Estos contenidos se han traducido de forma automática para su comodidad, pero Huawei Cloud no garantiza la exactitud de estos. Para consultar los contenidos originales, acceda a la versión en inglés.

Centro de ayuda> ModelArts> Referencia de la API> Gestión de datos> Tarea inteligente> Consulta de la lista de tareas inteligentes por página

Actualización más reciente 2022-11-14 GMT+08:00

Ver PDF

Consulta de la lista de tareas inteligentes por página

Función

Esta API se utiliza para consultar la lista de tareas inteligentes por página, incluidos el etiquetado automático, la implementación de modelos con un clic y las tareas de agrupación automática. Puede especificar el parámetro de type para consultar la lista de un tipo específico de tareas.- Etiquetado automático: El aprendizaje y la formación se realizan en función de las etiquetas y las imágenes seleccionadas y se selecciona un modelo existente para etiquetar rápidamente las imágenes restantes. El etiquetado automático incluye aprendizaje activo y pre-etiquetado. * Aprendizaje activo: El sistema utiliza aprendizaje semisupervisado y filtrado de ejemplos duros para realizar el etiquetado automático, reduciendo la carga de trabajo de etiquetado manual y ayudándole a encontrar ejemplos difíciles. * Pre-etiquetado: Se selecciona un modelo en la página Model Management para el etiquetado automático.- Implementación de modelo de un clic: Puede utilizar la función de despliegue de modelo de un clic para crear trabajos de formación para el conjunto de datos etiquetados, importar un modelo, y desplegar el modelo como un servicio en tiempo real todo en un solo paso.- Agrupación automática: Las imágenes sin etiqueta se agrupan utilizando el algoritmo de clustering y luego se procesan en función del resultado de clustering. Las imágenes se pueden etiquetar por grupo o limpiar.

URI

GET /v2/{project_id}/datasets/{dataset_id}/tasks

**Tabla 1** Parámetros de ruta
Parámetro	Obligatorio	Tipo	Descripción
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.

**Tabla 2** Parámetros de Query
Parámetro	Obligatorio	Tipo	Descripción
limit	No	Integer	Número máximo de registros devueltos en cada página. El valor varía de 1 a 100. El valor predeterminado es 10.
offset	No	Integer	Página de inicio de la lista de paginación. El valor predeterminado es 0.
task_name	No	String	Filtrado de nombres de tarea.
type	No	String	Tipo de tarea. Si este parámetro no se entrega, la lista de tareas de etiquetado automático (aprendizaje activo o preetiquetado) se devuelve de forma predeterminada. Opciones: auto-label: aprendizaje activo pre-label: pre-etiquetado auto-grouping: autoagrupación auto-deploy: despliegue de modelo con un solo clic

Parámetros de solicitud

Ninguno

Parámetros de respuesta

Código de estado: 200

**Tabla 3** Parámetros de body de respuesta
Parámetro	Tipo	Descripción
exist_running_deploy_task	Boolean	Si el conjunto de datos contiene la implementación del modelo de un clic en ejecución (incluida la inicialización). Opciones: true: el conjunto de datos contiene una implementación de modelo de un clic en ejecución. false: el conjunto de datos no contiene una implementación de modelo de un clic en ejecución.
tasks	Array of RunningTask objects	Lista de tareas.
total_count	Integer	Número total de tareas.

**Tabla 4** RunningTask
Parámetro	Tipo	Descripción
annotated_sample_count	Integer	Número de muestras etiquetadas.
code	String	Código de error.
config	SmartTaskConfig object	Configuración de tareas.
create_time	String	Tiempo de creación de tareas.
dataset_id	String	ID de conjunto de datos.
elapsed_time	Long	Tiempo de ejecución.
error_code	String	Código de error.
error_detail	String	Detalles de error.
error_msg	String	Mensaje de error.
message	String	Mensaje de error.
model_id	String	ID de modelo.
model_name	String	Nombre del modelo.
model_version	String	Versión de modelo.
progress	Float	Porcentaje de progreso de la tarea.
result	Result object	Resultado de la tarea.
status	Integer	Estado de la tarea.
task_id	String	ID de tarea.
task_name	String	Nombre de la tarea.
total_sample_count	Integer	Número total de muestras.
type	Integer	Tipo de tarea.
unconfirmed_sample_count	Integer	Número de muestras a confirmar.
export_type	Integer	Tipo de exportación.

**Tabla 5** SmartTaskConfig
Parámetro	Tipo	Descripción
algorithm_type	String	Tipo de algoritmo para etiquetado automático. Opciones: fast: Solo se utilizan muestras etiquetadas para el entrenamiento. Este tipo de algoritmo logra un etiquetado más rápido. accurate: Además de las muestras etiquetadas, las muestras no etiquetadas se utilizan para el entrenamiento semi-supervisado. Este tipo de algoritmo logra un etiquetado más preciso.
ambiguity	Boolean	Si se realiza la agrupación basada en el grado de desenfoque de la imagen.
annotation_output	String	Ruta de salida del resultado de etiquetado de aprendizaje activo.
collect_rule	String	Regla de recopilación de muestra. El valor predeterminado es all, lo que indica la colección completa. Actualmente, solo el valor all está disponible.
collect_sample	Boolean	Si desea habilitar la recopilación de muestras. Opciones: true: Habilitar la recopilación de muestras. (Valor predeterminado) false: no habilite la recopilación de muestras.
confidence_scope	String	Rango de confianza de muestras clave. Los valores mínimo y máximo están separados por guiones (-). Ejemplo: 0.10-0.90.
description	String	Descripción de la tarea.
engine_name	String	Nombre del motor.
export_format	Integer	Formato del directorio exportado. Opciones: 1: estructura de árbol. Por ejemplo: cat/1.jpg,dog/2.jpg. 2: estructura de mosaico. Por ejemplo: 1.jpg, 1.txt; 2.jpg,2.txt.
export_params	ExportParams object	Parámetros de una tarea de exportación de conjunto de datos.
flavor	Flavor object	Variante de recursos de entrenamiento.
image_brightness	Boolean	Si se realiza la agrupación basada en el brillo de la imagen.
image_colorfulness	Boolean	Si se debe realizar la agrupación basada en el color de la imagen.
inf_cluster_id	String	ID de un clúster dedicado. Este parámetro se deja en blanco de forma predeterminada, lo que indica que no se utiliza un clúster dedicado. Cuando utilice el clúster dedicado para implementar servicios, asegúrese de que el estado del clúster sea normal. Después de establecer este parámetro, se utiliza la configuración de red del clúster y el parámetro vpc_id no tiene efecto.
inf_config_list	Array of InfConfig objects	Lista de configuración necesaria para ejecutar una tarea de inferencia, que es opcional y se deja en blanco de forma predeterminada.
inf_output	String	Ruta de salida de la inferencia en el aprendizaje activo.
infer_result_output_dir	String	Directorio OBS para almacenar resultados de predicción de muestra. Este parámetro es opcional. El subdirectorio {service_id}-infer-result en el directorio output_dir se utiliza de forma predeterminada.
key_sample_output	String	Ruta de salida de ejemplos duros en el aprendizaje activo.
log_url	String	OBS URL de los registros de un trabajo de entrenamiento. De forma predeterminada, este parámetro se deja en blanco.
manifest_path	String	Ruta del archivo de manifest, que se utiliza como entrada para el entrenamiento y la inferencia.
model_id	String	ID de modelo.
model_name	String	Nombre del modelo.
model_parameter	String	Parámetro del modelo.
model_version	String	Versión de modelo.
n_clusters	Integer	Número de clústeres.
name	String	Nombre de la tarea.
output_dir	String	Ruta de salida de muestra. El formato es el siguiente: Dataset output path/Dataset name-Dataset ID/annotation/auto-deploy/. Ejemplo: /test/work_1608083108676/dataset123-g6IO9qSu6hoxwCAirfm/annotation/auto-deploy/.
parameters	Array of TrainingParameter objects	Parámetros de tiempo de ejecución de un trabajo de entrenamiento
pool_id	String	ID de un grupo de recursos.
property	String	Nombre del atributo.
req_uri	String	Ruta de inferencia de un trabajo por lotes.
result_type	Integer	Modo de procesamiento de resultados de agrupación automática. Opciones: 0: Guardar en OBS. 1: Guardar en muestras.
samples	Array of SampleLabels objects	Lista de información de etiquetado para las muestras que deben etiquetarse automáticamente.
stop_time	Integer	Intervalo de tiempo de espera, en minutos. El valor predeterminado es 15 minutos. Este parámetro solo se utiliza en el escenario de etiquetado automático de vídeos.
time	String	Marca de tiempo en el aprendizaje activo.
train_data_path	String	Ruta para almacenar conjuntos de datos de entrenamiento existentes.
train_url	String	URL de la ruta OBS donde se genera el archivo de un trabajo de entrenamiento. De forma predeterminada, este parámetro se deja en blanco.
version_format	String	Formato de una versión de conjunto de datos. Opciones: Default: formato predeterminado CarbonData (soportado solo por conjuntos de datos de tablas) CSV: CSV
worker_server_num	Integer	Número de workers en un trabajo de entrenamiento.

**Tabla 6** ExportParams
Parámetro	Tipo	Descripción
clear_hard_property	Boolean	Si se deben borrar los atributos de ejemplo duro. Opciones: true: Borre atributos de ejemplo duro. (Valor predeterminado) false: no borre los atributos de ejemplo duro.
export_dataset_version_format	String	Formato de la versión del conjunto de datos a la que se exportan los datos.
export_dataset_version_name	String	Nombre de la versión del conjunto de datos a la que se exportan los datos.
export_dest	String	Destino de exportación. Opciones: DIR: Exportar datos a OBS. (Valor predeterminado) NEW_DATASET: Exportar datos a un nuevo conjunto de datos.
export_new_dataset_name	String	Nombre del nuevo conjunto de datos al que se exportan los datos.
export_new_dataset_work_path	String	Directorio de trabajo del nuevo conjunto de datos al que se exportan los datos.
ratio_sample_usage	Boolean	Si se asigna aleatoriamente el conjunto de entrenamiento y el conjunto de validación en función de la relación especificada. Opciones: true: Asigne el conjunto de entrenamiento y el conjunto de validación. false: no asigne el conjunto de entrenamiento y el conjunto de validación. (Valor predeterminado)
sample_state	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
samples	Array of strings	Lista de ID de muestras exportadas.
search_conditions	Array of SearchCondition objects	Condiciones de búsqueda exportadas. La relación entre múltiples condiciones de búsqueda es O.
train_sample_ratio	String	Relación de división entre el conjunto de entrenamiento y el conjunto de verificación durante la liberación de la versión especificada. El valor predeterminado es 1.00, lo que indica que todas las versiones publicadas son conjuntos de entrenamiento.

**Tabla 7** SearchCondition
Parámetro	Tipo	Descripción
coefficient	String	Filtrar por coeficiente de dificultad.
frame_in_video	Integer	Un cuadro en el vídeo.
hard	String	Si una muestra es una muestra dura. Opciones: 0: muestra no dura 1: muestra dura
import_origin	String	Filtrar por origen de datos.
kvp	String	Dosificación de CT, filtrada por dosificación.
label_list	SearchLabels object	Criterios de búsqueda de etiquetas.
labeler	String	Etiquetadora.
metadata	SearchProp object	Búsqueda por atributo de muestra.
parent_sample_id	String	ID de la muestra de los padres.
sample_dir	String	Directorio donde se almacenan muestras de datos (el directorio debe terminar con una barra diagonal (/)). Solo se buscan ejemplos en el directorio especificado. No se admite la búsqueda recursiva de directorios.
sample_name	String	Buscar por nombre de ejemplo, incluida la extensión del nombre de archivo.
sample_time	String	Cuando se agrega una muestra al conjunto de datos, se crea un índice basado en la última hora de modificación (exacta al día) de la muestra en OBS. Puede buscar la muestra en función de la hora. Opciones:- month: Búsqueda de muestras agregadas desde hace 30 días al día actual.- day: Búsqueda de muestras agregadas desde ayer (hace un día) al día actual.- yyyyMMdd-yyyyMMdd: Búsqueda de muestras agregadas en un período especificado (como máximo 30 días), en el formato de Start date-End date. Por ejemplo, 20190901-2019091501 indica que se buscan muestras generadas del 1 de septiembre al 15 de septiembre de 2019.
score	String	Búsqueda por confianza.
slice_thickness	String	Espesor de capa DICOM. Las muestras se filtran por el espesor de la capa.
study_date	String	Tiempo de escaneo DICOM.
time_in_video	String	Un punto de tiempo en el video.

**Tabla 8** SearchLabels
Parámetro	Tipo	Descripción
labels	Array of SearchLabel objects	Lista de criterios de búsqueda de etiquetas.
op	String	Si desea buscar varias etiquetas, debe especificarse op. Si busca solo una etiqueta, op puede dejarse en blanco. Opciones: OR: operación O AND: operación Y

**Tabla 9** SearchLabel
Parámetro	Tipo	Descripción
name	String	Nombre de la etiqueta.
op	String	Tipo de operación entre múltiples atributos. Opciones: OR: operación O AND: operación Y
property	Map<String,Array<String>>	El atributo de etiqueta que tiene el formato Object y almacena todos los pares clave-valor. key indica el nombre del atributo y value indica la lista de valores. Si value es null, la búsqueda no se realiza por valor. De lo contrario, el valor de búsqueda puede ser cualquier valor de la lista.
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

**Tabla 10** SearchProp
Parámetro	Tipo	Descripción
op	String	Relación entre valores de atributo. Opciones: AND: relación Y OR: Relación O
props	Map<String,Array<String>>	Criterios de búsqueda de un atributo. Se pueden establecer varios criterios de búsqueda.

**Tabla 11** Flavor
Parámetro	Tipo	Descripción
code	String	Código de atributo de una especificación de recurso, que se utiliza para la creación de tareas.

**Tabla 12** InfConfig
Parámetro	Tipo	Descripción
envs	Map<String,String>	(Opcional) Par clave-valor de variable de entorno requerido para ejecutar un modelo. De forma predeterminada, este parámetro se deja en blanco. Para garantizar la seguridad de los datos, no introduzca información confidencial, como contraseñas de texto sin formato, en las variables de entorno.
instance_count	Integer	Número de instancia de implementación del modelo, es decir, el número de nodos informáticos.
model_id	String	ID de modelo.
specification	String	Especificaciones de recursos de los servicios en tiempo real. Para obtener más información, consulte Implementación de servicios.
weight	Integer	Peso de tráfico asignado a un modelo. Este parámetro es obligatorio solo cuando infer_type se establece en real-time. La suma de los pesos debe ser 100.

**Tabla 13** TrainingParameter
Parámetro	Tipo	Descripción
label	String	Nombre del parámetro.
value	String	Valor del parámetro.

**Tabla 14** Result
Parámetro	Tipo	Descripción
annotated_sample_count	Integer	Número de muestras etiquetadas.
confidence_scope	String	Rango de confianza.
dataset_name	String	Nombre del conjunto de datos.
dataset_type	String	Tipo de conjunto de datos. Opciones: 0: clasificación de imágenes 1: detección de objetos 3: segmentación de la imagen 100: Clasificación del texto 101: reconocimiento de entidad nombrada 102: triplicación de texto 200: clasificación de sonido 201: Etiquetado de voz 202: Etiquetado de párrafo de discurso 400: tabla de conjunto de datos 600: etiquetado de vídeo 900: formato libre
description	String	Descripción.
dlf_model_job_name	String	Nombre de un trabajo de inferencia de modelo DLF.
dlf_service_job_name	String	Nombre de un trabajo de servicio en tiempo real de DLF.
dlf_train_job_name	String	Nombre de un trabajo de formación de DLF.
events	Array of Event objects	Evento.
hard_example_path	String	Ruta para almacenar ejemplos duros.
hard_select_tasks	Array of HardSelectTask objects	Lista de tareas seleccionadas de ejemplos duros.
manifest_path	String	Ruta para almacenar los archivos de manifest.
model_id	String	ID de modelo.
model_name	String	Nombre del modelo.
model_version	String	Versión de modelo.
samples	Array of SampleLabels objects	Resultado de inferencia del servicio de vídeo en tiempo real.
service_id	String	ID de un servicio en tiempo real.
service_name	String	Nombre de un servicio en tiempo real.
service_resource	String	ID del servicio en tiempo real vinculado a un usuario.
total_sample_count	Integer	Número total de muestras.
train_data_path	String	Ruta para almacenar datos de entrenamiento.
train_job_id	String	ID de un trabajo de entrenamiento.
train_job_name	String	Nombre de un trabajo de entrenamiento.
unconfirmed_sample_count	Integer	Número de muestras a confirmar.
version_id	String	ID de versión del conjunto de datos.
version_name	String	Nombre de la versión del conjunto de datos.
workspace_id	String	ID del espacio de trabajo. Si no se crea ningún espacio de trabajo, el valor predeterminado es 0. Si se crea y utiliza un espacio de trabajo, utilice el valor real.

**Tabla 15** Event
Parámetro	Tipo	Descripción
create_time	Long	Hora en la que se crea un evento.
description	String	Descripción.
elapsed_time	Long	Hora en la que se ejecuta un evento.
error_code	String	Código de error.
error_message	String	Mensaje de error.
events	Array of Event objects	Lista de subeventos.
level	Integer	Severidad del evento.
name	String	Nombre del evento.
ordinal	Integer	Número de secuencia.
parent_name	String	Nombre del evento principal.
status	String	Estado. Opciones: waiting: esperando running: en ejecución failed: falló success: éxito

**Tabla 16** HardSelectTask
Parámetro	Tipo	Descripción
create_at	Long	Tiempo de creación.
dataset_id	String	ID de conjunto de datos.
dataset_name	String	Nombre del conjunto de datos.
hard_select_task_id	String	ID de una tarea de filtrado de ejemplo duro.
task_status	String	Estado de la tarea.
time	Long	Tiempo de ejecución.
update_at	Long	Tiempo de actualización.
id	String	ID de tarea.

**Tabla 17** SampleLabels
Parámetro	Tipo	Descripción
labels	Array of SampleLabel objects	Lista de etiquetas de muestra. Si este parámetro se deja en blanco, se eliminan todas las etiquetas de ejemplo.
metadata	SampleMetadata object	Par clave-valor del atributo de muestra metadata.
sample_id	String	ID de muestra.
sample_type	Integer	Tipo de muestra. Opciones: 0: imagen 1: texto 2: voz 4: tabla 6: vídeo 9: formato personalizado
sample_usage	String	Uso de la muestra. Opciones: TRAIN: entrenamiento EVAL: evaluación TEST: prueba INFERENCE: inferencia
source	String	Dirección de origen de los datos de muestra.
worker_id	String	ID de un miembro del equipo de etiquetado.

**Tabla 18** SampleLabel
Parámetro	Tipo	Descripción
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 la operación 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

**Tabla 19** SampleLabelProperty
Parámetro	Tipo	Descripción
@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.

**Tabla 20** SampleMetadata
Parámetro	Tipo	Descripción
@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.

Solicitudes de ejemplo

Consulta de la Lista de Etiquetado Automático, Despliegue de Modelos con un clic o Agrupación Automática de Tareas por Página

GET https://{endpoint}/v2/{project_id}/datasets/{dataset_id}/tasks?offset=0&limit=10

Ejemplo de respuestas

Código de estado: 200

{
  "tasks" : [ {
    "dataset_id" : "OBegCXHxTJ2JHRAZWr0",
    "task_id" : "14cyxyu6UXaNT3lrPFl",
    "type" : 1,
    "create_time" : "2020-11-03 15:22:39",
    "status" : 3,
    "code" : "ModelArts.4996",
    "message" : "prelabel task execute successfully.",
    "elapsed_time" : 531,
    "result" : {
      "service_id" : "ee2ade80-0967-4ef3-b6da-e8c873017b9a",
      "service_name" : "prelabel_infer_1604388201993_xubo_cls_d910_2_993",
      "hard_select_tasks" : [ {
        "id" : "887c4ac6-26c8-4ca3-b07a-cd75e16fdc2d",
        "hard_select_task_id" : "86711ab3-8ceb-4b0e-bd52-8545b184a2a7",
        "dataset_id" : "OBegCXHxTJ2JHRAZWr0",
        "dataset_name" : "xubo_cls_d910_2",
        "task_status" : "import_dataset_completed",
        "time" : 262,
        "create_at" : 0,
        "update_at" : 0
      } ]
    },
    "export_type" : 0,
    "progress" : 100.0,
    "total_sample_count" : 246,
    "annotated_sample_count" : 38,
    "unconfirmed_sample_count" : 208,
    "model_id" : "c717a39f-c64f-45df-a9d3-be9ed79cdcb4",
    "model_name" : "auto-deploy-50041602581620628",
    "model_version" : "0.0.1",
    "config" : {
      "ambiguity" : false,
      "name" : "5fXxR01TyUoiobqNEd9",
      "worker_server_num" : 0,
      "inf_config_list" : [ {
        "model_id" : null,
        "specification" : "modelarts.vm.cpu.2u",
        "weight" : 0,
        "instance_count" : 1,
        "envs" : null
      } ],
      "collect_sample" : false,
      "confidence_scope" : "0.0-0.5",
      "algorithm_type" : "supervisory",
      "image_brightness" : false,
      "image_colorfulness" : false
    }
  }, {
    "dataset_id" : "OBegCXHxTJ2JHRAZWr0",
    "task_id" : "5QPy73VwnwHi5NqvbcP",
    "type" : 0,
    "create_time" : "2020-10-31 16:11:37",
    "status" : 3,
    "code" : "ModelArts.4996",
    "message" : "task executed successfully.",
    "elapsed_time" : 397,
    "result" : {
      "train_job_name" : "BNFURaEyftGNMITaBiv",
      "train_job_id" : "74679",
      "version_id" : "89745"
    },
    "export_type" : 0,
    "progress" : 100.0,
    "total_sample_count" : 246,
    "annotated_sample_count" : 38,
    "unconfirmed_sample_count" : 198,
    "model_name" : "Supervisory",
    "model_version" : "0.0.1",
    "config" : {
      "ambiguity" : false,
      "worker_server_num" : 0,
      "collect_sample" : false,
      "algorithm_type" : "fast",
      "image_brightness" : false,
      "image_colorfulness" : false
    }
  } ],
  "total_count" : 2,
  "exist_running_deploy_task" : false
}