GreenLeaf Farms exécute un projet Rekognition Custom Labels pour classer les images de maladies des plantes. L'équipe d'ingénierie dispose de 12 000 images étiquetées dans un compartiment S3 organisé par préfixe (s3://greenleaf-data/images/) et d'un manifeste augmenté SageMaker Ground Truth (JSON Lines) qui référence chaque image et son étiquette. Ils doivent démarrer une tâche d'entraînement dans Rekognition Custom Labels qui utilise les images étiquetées et applique une répartition 80/20 pour l'entraînement/le test. Quelle est l'étape la plus appropriée pour s'assurer que Rekognition peut entraîner le modèle de classification d'images personnalisé ?

L'option correcte est la plus appropriée car Rekognition Custom Labels est conçu pour consommer directement les manifestes augmentés de SageMaker Ground Truth. En important le manifeste comme ensemble de données, Rekognition peut automatiquement gérer la répartition 80/20 pour l'entraînement et le test. Il est crucial d'accorder au rôle de service Rekognition un accès en lecture au compartiment S3 contenant les images. Les autres options sont incorrectes car : Compresser les images et les télécharger vers la console n'est pas la méthode recommandée pour les grands ensembles de données et ne tire pas parti du manifeste Ground Truth existant. Lancer une tâche SageMaker n'est pas nécessaire car Rekognition Custom Labels gère l'entraînement en interne et peut consommer les manifestes. Copier les images vers un montage EFS et utiliser des balises d'objet S3 est une approche détournée et inefficace, car Rekognition Custom Labels est optimisé pour les manifestes et l'accès direct à S3.