A GreenLeaf Farms executa um projeto do Rekognition Custom Labels para classificar imagens de doenças de plantas. A equipe de engenharia tem 12.000 imagens rotuladas em um bucket S3 organizado por prefixo (s3://greenleaf-data/images/) e um manifesto aumentado do SageMaker Ground Truth (JSON Lines) que referencia cada imagem e seu rótulo. Eles precisam iniciar um trabalho de treinamento no Rekognition Custom Labels que use as imagens rotuladas e imponha uma divisão de treinamento/teste de 80/20. Qual é o próximo passo mais apropriado para garantir que o Rekognition possa treinar o modelo de classificação de imagem personalizado?

A opção correta descreve o fluxo de trabalho padrão para usar manifestos aumentados do SageMaker Ground Truth com o Rekognition Custom Labels. O Rekognition Custom Labels pode importar diretamente esses manifestos como conjuntos de dados, e a divisão de treinamento/teste é configurada durante a criação do conjunto de dados, utilizando o mesmo manifesto. É crucial conceder acesso de leitura ao bucket S3 para a função de serviço do Rekognition. As outras opções estão incorretas porque: Compactar imagens e fazer upload para o console não é a maneira ideal de usar dados rotulados por Ground Truth e não permite o controle da divisão. O Rekognition Custom Labels pode, de fato, consumir manifestos aumentados diretamente; usar um trabalho de treinamento do SageMaker com uma imagem Docker integrada seria uma abordagem mais complexa e desnecessária para este caso de uso específico. O Rekognition Custom Labels não requer acesso direto a arquivos via EFS e não usa tags de objeto S3 para rotulagem quando um manifesto já está disponível.