Ein landwirtschaftlicher Betrieb sammelt überlappende Bilder eines 100 Hektar großen Feldes mit an Traktoren montierten Kameras und hat Bilder von gängigen Unkrautklassen beschriftet. Sie benötigen ein Modell, das spezifische Unkrautarten und deren Standorte im Feld erkennt und Echtzeit-Inferenz auf SageMaker-Endpunkten bereitstellt. Welcher Ansatz liefert genaue Erkennungen von Unkrautarten und -positionen?

Die korrekte Antwort ist die Konvertierung der Bilder in RecordIO und das Training eines Objekterkennungsmodells mit einem Single-Shot Detector (SSD) in SageMaker. RecordIO ist ein effizientes Dateiformat für große Datensätze, das von SageMaker-Algorithmen gut unterstützt wird. Ein Objekterkennungsmodell wie SSD ist erforderlich, um spezifische Unkrautarten zu lokalisieren und deren Positionen innerhalb der Bilder zu identifizieren, da es Begrenzungsrahmen um die erkannten Objekte zieht. Die Option, Bilder in RecordIO zu konvertieren und ein Bildklassifizierungsmodell zu trainieren, ist falsch, da die Bildklassifizierung nur ein einziges Label pro Bild zuweist und keine genauen Positionen der Unkrautarten liefert. Die Optionen, Bilder in Apache Parquet zu konvertieren, sind ebenfalls falsch, da Parquet primär für tabellarische Daten optimiert ist und nicht die gleiche Effizienz für Bilddaten in SageMaker bietet wie RecordIO.