GreenLeaf Farms gestisce un progetto Rekognition Custom Labels per classificare le immagini delle malattie delle piante. Il team di ingegneri ha 12.000 immagini etichettate in un bucket S3 organizzate per prefisso (s3://greenleaf-data/images/) e un manifest aumentato (JSON Lines) di SageMaker Ground Truth che fa riferimento a ogni immagine e alla sua etichetta. Devono avviare un processo di training in Rekognition Custom Labels che utilizzi le immagini etichettate e imponga una suddivisione 80/20 tra training e test. Qual è il passo successivo più appropriato per garantire che Rekognition possa addestrare il modello di classificazione delle immagini personalizzato?

L'opzione corretta descrive il flusso di lavoro standard e più efficiente per l'addestramento di un modello Rekognition Custom Labels con dati etichettati da SageMaker Ground Truth. Rekognition Custom Labels è progettato per consumare direttamente i manifest aumentati (JSON Lines) come set di dati, consentendo la creazione di set di dati di training e test separati basati su una singola fonte di manifest. È fondamentale concedere al ruolo del servizio Rekognition l'accesso in lettura al bucket S3 contenente le immagini e il manifest. Le opzioni errate presentano approcci non supportati o inefficienti: Comprimere le immagini e caricarle nella console non è il metodo consigliato per grandi set di dati e Rekognition non inferisce le etichette dai nomi delle cartelle in questo contesto. Avviare un processo di training SageMaker con un'immagine Docker di Rekognition è un approccio più complesso e non necessario, poiché Rekognition Custom Labels gestisce direttamente l'addestramento e può consumare i manifest. Copiare le immagini in un mount EFS e usare i tag degli oggetti S3 è un'alternativa complessa e non standard; Rekognition Custom Labels è progettato per lavorare con i manifest che puntano ai percorsi S3 delle immagini.