GreenLeaf Farms runt een Rekognition Custom Labels project om afbeeldingen van plantenziekten te classificeren. Het engineeringteam heeft 12.000 gelabelde afbeeldingen in een S3-bucket, georganiseerd per prefix (s3://greenleaf-data/images/), en een SageMaker Ground Truth augmented manifest (JSON Lines) dat verwijst naar elke afbeelding en het bijbehorende label. Ze moeten een trainingstaak starten in Rekognition Custom Labels die de gelabelde afbeeldingen gebruikt en een 80/20 train/test-split afdwingt. Wat is de meest geschikte volgende stap om ervoor te zorgen dat Rekognition het aangepaste beeldclassificatiemodel kan trainen?

De juiste optie is om een Rekognition Custom Labels project aan te maken en het Ground Truth augmented manifest te importeren. Rekognition Custom Labels ondersteunt het importeren van datasets via SageMaker Ground Truth augmented manifests (JSON Lines) die verwijzen naar afbeeldingen in S3. Hierdoor kan Rekognition de gelabelde gegevens direct gebruiken voor training. Het is cruciaal om de Rekognition service role de benodigde leestoegang tot de S3-bucket te geven. Rekognition kan vervolgens automatisch de train/test-split beheren op basis van het geïmporteerde manifest. De andere opties zijn onjuist: Het zippen van afbeeldingen en uploaden naar de console is geen standaard of efficiënte methode voor grote datasets en vereist geen manifest. Rekognition Custom Labels is een beheerde service en vereist geen handmatige SageMaker trainingstaak met Docker-images. Het kan augmented manifests direct consumeren. Het kopiëren van afbeeldingen naar een EFS-mount en het gebruik van S3-objecttags is onnodig complex en niet de aanbevolen methode; Rekognition werkt efficiënt met S3-locaties en manifests.