Bir şirket SageMaker görüntü sınıflandırması (ImageNetV2 CNN) kullanıyor ancak modelin daha az yaygın hayvan türlerini kaçırdığını fark ediyor. Nadir türlerin etiketli 10.000 görüntüsünü S3'te topladılar ve Pipe mode kullanarak eğitim yapmayı planlıyorlar. ML mühendisi hangi adımları atmalıdır? İki tane seçin.

SageMaker'ın yerleşik görüntü sınıflandırma algoritması, eğitim verilerini belirtmek için bir .lst dosyası gerektirir. Bu dosya, her bir görüntünün yolunu ve karşılık gelen etiketini içerir ve Pipe modu ile verimli veri akışı sağlar. Nadir türler için yeni bir model sıfırdan eğitmek yerine, mevcut ImageNetV2 CNN modelini yeni verilerle ince ayar yapmak (transfer öğrenimi) daha az veriyle daha iyi sonuçlar verir. Bu yaklaşım, önceden öğrenilmiş özellikleri korurken modele yeni sınıfları öğrenme yeteneği kazandırır. ResNet mimarisini sıfırdan eğitmek veya Inception modeli kullanmak, mevcut modelin güçlü yönlerinden yararlanmadığı için daha az verimli olacaktır. JSON Lines formatındaki manifest dosyaları, SageMaker'ın belirli algoritmaları veya özel eğitim komut dosyaları için kullanılabilir ancak yerleşik görüntü sınıflandırma algoritması için birincil format değildir.