演示模板：使用以下方法对图像进行注释crowd-bounding-box

当您在 Amazon Gro SageMaker und 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记任务的模板时提供样本。如果您没有使用控制台，或者用作其他手段，请参阅 Amazon Gro SageMaker und Truth 示例任务用户界面，获取用于标记各种任务类型的演示模板存储库。

此演示适用于该BoundingBox模板。该演示还适用于在执行任务前后处理数据所需的 Amazon Lambda 函数。在上面的 Github 存储库中，要查找适用于Amazon Lambda函数的模板，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。预注释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。

你自己的 Bounding Box 自定义模板

举个例子，假设你有大量的动物照片，在这些照片中，你知道了之前的图像分类工作中的动物种类。现在你想在它周围画一个边界框。

在起始样本中，有三个变量：taskObjectheader、和labels。

其中每个变量都表示在边界框的不同部分中。

每个变量名都来自你预先注释的 Lambda 响应中的 JSON 对象，上面的名称只是建议的，使用任何对你有意义的变量名，这将提高你的团队的代码可读性。

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。您可以在预先注释的 Lambda 中对清单数据进行一些转换，但如果您不需要，则可以保持较低的出错风险，Lambda 的运行速度也会更快。下面是模板的一个示例清单文件。

{"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"}

你的注释前 Lambda 函数

作为任务设置的一部分，提供一个Amazon Lambda函数的 ARN，可以调用该函数来处理您的清单条目并将其传递给模板引擎。

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

在这个非常基本的例子中，你只是传递清单中的信息，而没有对其进行任何额外的处理。此示例预注释函数是为 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对象内的属性将作为变量提供给您的模板，因此只需将值设置taskInput为即可event['dataObject']将清单对象中的所有值传递到您的模板，而不必单独复制它们。如果您希望向模板发送更多值，可以将它们添加到taskInput对象中。

你的注释后 Lambda 函数

作为任务设置的一部分，提供一个Amazon Lambda函数的 ARN，该函数可以在工作人员完成任务时调用该函数来处理表单数据。这可以很简单，也可以很复杂。如果你想在合并出现时进行答案和评分，你可以应用你选择的评分和/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批量任务结果。这种批处理将是 Lambda 应迭代的 payload 对象。你发回的将是一个符合 API 合同的对象。

标签作业的输出

您将在您指定的目标 S3 存储桶中以您的标记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，你在输出清单中找到的输出看起来有点像下面的演示。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"
}