Amazon Web Services – 在 Sagemaker 中使用自定义 UI 模板

在本文中，我们将研究如何在Amazon Sagemaker ground truth 中使用自定义 UI 模板和 AWS Lambda 函数。

在这里，我们将使用 Jupyter 笔记本创建一个使用自定义 UI 模板和 AWS 提供的 lambda 函数以及使用 AWS 开发工具包（例如 boto3）的基本事实标签作业。为此，请按照以下步骤操作：

步骤 1：首先创建一个名为customui.html的自定义 UI 模板文件，以创建语义分割作业。下面给出了一个示例代码：

HTML

    
  
        
            
                Inspect the Image
                Add appropriate label for the image.
            
        
  
        
              
Use the tools to label the requested items in the image
  
        
    

第 2 步：现在为标签创建一个名为testlabels.json的 JSON 文件，为 Amazon Simple Storage Service 中的图像创建一个名为input.manifest的输入清单文件。

第 3 步：通过执行以下Python代码将 HTML、清单和 JSON 文件上传到亚马逊简单存储服务：

Python3

import boto3
import os
  
bucket = 'labelingjobdemoinputz'
prefix ='GroundTruthCustom'
  
boto3.Session().resource( 's3').Bucket(bucket).Object(os.path.join(prefix,
                                                                   'customUI.html')).upload_file( 'CustomUI.html')
boto3.Session().resource('s3').Bucket (bucket).Object(os.path.join(prefix,
                                                                   'input.manifest')).upload_file('input.manifest')
boto3.Session().resource('s3').Bucket (bucket).Object(os.path.join(prefix,
                                                                   'testLabels.json')).upload_file('testLabels.json')

第 4 步：为 AWS 提供的预处理和注释整合 Lambda 函数检索 Amazon 资源名称 (ARN)。例如，这里是语义分割 ARN：

第 5 步：现在使用 AWS 开发工具包创建标签作业。确保将脚本中的默认变量替换为相应的 amazon S3 文件路径和 ARN。

Python3

import boto3
  
client = boto3.client('sagemaker')
client.create_labeling_job(LabelingJobName='SemanticSeg-CustomUI',
    LabelAttributeName='output-ref',
    InputConfig={
        'DataSource': {
            'S3DataSource': {
                'ManifestS3Uri': 'INPUT_MANIFEST_IN_S3'
            }
        },
        'DataAttributes': {
            'ContentClassifiers' : [
                'FreeOfPersonallyIdentifiableInformation',
            ]
        }
    },
    OutputConfig={
        'S3OutputPath' : 'S3_OUTPUT_PATH' 
    },
    RoleArn='IAM_ROLE_ARN',
    LabelCategoryConfigS3Uri='LABELS_JSON_FILE_IN_S3,
    StoppingConditions={
        'MaxPercentageOfInputDatasetLabeled': 100
    },
    HumanTaskConfig={
        'WorkteamArn': 'WORKTEAM_ARN',
        'UiConfig': {
            'UiTemplateS3Uri' : 'HTML_TEMPLATE_IN_S3'
        },
        'PreHumanTaskLambdaArn' : 'YOUR_ARNs_HERE',
        'TaskKeywords': [
            'SemanticSegmentation',
        ],
        'TaskTitle': 'Semantic Segmentation',
        'TaskDescription': 'Draw around the specified labels using the tools',
        'NumberOfHumanWorkersPerDataObject': 1,
        'TaskTimeLimitInSeconds': 3600,
        'TaskAvailabilityLifetimeInSeconds': 1800,
        'MaxConcurrentTaskCount': 1,
        'AnnotationConsolidationConfig': {
            'AnnotationConsolidationLambdaArn': 'YOUR_ARNs_HERE
        }
      
    },
    Tags=[
        {
            'Key': 'reason',
            'Value': 'CustomUI'
        }
    ])

这将导致以下结果：

第 6 步：现在导航到 ground truth 控制台以查看新创建的标签作业。

现在您知道如何在基本事实中将自定义 UI 模板与 AWS 提供的 lambda 函数一起使用。