GreenLeaf Farms, bitki hastalıklarının görüntülerini sınıflandırmak için bir Rekognition Custom Labels projesi yürütmektedir. Mühendislik ekibinin, önek (s3://greenleaf-data/images/) ile düzenlenmiş bir S3 bucket'ında 12.000 etiketli görüntüsü ve her görüntüyü ve etiketini referans alan bir SageMaker Ground Truth augmented manifest (JSON Lines) dosyası bulunmaktadır. Rekognition Custom Labels'da etiketli görüntüleri kullanan ve %80/%20'lik bir eğitim/test ayrımı uygulayan bir eğitim işi başlatmaları gerekmektedir. Rekognition'ın özel görüntü sınıflandırma modelini eğitebilmesini sağlamak için en uygun sonraki adım nedir?

Doğru cevap, Rekognition Custom Labels'ın Ground Truth augmented manifest dosyalarını doğrudan veri kümesi olarak içe aktarma yeteneğini kullanır. Bu, etiketli verilerinizi verimli bir şekilde kullanmanın ve %80/%20 eğitim/test ayrımını Rekognition'ın kendisinin yapmasını sağlamanın en uygun yoludur. Rekognition hizmet rolüne S3 bucket'ına okuma erişimi vermek, hizmetin görüntülerinize ve manifest dosyanıza erişebilmesi için kritik öneme sahiptir. Yanlış seçenekler: Görüntüleri sıkıştırmak ve ZIP dosyası yüklemek, büyük veri kümeleri için verimsizdir ve manifest dosyasının sağladığı zengin etiketleme bilgilerini göz ardı eder. SageMaker eğitim işi başlatmak, Rekognition Custom Labels'ın doğrudan kullanımına kıyasla gereksiz bir adımdır ve Rekognition Custom Labels'ın manifest'leri işleyebilme yeteneğini yanlış anlar. Görüntüleri EFS'ye kopyalamak ve S3 nesne etiketlerini kullanmak, karmaşık ve gereksiz bir yaklaşımdır; Rekognition Custom Labels, S3'teki manifest dosyalarını doğrudan işleyebilir.