Consulta de detalles acerca de un ejemplo de etiquetado automático

dataset_id

Sí

String

ID de conjunto de datos.

project_id

Sí

String

ID del proyecto. Para obtener más información sobre cómo obtener el ID de proyecto, consulte Obtención de un ID de proyecto.

sample_id

Sí

String

ID de muestra.

check_accept

Boolean

Si se aprueba la aceptación, que se utiliza para el etiquetado del equipo. Opciones:

• true: La aceptación es aprobada.
• false: La aceptación no se aprueba.

check_comment

String

Comentario de aceptación, que se utiliza para el etiquetado del equipo.

check_score

String

Puntuación de aceptación, que se utiliza para el etiquetado de equipos.

deletion_reasons

Array of strings

Motivo para eliminar una muestra, que se utiliza para la atención médica.

hard_details

Map<String,HardDetail>

Detalles sobre las dificultades, incluyendo descripción, causas y sugerencias de problemas difíciles.

labelers

Array of Worker objects

Lista de personal de etiquetado de asignación de muestra. Las etiquetadoras registran los miembros del equipo a los que se asigna la muestra para el etiquetado del equipo.

labels

Array of SampleLabel objects

Lista de etiquetas de muestra.

metadata

SampleMetadata object

Par clave-valor del atributo de muestra metadata.

review_accept

Boolean

Si se acepta la revisión, que se utiliza para el etiquetado del equipo. Opciones:

• true: aceptado
• false: rechazado

review_comment

String

Comentario de revisión, que se utiliza para el etiquetado de equipos.

review_score

String

Puntuación de revisión, que se utiliza para el etiquetado de equipos.

sample_data

Array of strings

Lista de datos de muestra.

sample_dir

String

Ruta de muestra.

sample_id

String

ID de muestra.

sample_name

String

Nombre de muestra.

sample_size

Long

Tamaño de muestra o longitud del texto, en bytes.

sample_status

String

Estado de la muestra. Opciones:

• __ALL__: etiquetado
• __NONE__: sin etiqueta
• __UNCHECK__: a comprobar
• __ACEPTADO__: aceptado
• __RECHAZADO__: rechazado
• __UNREVIEWED__: a ser revisado
• __REVISADO__: revisado
• __WORKFORCE_SAMPLED__: datos revisados muestreados
• __WORKFORCE_SAMPLED_UNCHECK__: muestras a comprobar
• __WORKFORCE_SAMPLED_CHECKED__: muestras comprobadas
• __WORKFORCE_SAMPLED_ACCEPTED__: muestras aceptadas
• __WORKFORCE_SAMPLED_REJECTED__: muestras rechazadas
• __AUTO_ANNOTATION__: a comprobar

sample_time

Long

Tiempo de muestra, cuando OBS se modifica por última vez.

sample_type

Integer

Tipo de muestra. Opciones:

• 0: imagen
• 1: texto
• 2: voz
• 4: tabla
• 6: vídeo
• 9: formato personalizado

score

String

Puntuación integral, que se utiliza para el etiquetado de equipos.

source

String

Dirección de origen de los datos de muestra.

sub_sample_url

String

URL de la submuestra, que se utiliza para el cuidado de la salud.

worker_id

String

ID de un miembro del equipo de etiquetado, que se utiliza para el etiquetado del equipo.

alo_name

String

Alias.

id

Integer

ID de razón.

reason

String

Descripción de razón.

suggestion

String

Sugerencia de manejo.

create_time

Long

Tiempo de creación.

description

String

Descripción del miembro del equipo de etiquetado. El valor contiene de 0 a 256 caracteres y no admite los siguientes caracteres especiales: ^!<>=&"'

email

String

Dirección de correo electrónico de un miembro del equipo de etiquetado.

role

Integer

Rol. Opciones:

• 0: personal de etiquetado
• 1: revisor
• 2: administrador del equipo
• 3: propietario del conjunto de datos

status

Integer

Estado actual de inicio de sesión de un miembro del equipo de etiquetado. Opciones:

• 0: El correo electrónico de invitación no se ha enviado.
• 1: El correo electrónico de invitación se ha enviado pero el usuario no ha iniciado sesión.
• 2: El usuario ha iniciado sesión.
• 3: Se ha eliminado el miembro del equipo de etiquetado.

update_time

Long

Tiempo de actualización.

worker_id

String

ID de un miembro del equipo de etiquetado.

workforce_id

String

ID de un equipo de etiquetado.

annotated_by

String

Método de etiquetado de vídeo, que se utiliza para distinguir si un vídeo se etiqueta manualmente o automáticamente. Opciones:

• human: etiquetado manual
• auto: etiquetado automático

id

String

ID de la etiqueta.

name

String

Nombre de la etiqueta.

property

SampleLabelProperty object

Par de atributo clave-valor de la etiqueta de ejemplo, como la forma del objeto y características de forma.

score

Float

Confianza.

type

Integer

Tipo de etiqueta. Opciones:

• 0: clasificación de imágenes
• 1: detección de objetos
• 3: segmentación de la imagen
• 100: Clasificación del texto
• 101: reconocimiento de entidad nombrada
• 102: Relación de trillizos de texto
• 103: Entidad triplete de texto
• 200: clasificación de sonido
• 201: Etiquetado de voz
• 202: Etiquetado de párrafo de discurso
• 600: etiquetado de vídeo

@modelarts:content

String

Contenido de texto de voz, que es un atributo predeterminado dedicado a la etiqueta de voz . (incluido el contenido del habla y los puntos de inicio y final del habla).

@modelarts:end_index

Integer

Posición final del texto, que es un atributo predeterminado dedicado a la etiqueta de entidad con nombre. La posición final no incluye el carácter correspondiente al valor de end_index. Los ejemplos son los siguientes.- Si el contenido del texto es "Barack Hussein Obama II (born August 4, 1961) is an American attorney and politician.", los valores start_index y end_index de "Barack Hussein Obama II" son 0 y 23, respectivamente.- Si el contenido del texto es "By the end of 2018, the company has more than 100 employees.", los valores start_index y end_index de "By the end of 2018" son 0 y 18, respectivamente.

@modelarts:end_time

String

Tiempo de finalización de voz, que es un atributo por defecto dedicado a la etiqueta de punto de inicio/fin de voz, en el formato de hh:mm:ss.SSS. (hh indica la hora; mm indica el minuto; ss indica el segundo; y SSS indica el milisegundo.)

@modelarts:feature

Object

Característica de forma, que es un atributo predeterminado dedicado a la etiqueta de detección de objetos, con tipo de List. La esquina superior izquierda de una imagen se utiliza como el origen de coordenadas [0,0]. Cada punto de coordenada está representado por [x, y]. x indica la coordenada horizontal e y indica la coordenada vertical . (tanto x como y son mayores o iguales a 0). El formato de cada forma es el siguiente: - bndbox: consta de dos puntos, por ejemplo, [[0,10],[50,95]]. El primer punto se encuentra en la esquina superior izquierda del rectángulo y el segundo punto se encuentra en la esquina inferior derecha del rectángulo. Es decir, la coordenada X del primer punto debe ser menor que la del segundo punto, y la coordenada Y del segundo punto debe ser menor que la del primer punto.- polygon: consiste en múltiples puntos que están conectados en secuencia para formar un polígono, por ejemplo, [[0,100],[50,95],[10,60],[500,400]].- circle: consiste en el punto central y el radio, por ejemplo, [[100,100],[50]].- line: consta de dos puntos, por ejemplo, [[0,100],[50,95]]. El primer punto es el punto de inicio, y el segundo punto es el punto final.- dashed: consta de dos puntos, por ejemplo, [[0,100],[50,95]]. El primer punto es el punto inicial, y el segundo punto es el punto final.- point: consiste en un punto, por ejemplo, [[0,100]].- polyline: consiste en múltiples puntos, por ejemplo, [[0,100],[50,95],[10,60],[500,400]].

@modelarts:from

String

ID de la entidad de cabeza en la etiqueta de relación de triplete, que es un atributo por defecto dedicado a la etiqueta de relación de triplete.

@modelarts:hard

String

Muestra etiquetada como muestra dura o no, que es un atributo predeterminado. Opciones:

• 0/false: no es un ejemplo difícil
• 1/true: ejemplo duro

@modelarts:hard_coefficient

String

Coeficiente de dificultad de cada nivel de etiqueta, que es un atributo predeterminado. El rango de valores es [0,1].

@modelarts:hard_reasons

String

Razones por las que la muestra es una muestra dura, que es un atributo predeterminado. Utilice un guion (-) para separar cada dos ID de motivos de muestra dura, por ejemplo, 3-20-21-19. Opciones:

• 0: No se identifican objetos de destino.
• 1: La confianza es baja.
• 2: El resultado de agrupamiento basado en el conjunto de datos de entrenamiento es inconsistente con el resultado de predicción.
• 3: El resultado de la predicción es muy diferente de los datos del mismo tipo en el conjunto de datos de entrenamiento.
• 4: Los resultados de predicción de múltiples imágenes similares consecutivas son inconsistentes.
• 5: Hay un gran desplazamiento entre la resolución de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 6: Hay un gran desplazamiento entre la relación de aspecto de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 7: Hay un gran desplazamiento entre el brillo de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 8: Hay un gran desplazamiento entre la saturación de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 9: Hay un gran desplazamiento entre la riqueza de color de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 10: Hay un gran desplazamiento entre la definición de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 11: Hay un gran desplazamiento entre el número de fotogramas de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 12: Hay un gran desplazamiento entre la desviación estándar del área de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 13: Hay un gran desplazamiento entre la relación de aspecto de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 14: Hay un gran desplazamiento entre la parte de área de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 15: Hay un gran desplazamiento entre el borde de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 16: Hay un gran desplazamiento entre el brillo de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 17: Hay un gran desplazamiento entre la definición de fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 18: Hay un gran desplazamiento entre la pila de cuadros de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 19: El resultado de mejora de datos basado en el GaussianBlur es inconsistente con el resultado de predicción de la imagen original.
• 20: El resultado de mejora de datos basado en fliplr es inconsistente con el resultado de predicción de la imagen original.
• 21: El resultado de mejora de datos basado en Recortar es inconsistente con el resultado de predicción de la imagen original.
• 22: El resultado de mejora de datos basado en flipud es inconsistente con el resultado de predicción de la imagen original.
• 23: El resultado de mejora de datos basado en la escala es inconsistente con el resultado de predicción de la imagen original.
• 24: El resultado de mejora de datos basado en la traducción es inconsistente con el resultado de predicción de la imagen original.
• 25: El resultado de mejora de datos basado en el cizallamiento es inconsistente con el resultado de predicción de la imagen original.
• 26: El resultado de mejora de datos basado en superpíxeles es inconsistente con el resultado de predicción de la imagen original.
• 27: El resultado de mejora de datos basado en la nitidez es inconsistente con el resultado de predicción de la imagen original.
• 28: El resultado de mejora de datos basado en la adición es inconsistente con el resultado de predicción de la imagen original.
• 29: El resultado de mejora de datos basado en la inversión es inconsistente con el resultado de predicción de la imagen original.
• 30: Se predice que los datos son anormales.

@modelarts:shape

String

Forma de objeto, que es un atributo predeterminado dedicado a la etiqueta de detección de objetos y se deja vacía de forma predeterminada. Opciones:

• bndbox: rectángulo
• polygon: polígono
• circle: círculo
• line: línea recta
• dashed: línea de puntos
• point: punto
• polyline: polilínea

@modelarts:source

String

Fuente de voz, que es un atributo por defecto dedicado a la etiqueta de punto de inicio/fin de voz y que puede ajustarse a un altavoz o narrador.

@modelarts:start_index

Integer

Posición inicial del texto, que es un atributo predeterminado dedicado a la etiqueta de entidad con nombre. El valor inicial comienza desde 0, incluyendo el carácter correspondiente al valor de start_index.

@modelarts:start_time

String

Tiempo de inicio de voz, que es un atributo por defecto dedicado a la etiqueta de punto de inicio/fin de voz, en el formato de hh:mm:ss.SSS. (hh indica la hora; mm indica el minuto; ss indica el segundo; y SSS indica el milisegundo.)

@modelarts:to

String

ID de la entidad de cola en la etiqueta de relación de triplete, que es un atributo por defecto dedicado a la etiqueta de relación de triplete.

@modelarts:import_origin

Integer

Fuente de ejemplo, que es un atributo integrado.

@modelarts:hard

Double

Si la muestra está etiquetada como muestra dura, que es un atributo predeterminado. Opciones:

• 0: muestra no dura
• 1: muestra dura

@modelarts:hard_coefficient

Double

Coeficiente de dificultad de cada nivel de muestra, que es un atributo predeterminado. El rango de valores es [0,1].

@modelarts:hard_reasons

Array of integers

ID de una razón de ejemplo difícil, que es un atributo predeterminado. Opciones:

• 0: No se identifican objetos de destino.
• 1: La confianza es baja.
• 2: El resultado de agrupamiento basado en el conjunto de datos de entrenamiento es inconsistente con el resultado de predicción.
• 3: El resultado de la predicción es muy diferente de los datos del mismo tipo en el conjunto de datos de entrenamiento.
• 4: Los resultados de predicción de múltiples imágenes similares consecutivas son inconsistentes.
• 5: Hay un gran desplazamiento entre la resolución de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 6: Hay un gran desplazamiento entre la relación de aspecto de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 7: Hay un gran desplazamiento entre el brillo de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 8: Hay un gran desplazamiento entre la saturación de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 9: Hay un gran desplazamiento entre la riqueza de color de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 10: Hay un gran desplazamiento entre la definición de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 11: Hay un gran desplazamiento entre el número de fotogramas de la imagen y la distribución de características del conjunto de datos de entrenamiento.
• 12: Hay un gran desplazamiento entre la desviación estándar del área de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 13: Hay un gran desplazamiento entre la relación de aspecto de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 14: Hay un gran desplazamiento entre la parte de área de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 15: Hay un gran desplazamiento entre el borde de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 16: Hay un gran desplazamiento entre el brillo de los fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 17: Hay un gran desplazamiento entre la definición de fotogramas de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 18: Hay un gran desplazamiento entre la pila de cuadros de imagen y la distribución de características del conjunto de datos de entrenamiento.
• 19: El resultado de mejora de datos basado en el GaussianBlur es inconsistente con el resultado de predicción de la imagen original.
• 20: El resultado de mejora de datos basado en fliplr es inconsistente con el resultado de predicción de la imagen original.
• 21: El resultado de mejora de datos basado en Recortar es inconsistente con el resultado de predicción de la imagen original.
• 22: El resultado de mejora de datos basado en flipud es inconsistente con el resultado de predicción de la imagen original.
• 23: El resultado de mejora de datos basado en la escala es inconsistente con el resultado de predicción de la imagen original.
• 24: El resultado de mejora de datos basado en la traducción es inconsistente con el resultado de predicción de la imagen original.
• 25: El resultado de mejora de datos basado en el cizallamiento es inconsistente con el resultado de predicción de la imagen original.
• 26: El resultado de mejora de datos basado en superpíxeles es inconsistente con el resultado de predicción de la imagen original.
• 27: El resultado de mejora de datos basado en la nitidez es inconsistente con el resultado de predicción de la imagen original.
• 28: El resultado de mejora de datos basado en la adición es inconsistente con el resultado de predicción de la imagen original.
• 29: El resultado de mejora de datos basado en la inversión es inconsistente con el resultado de predicción de la imagen original.
• 30: Se predice que los datos son anormales.

@modelarts:size

Array of objects

Tamaño de la imagen (ancho, alto y profundidad de la imagen), que es un atributo predeterminado, con tipo de List. En la lista, el primer número indica la anchura (píxeles), el segundo número indica la altura (píxeles) y el tercer número indica la profundidad . (la profundidad puede dejarse en blanco y el valor predeterminado es 3). Por ejemplo, [100,200,3] y [100,200] son válidos. Nota: Este parámetro sólo es obligatorio cuando la lista de etiquetas de ejemplo contiene la etiqueta de detección de objetos.

200

OK

401

Unauthorized

403

Forbidden

404

Not Found