演示模板：使用 crowd-bounding-box 的图像注释

当您在 Amazon G SageMaker round Truth 控制台中选择使用自定义模板作为任务类型时，您将进入自定义标签任务面板。在该面板中，您可以从多个基本模板中进行选择。模板表示一些最常见的任务，并在您创建自定义标注任务的模板时提供样本。如果您没有使用控制台，或者作为其他补救措施，请参阅 Amazon G SageMaker round Truth 示例任务用户界面，了解各种标签任务类型的演示模板存储库。

此演示适用于BoundingBox模板。该演示还适用于在任务之前和之后处理数据所需的 Amazon Lambda 函数。在上面的 Github 存储库中，要查找与 Amazon Lambda 函数配合使用的模板，请在模板{{ task.input.<property name> }}中查找。

入门边界框自定义模板

这是所提供的入门边界框模板。

此自定义模板使用 Liquid 模板语言，双大括号之间的每个项都是一个变量。预注解 Amazon Lambda 函数应提供一个名为的对象，taskInput并且可以像在模板{{ task.input.<property name> }}中一样访问该对象的属性。

您自己的边界框自定义模板

举例来说，假设您有大量的动物照片，您可以通过之前的图像分类作业知道图像中的动物种类。现在，您希望在其周围绘制一个边界框。

在入门示例中，有三个变量：taskObject、header 和 labels。

其中每个变量都表示在边界框的不同部分中。

每个变量的名称都来自于注释前 Lambda 响应中的 JSON 对象，上述名称只是建议性的，请使用任何对您有意义的变量名，这样可以提高团队的代码可读性。

您的清单文件

您的清单文件应提供您在模板中使用的变量值。您可以在注释前 Lambda 中对清单数据进行一些转换，但如果您不需要这样做，就可以保持较低的出错风险，而且 Lambda 运行速度也会更快。下面是模板的清单文件示例。

{"source-ref": "<S3 image URI>", "animal": "horse"}
{"source-ref": "<S3 image URI>", "animal" : "bird"}
{"source-ref": "<S3 image URI>", "animal" : "dog"}
{"source-ref": "<S3 image URI>", "animal" : "cat"}

注释前 Lambda 函数

作为任务设置的一部分，请提供一个 Amazon Lambda 函数的 ARN，该函数可用于处理清单条目并将其传递给模板引擎。

使用控制台时，如果您的账户拥有的 Amazon Lambda 函数，则系统将提供符合命名要求的函数下拉列表供您选择。

在这个非常基本的示例中，您只是传递来自清单的信息，而不对其进行任何额外的处理。这个注释前函数示例是为 Python 3.7 编写的。

import json

def lambda_handler(event, context):
    return {
        "taskInput": event['dataObject']
    }

来自清单的 JSON 对象将作为 event 对象的子对象提供。taskInput 对象内部的属性将作为变量提供给模板，因此只需将 taskInput 的值设置为 event['dataObject'] 即可将清单对象中的所有值传递给模板，而无需单独复制它们。如果您希望向模板发送更多的值，可以将这些值添加到 taskInput 对象中。

注释后 Lambda 函数

作为作业设置的一部分，提供一个 Amazon Lambda 函数的 ARN，当工作人员完成任务时，可以调用该函数来处理表单数据。这可以很简单，也可以很复杂。如果您想对收到的答案进行合并和评分，您可以应用自己选择的评分和/或合并算法。如果您想要存储原始数据以进行脱机处理，则这是一个选项。

下面是 Python 2.7 中的示例。

import json
import boto3
from urlparse import urlparse

def lambda_handler(event, context):
    consolidated_labels = []

    parsed_url = urlparse(event['payload']['s3Uri']);
    s3 = boto3.client('s3')
    textFile = s3.get_object(Bucket = parsed_url.netloc, Key = parsed_url.path[1:])
    filecont = textFile['Body'].read()
    annotations = json.loads(filecont);
    
    for dataset in annotations:
        for annotation in dataset['annotations']:
            new_annotation = json.loads(annotation['annotationData']['content'])
            label = {
                'datasetObjectId': dataset['datasetObjectId'],
                'consolidatedAnnotation' : {
                'content': {
                    event['labelAttributeName']: {
                        'workerId': annotation['workerId'],
                        'boxesInfo': new_annotation,
                        'imageSource': dataset['dataObject']
                        }
                    }
                }
            }
            consolidated_labels.append(label)
    
    return consolidated_labels

注释后 Lambda 通常会在事件对象中接收成批的任务结果。该批次将是 Lambda 应该遍历的 payload 对象。您发回的将是一个符合 API 合约的对象。

标注作业的输出

您将在指定的目标 S3 存储桶中以标注作业命名的文件夹中找到作业的输出。它将位于名为 manifests 的子文件夹中。

对于边界框任务，您在输出清单找到的输出将有点类似于下面的演示。该示例已清理以供打印。实际输出将是每条记录一行。

{
  "source-ref":"<URL>",
  "<label attribute name>":
    {
       "workerId":"<URL>",
       "imageSource":"<image URL>",
       "boxesInfo":"{\"boundingBox\":{\"boundingBoxes\":[{\"height\":878, \"label\":\"bird\", \"left\":208, \"top\":6, \"width\":809}], \"inputImageProperties\":{\"height\":924, \"width\":1280}}}"},
  "<label attribute name>-metadata":
    {
      "type":"groundTruth/custom",
      "job_name":"<Labeling job name>",
      "human-annotated":"yes"
    },
  "animal" : "bird"
}