GreenLeaf Farms betreibt ein Rekognition Custom Labels-Projekt zur Klassifizierung von Bildern von Pflanzenkrankheiten. Das Engineering-Team verfügt über 12.000 beschriftete Bilder in einem S3-Bucket, organisiert nach Präfix (s3://greenleaf-data/images/), und ein SageMaker Ground Truth Augmented Manifest (JSON Lines), das jedes Bild und dessen Beschriftung referenziert. Sie müssen einen Trainingsjob in Rekognition Custom Labels starten, der die beschrifteten Bilder verwendet und eine 80/20-Trainings-/Testaufteilung erzwingt. Was ist der am besten geeignete nächste Schritt, um sicherzustellen, dass Rekognition das benutzerdefinierte Bildklassifizierungsmodell trainieren kann?

Die korrekte Antwort ist, ein Rekognition Custom Labels-Projekt zu erstellen und das Ground Truth Augmented Manifest als Datensatz zu importieren. Rekognition Custom Labels ist speziell dafür konzipiert, Augmented Manifest-Dateien direkt zu verarbeiten, die von SageMaker Ground Truth erstellt wurden. Diese Manifeste enthalten die Pfade zu den Bildern und deren Beschriftungen, was für das Training des Modells unerlässlich ist. Die Erstellung separater Datensatz-Einträge für Training und Test mit dem Manifest ermöglicht die gewünschte 80/20-Aufteilung. Zudem ist es wichtig, der Rekognition-Servicerolle Lesezugriff auf den S3-Bucket zu gewähren, damit sie auf die Bilddaten zugreifen kann. Die anderen Optionen sind ungeeignet, da Rekognition Custom Labels keine ZIP-Dateien direkt hochlädt oder Beschriftungen aus Ordnernamen ableitet, keine SageMaker-Trainingsjobs mit Rekognition Docker-Images erfordert und keinen direkten Dateizugriff über EFS benötigt.