Amazon Sagemaker Ground Truth是一个自动注释和标记数据的服务，可用于机器学习模型的训练和评估。它可以通过一系列涉及人工审核的任务来定义或训练标注工作流程，例如文本分类、对象检测和语音翻译。

使用Sagemaker Ground Truth，您必须上传需要标注的数据并定义相关的数据模板。接着，您可以开始创建任务，这些任务将指定一个或多个数据标注员来进行数据标记和注释。每个任务都由一组输入数据和输出数据组成。

Sagemaker Ground Truth还支持自定义标注工具，以便您可以将特定于应用程序的数据类型标注和注释。另外，您还可以使用内置工具，例如3D点云标注和人体姿态标注。

以下是使用Sagemaker Ground Truth上传和标记数据的示例代码：

import boto3

sagemaker_client = boto3.client('sagemaker')

# Define dataset properties
dataset_name = 'my-dataset-name'
dataset_location = 's3://my-bucket/my-dataset/'

# Create Ground Truth dataset
sagemaker_client.create_dataset(
    DatasetName=dataset_name,
    DatasetType='GroundTruthManifest',
    DataDistributionType='FullyReplicated',
    InputDataConfig=[
        {
            'DataSource': {
                'S3DataSource': {
                    'ManifestS3Uri': dataset_location
                }
            },
            'ContentType': 'application/json',
            'CompressionType': 'None'
        }
    ]
)

# Create labeling job
job_name = 'my-job-name'
label_attribute_name = 'my-label-attribute'
role_arn = 'arn:aws:iam::123456789012:role/my-role'
label_category_config = '{"my-classification-task": {"attributes": [{"name": "my-label-attribute", "type": "string"}]}}'
input_manifest = 's3://my-bucket/my-manifest.json'

sagemaker_client.create_labeling_job(
    LabelingJobName=job_name,
    LabelAttributeName=label_attribute_name,
    InputConfig={
        'DataSource': {
            'S3DataSource': {
                'ManifestS3Uri': input_manifest
            }
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://my-bucket/output-path/',
        'KmsKeyId': 'my-kms-key-id'
    },
    RoleArn=role_arn,
    LabelCategoryConfig=label_category