Gospodarstwo rolne zbiera nakładające się obrazy pola o powierzchni 100 akrów za pomocą kamer zamontowanych na traktorach i ma oznaczone obrazy pospolitych klas chwastów. Potrzebują modelu, który wykrywa określone typy chwastów i ich lokalizacje na polu oraz będzie dostarczał wnioskowanie w czasie rzeczywistym na endpointach SageMaker. Które podejście zapewni dokładne wykrywanie typów i pozycji chwastów?

Prawidłowa odpowiedź to "Konwertuj obrazy do formatu RecordIO i przechowuj w S3. Trenuj model wykrywania obiektów za pomocą detektora jednokadrowego (SSD) w SageMaker." Wyjaśnienie: Problem wymaga wykrywania określonych typów chwastów i ich lokalizacji na polu, co jest zadaniem wykrywania obiektów, a nie tylko klasyfikacji obrazów. Model wykrywania obiektów, taki jak Single Shot Detector (SSD), jest odpowiedni do identyfikacji wielu obiektów w jednym obrazie i określania ich pozycji za pomocą ramek ograniczających. Format RecordIO jest zoptymalizowany pod kątem wydajnego trenowania modeli uczenia maszynowego w SageMaker, szczególnie w przypadku dużych zbiorów danych obrazów. Przechowywanie danych w S3 zapewnia skalowalność i dostępność. Nieprawidłowe odpowiedzi: Klasyfikacja obrazów (pierwsza i czwarta opcja) jest nieodpowiednia, ponieważ przypisuje jedną etykietę do całego obrazu, nie identyfikując poszczególnych chwastów ani ich lokalizacji. Format Apache Parquet (druga i czwarta opcja) jest formatem kolumnowym, bardziej odpowiednim dla danych tabelarycznych, a nie dla danych obrazów w kontekście trenowania modeli wizji komputerowej.