Une ferme collecte des images superposées d'un champ de 100 acres à l'aide de caméras montées sur tracteur et a étiqueté des images de classes de mauvaises herbes courantes. Elle a besoin d'un modèle qui détecte les types de mauvaises herbes spécifiques et leurs emplacements dans le champ et qui fournira des inférences en temps réel sur des points de terminaison SageMaker. Quelle approche fournira des détections précises des types et des positions des mauvaises herbes ?

L'approche correcte est de convertir les images au format RecordIO et d'entraîner un modèle de détection d'objets SSD dans SageMaker. Le format RecordIO est optimisé pour l'entraînement de modèles de deep learning sur AWS, offrant des performances d'E/S efficaces. Un modèle de détection d'objets (comme SSD) est nécessaire car le problème exige non seulement l'identification des types de mauvaises herbes (classification), mais aussi leur localisation précise dans l'image (détection). La classification d'images seule ne fournirait qu'une étiquette globale pour l'image, sans localiser les mauvaises herbes. Apache Parquet est un format de données colonnaires généralement utilisé pour les données tabulaires, non optimal pour les images.