entidades. Cada entidade é categorizada com um rótulo, como “pessoa”, “organização” ou “marca”. Assim, na declaração “Assinei recentemente o Amazon Prime”, “Amazon Prime” seria a entidade nomeada e poderia ser categorizada como uma “marca”.

Reconhecimento de entidades nomeadas do Amazon SageMaker Ground Truth

Fluxos de trabalho personalizados

Você pode criar o seu próprio fluxo de trabalho de rotulagem no Ground Truth. Um fluxo de trabalho personalizado consiste em três componentes: (1) um modelo de IU que fornece aos rotuladores humanos todas as instruções e ferramentas necessárias para concluir a tarefa de rotulagem; (2) a lógica de pré-processamento encapsulada em uma função do AWS Lambda, se houver; e (3) a lógica de pós-processamento encapsulada em uma função do AWS Lambda, se houver. Há uma grande variedade de modelos de IU disponíveis. Você também pode carregar o seu próprio modelo JavaScript/HTML. A função de pré-processamento do Lambda pode fornecer os dados a serem rotulados e contexto adicional para o rotulador. A função de pós-processamento do Lambda pode ser usada para inserir um algoritmo de aprimoramento de precisão. O algoritmo pode avaliar a qualidade das anotações humanas ou pode encontrar um consenso sobre o que é “certo” quando os mesmos dados são fornecidos a vários rotuladores humanos. Os três componentes podem ser carregados usando o console do SageMaker Ground Truth.

Crie seu próprio fluxo de trabalho personalizado no Ground Truth

Forças de trabalho

O SageMaker Ground Truth oferece várias opções de força de trabalho humana para rotulagem de dados: (1) seus próprios funcionários; (2) provedores de serviços de rotulagem de dados terceirizados disponíveis no AWS Marketplace; e (3) força de trabalho obtida via crowdsourcing usando o Amazon Mechanical Turk.

Mechanical Turk
Mechanical Turk
Privada
Privada
Fornecedores
Fornecedores
Definição de preço do Amazon SageMaker Ground Truth
Saiba mais sobre a definição de preço do Amazon SageMaker Ground Truth

Comece a usar o Amazon SageMaker Ground Truth sem compromissos antecipados ou contratos de longo prazo.

Saiba mais 
Cadastre-se para obter uma conta da AWS
Cadastre-se para obter uma conta gratuita

Obtenha acesso instantâneo ao nível gratuito da AWS. 

Cadastre-se 
Comece a criar no console
Comece a criar no console

Comece a criar com o Amazon SageMaker Ground Truth no Console de Gerenciamento da AWS.

Faça login