GreenLeaf Farms использует проект Rekognition Custom Labels для классификации изображений болезней растений. Команда инженеров имеет 12 000 размеченных изображений в бакете S3, организованных по префиксу (s3://greenleaf-data/images/), и дополненный манифест SageMaker Ground Truth (JSON Lines), который ссылается на каждое изображение и его метку. Им необходимо запустить задание обучения в Rekognition Custom Labels, которое использует размеченные изображения и обеспечивает разделение 80/20 на обучающую и тестовую выборки. Какой наиболее подходящий следующий шаг для обеспечения возможности Rekognition обучать пользовательскую модель классификации изображений?

Правильный ответ верен, потому что Rekognition Custom Labels напрямую поддерживает импорт размеченных данных из манифестов SageMaker Ground Truth (JSON Lines), хранящихся в S3. Это позволяет сервису автоматически создавать наборы данных для обучения и тестирования, используя указанное разделение (80/20). Предоставление роли сервиса Rekognition доступа на чтение к бакету S3 является обязательным условием для доступа к изображениям и манифесту. Архивирование изображений и загрузка ZIP-файла не является рекомендуемым подходом для такого большого набора данных и не использует преимущества структурированных манифестов. Запуск задания обучения SageMaker с использованием встроенного образа Docker Rekognition не является прямым способом использования Rekognition Custom Labels, который предназначен для упрощения этого процесса. Копирование изображений в EFS и использование тегов объектов S3 не соответствует стандартному рабочему процессу Rekognition Custom Labels, который эффективно работает с манифестами S3 для управления данными.