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.

Descripción general del servicio
- Infografías
  - Qué es ModelArts
- Qué es ModelArts
- Funciones
- Conocimiento básico
- Servicios relacionados
- Cómo accedo a ModelArts
- Gestión de permisos
- Seguridad
- Cuotas
Preparaciones
- Registro de una cuenta de Huawei Cloud
- Configuración de la autorización de acceso (configuración global)
- Creación de un bucket de OBS
- (Opcional) Compra de un paquete
DevEnviron
- Introducción a DevEnviron
- Escenarios de aplicación
- Gestión de instancias de notebook
- JupyterLab
- IDE local
- Referencia de comandos de ModelArts CLI
Implementación de inferencia
- Introducción a la Inferencia
- Gestión de aplicaciones de IA
- Despliegue de una aplicación de IA como servicio
- Especificaciones de inferencia
- ModelArts monitoreo en Cloud Eye
Contenedores de Docker con ModelArts
- Gestión de imágenes
- Uso de una imagen preestablecida
- Uso de imágenes personalizadas en instancias de notebook
- Uso de una imagen personalizada para entrenar modelos (entrenamiento de modelos)
- Uso de una imagen personalizada para crear aplicaciones de IA para el despliegue de inferencia
  - Especificaciones de imágenes personalizadas para crear aplicaciones de IA
  - Creación de una imagen personalizada y su uso para crear una aplicación de IA
- Preguntas frecuentes
- Cambios de modificaciones
Referencia de la API
- Antes de comenzar
- Llamar a las API
- Gestión de datos
- DevEnviron (Recomendado)
  - Gestión de instancias de DevEnviron
  - Montaje de almacenamiento OBS
- Gestión de la formación (recomendada)
- Gestión de modelos
- Gestión de servicios
- Gestión de autorizaciones
- Casos de uso
  - Gestión de la autorización de ModelArts
- Políticas de permisos y acciones admitidas
- Parámetros comunes
- Historial de revisiones
Preguntas frecuentes
- Cuestiones generales
- Facturación
- ExeML
- Gestión de datos
- Notebook (Nueva Versión)
- Trabajos de entrenamiento
- Gestión de modelos
  - Importación de modelos
  - ¿Qué hago si se produce una excepción de modelo al desplegar un modelo de imagen personalizado?
- Despliegue del servicio
  - Consultoría funcional
  - Servicios en tiempo real
- Grupos de recursos
- API/SDK
- Historial de cambios
Pasos iniciales
- Cómo usar ModelArts
- Desarrolladores de servicios: Construir modelos con ExeML
Resource Management
- Grupo de recursos
- Clúster elástico
- Logs de auditoría
  - Operaciones de clave registradas por CTS
  - Consulta de logs de auditoria
- Recursos de monitoreo
Prácticas recomendadas
- Muestras oficiales
- Gestión de permisos
- Notebook
  - Creación, migración y gestión de entornos virtuales de Conda basados en SFS
- Entrenamiento de modelos
- Inferencia del modelo
Actualmente, el contenido no está disponible en el idioma seleccionado. Sugerimos consultar la versión en inglés.
What's New
Function Overview
Product Bulletin
- [Notice] Huawei Cloud ModelArts Has Discontinued the Old Version of Training Management
Billing
- Billing Modes
- Billing Item
- Billing Examples
- Changing the Billing Mode
- Renewal
- Bills
- About Arrears
- Stopping Billing
- Cost Management
- Billing FAQs
ModelArts User Guide (Standard)
- ModelArts Standard Usage
- ModelArts Standard Preparations
- ModelArts Standard Resource Management
- Using ExeML for Zero-Code AI Development
- Using Workflows for Low-Code AI Development
- Development Environments
- Data Management
- Model Training
- Inference Deployment
- Image Management
- Resource Monitoring
- Viewing Audit Logs
  - ModelArts Key Operations Traced by CTS
  - Viewing ModelArts Audit Logs
ModelArts User Guide (Lite Server)
- Before You Start
- Enabling Lite Server Resources
- Configuring Lite Server Resources
- Using Lite Server Resources
  - PyTorch GPU Training and Inference Guide for GPT-2
- Managing Lite Server Resources
ModelArts User Guide (Lite Cluster)
- Before You Start
- Enabling Lite Cluster Resources
- Configuring Lite Cluster Resources
- Using Lite Cluster Resources
- Managing Lite Server Resources
ModelArts User Guide (AI Gallery)
- AI Gallery
- Free Assets
- My Gallery
- Subscription & Use
- Publish & Share
  - Publishing a Free Algorithm
  - Publishing a Free Model
SDK Reference
- Before You Start
- SDK Overview
- Getting Started
- (Optional) Installing the ModelArts SDK Locally
- Session Authentication
- OBS Management
- Data Management
- Training Management (New Version)
  - Training Jobs
  - APIs for Resources and Engine Specifications
    - Obtaining Resource Flavors
    - Obtaining Engine Types
- Training Management (Old Version)
- Model Management
- Service Management
- Change History
Troubleshooting
- General Issues
  - Incorrect OBS Path on ModelArts
- ExeML
- DevEnviron
- Training Jobs
- Inference Deployment
- MoXing
- APIs or SDKs
Videos
More Documents
- Preparations (To Be Offline)
- DevEnviron
- Model Development (To Be Offline)
- Image Management
- Model Inference (To Be Offline)
- Resource Management
- Data Preparation and Analytics
- Data Labeling (To Be Offline)
- User Guide for Senior AI Engineers (To Be Offline)

En esta página

Función
URI
Parámetros de solicitud
Parámetros de respuesta
Solicitudes de ejemplo
Ejemplo de respuestas
Códigos de estado
Códigos de error

Mostrar todo

Centro de ayuda/ ModelArts/ Referencia de la API/ Gestión de datos/ Gestión de procesos de etiquetado de equipos/ Actualización de etiquetas de muestras de etiquetado de equipos en lotes

Actualización de etiquetas de muestras de etiquetado de equipos en lotes

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

Ver PDF

Función

Esta API se utiliza para actualizar etiquetas de muestras de etiquetado de equipos en lotes.

URI

PUT /v2/{project_id}/datasets/{dataset_id}/workforce-tasks/{workforce_task_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.
workforce_task_id	Sí	String	ID de una tarea de etiquetado.

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 muestras de etiquetado de equipos en lotes

{
  "samples" : [ {
    "sample_id" : "0a0939d6d3c48a3d2a2619245943ac21",
    "worker_id" : "8c15ad080d3eabad14037b4eb00d6a6f",
    "labels" : [ {
      "name" : "tulips"
    } ]
  }, {
    "sample_id" : "0e1b5a16a5a577ee53aeb34278a4b3e7",
    "worker_id" : "8c15ad080d3eabad14037b4eb00d6a6f",
    "labels" : [ {
      "name" : "tulips"
    } ]
  } ]
}

Ejemplo de respuestas

Código de estado: 200

{
  "success" : true
}

Códigos de estado

Código de estado	Descripción
200	OK
401	Unauthorized
403	Forbidden
404	Not Found

Códigos de error

Consulte Códigos de error.

Tema principal: Gestión de procesos de etiquetado de equipos

Tema anterior: Revisión de los resultados del etiquetado del equipo

Tema siguiente: Gestión de equipos de etiquetado

Comentarios

¿Le pareció útil esta página?

Sí No

Deje algún comentario

Muchas gracias por sus comentarios. Seguiremos trabajando para mejorar la documentación.

El sistema está ocupado. Vuelva a intentarlo más tarde.

¿Cuáles de los siguientes problemas se presentaron?

Contenido diferente a la de la IU del producto

Descripciones poco claras

Falta de ejemplos o código

Pasos incorrectos

No puedo encontrar lo que necesito

Falta de prácticas recomendadas

Comentarios (opcional)

0/500

Seleccione al menos un tipo de problema e ingrese sus comentarios o sugerencias.

Ingrese 500 caracteres como máximo.

Enviar Cancelar