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> Etiquetado manual> Actualización de etiquetas de muestra en lotes

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

Ver PDF

Actualización de etiquetas de muestra en lotes

Función

Esta API se utiliza para actualizar etiquetas de ejemplo en lotes, incluida la adición, modificación y eliminación de etiquetas de muestra. Si no se especifica el parámetro Labels de una muestra en el cuerpo de la solicitud, se elimina la etiqueta de la muestra.

URI

PUT /v2/{project_id}/datasets/{dataset_id}/data-annotations/samples

**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.

Parámetros de solicitud

**Tabla 2** Parámetros de body de solicitud
Parámetro	Obligatorio	Tipo	Descripción
email	No	String	Dirección de correo electrónico de un miembro del equipo de etiquetado.
samples	No	Array of SampleLabels objects	Lista de muestra actualizada.

**Tabla 3** SampleLabels
Parámetro	Obligatorio	Tipo	Descripción
labels	No	Array of SampleLabel objects	Lista de etiquetas de muestra. Si este parámetro se deja en blanco, se eliminan todas las etiquetas de ejemplo.
metadata	No	SampleMetadata object	Par clave-valor del atributo de muestra metadata.
sample_id	No	String	ID de muestra.
sample_type	No	Integer	Tipo de muestra. Opciones: 0: imagen 1: texto 2: voz 4: tabla 6: vídeo 9: formato personalizado
sample_usage	No	String	Uso de la muestra. Opciones: TRAIN: entrenamiento EVAL: evaluación TEST: prueba INFERENCE: inferencia
source	No	String	Dirección de origen de los datos de muestra.
worker_id	No	String	ID de un miembro del equipo de etiquetado.

**Tabla 4** SampleLabel
Parámetro	Obligatorio	Tipo	Descripción
annotated_by	No	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	No	String	ID de la etiqueta.
name	No	String	Nombre de la etiqueta.
property	No	SampleLabelProperty object	Par de atributo clave-valor de la etiqueta de ejemplo, como la forma del objeto y características de forma.
score	No	Float	Confianza.
type	No	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 5** SampleLabelProperty
Parámetro	Obligatorio	Tipo	Descripción
@modelarts:content	No	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	No	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	No	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	No	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	No	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	No	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	No	String	Coeficiente de dificultad de cada nivel de etiqueta, que es un atributo predeterminado. El rango de valores es [0,1].
@modelarts:hard_reasons	No	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	No	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	No	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	No	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	No	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	No	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 6** SampleMetadata
Parámetro	Obligatorio	Tipo	Descripción
@modelarts:import_origin	No	Integer	Fuente de ejemplo, que es un atributo integrado.
@modelarts:hard	No	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	No	Double	Coeficiente de dificultad de cada nivel de muestra, que es un atributo predeterminado. El rango de valores es [0,1].
@modelarts:hard_reasons	No	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	No	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.

Parámetros de respuesta

Código de estado: 200

**Tabla 7** Parámetros de body de respuesta
Parámetro	Tipo	Descripción
error_code	String	Código de error.
error_msg	String	Mensaje de error.
results	Array of BatchResponse objects	Lista de respuestas para actualizar etiquetas de muestra en lotes.
success	Boolean	Si la operación es exitosa. Opciones: true: exitoso false: fallido

**Tabla 8** BatchResponse
Parámetro	Tipo	Descripción
error_code	String	Código de error.
error_msg	String	Mensaje de error.
success	Boolean	Compruebe si la operación se ha realizado correctamente. Opciones: true: La operación se realiza correctamente. false: se ha producido un error en la operación.

Solicitudes de ejemplo

Actualización de etiquetas de muestra en lotes

{
  "samples" : [ {
    "sample_id" : "8b583c44bf249f8ba43ea42c92920221",
    "labels" : [ {
      "name" : "yunbao"
    } ]
  }, {
    "sample_id" : "b5fe3039879660a2e6bf18166e247f68",
    "labels" : [ {
      "name" : "yunbao"
    } ]
  } ]
}