GreenLeaf Farms ejecuta un proyecto de Rekognition Custom Labels para clasificar imágenes de enfermedades de plantas. El equipo de ingeniería tiene 12.000 imágenes etiquetadas en un bucket de S3 organizado por prefijo (s3://greenleaf-data/images/) y un manifiesto aumentado de SageMaker Ground Truth (JSON Lines) que hace referencia a cada imagen y su etiqueta. Necesitan iniciar un trabajo de entrenamiento en Rekognition Custom Labels que utilice las imágenes etiquetadas y aplique una división de entrenamiento/prueba de 80/20. ¿Cuál es el siguiente paso más apropiado para asegurar que Rekognition pueda entrenar el modelo personalizado de clasificación de imágenes?

La opción correcta es crear un proyecto de Rekognition Custom Labels e importar el manifiesto de Ground Truth. Rekognition Custom Labels puede consumir directamente manifiestos aumentados de Ground Truth (JSON Lines) para crear conjuntos de datos. Es fundamental otorgar al rol de servicio de Rekognition permisos de lectura al bucket de S3 donde se encuentran las imágenes y el manifiesto. La división 80/20 se puede configurar al crear el conjunto de datos, permitiendo que Rekognition maneje la separación de datos de entrenamiento y prueba. Las otras opciones son incorrectas porque: Comprimir imágenes y subirlas a la consola no es el método recomendado para conjuntos de datos grandes y no aprovecha el manifiesto existente. Lanzar un trabajo de SageMaker es para modelos personalizados de SageMaker, no para Rekognition Custom Labels, que es un servicio de nivel superior. Copiar imágenes a EFS no es necesario; Rekognition Custom Labels trabaja con datos en S3 a través de manifiestos.