GreenLeaf Farms prowadzi projekt Rekognition Custom Labels do klasyfikacji obrazów chorób roślin. Zespół inżynierów posiada 12 000 oznaczonych obrazów w zasobniku S3, zorganizowanych według prefiksu (s3://greenleaf-data/images/), oraz rozszerzony manifest SageMaker Ground Truth (JSON Lines), który odwołuje się do każdego obrazu i jego etykiety. Muszą uruchomić zadanie szkoleniowe w Rekognition Custom Labels, które wykorzystuje oznaczone obrazy i wymusza podział 80/20 na zbiór treningowy i testowy. Jaki jest najbardziej odpowiedni następny krok, aby zapewnić, że Rekognition może trenować niestandardowy model klasyfikacji obrazów?

Poprawna odpowiedź to utworzenie projektu Rekognition Custom Labels, zaimportowanie rozszerzonego manifestu Ground Truth (JSON Lines) jako zestawu danych, nadanie roli usługi Rekognition uprawnień do odczytu zasobnika S3 oraz utworzenie oddzielnych wpisów zestawu danych dla zbioru treningowego i testowego. Rekognition Custom Labels natywnie obsługuje importowanie danych treningowych i testowych z manifestów SageMaker Ground Truth, co pozwala na precyzyjne zarządzanie podziałem danych. Inne opcje są nieprawidłowe, ponieważ Rekognition Custom Labels nie wymaga kompresowania obrazów do ZIP ani wnioskowania etykiet z nazw folderów, nie jest to zadanie szkoleniowe SageMaker, ani nie wymaga kopiowania obrazów do EFS.