Close

Configure o modelo pré-treinado do AWS SageMaker

Foto de rosto de Warren Marusiak
Warren Marusiak

Evangelista tecnológico sênior

Para demonstrar como desenvolver, implementar e gerenciar aplicativos usando o Jira Software e várias ferramentas conectadas, nossa equipe criou o ImageLabeller, um aplicativo de demonstração simples gerado na AWS que usa aprendizado de máquina para aplicar etiquetas às imagens.

Esta página aborda como configurar um modelo predefinido do AWS SageMaker, um pré-requisito para que o ImageLabeller processe imagens com êxito. Antes de começar, recomendamos a leitura da página da arquitetura do ImageLabeller para contextualizar.


Entre no AWS Console e navegue até o Amazon SageMaker.

Captura de tela do console da AWS

Acesse o Amazon SageMaker Studio.

Captura de tela do Amazon SageMaker Studio

Escolha Início rápido > Função de execução > Criar uma função do IAM.

Captura de tela do Início rápido

Clique em Criar função. Em seguida, clique em Enviar.

Captura de tela de Criar uma função do IAM

A configuração do SageMaker vai demorar um pouco. Quando estiver pronto, clique em Abrir Studio.

Captura de tela da pós-configuração

Clique em Ir para o SageMake JumpStart.

Captura de tela do SageMaker JumpStart

Localize e clique em Inception V3.

Captura de tela dos modelos de visão

Altere o Tipo de Máquina para ml.m5.large, altere o Nome do Endpoint para algo mais legível, como “image-labeller-endpoint” e clique em Implementar.

Captura de tela do modelo de implementação

O AWS SageMaker vai começar a implementar o modelo.

Captura de tela do início da implementação

Clique em Abrir Notebook quando a implementação estiver concluída.

Captura de tela do status do endpoint

Execute todos os três blocos de código do notebook para verificar se as coisas estão funcionando. Anote o endpoint_name em query_endpoint. Você precisa adicionar isso e a região em que seu notebook AWS SageMaker está no InvokeLabeller AWS Lambda.

Para obter informações sobre como usar os notebooks Jupyter, leia a documentação.

Captura de tela do endpoint da consulta

Abra o arquivo src/app.py do InvokeLabeller e procure por query_endpoint. altere o endpoint_name e o region_name do cliente para que correspondam ao seu notebook AWS SageMaker.

def query_endpoint(img):
  endpoint_name = 'jumpstart-dft-image-labeller-endpoint'
  client = boto3.client(service_name='runtime.sagemaker', region_name='us-west-1')
  response = client.invoke_endpoint(EndpointName=endpoint_name, ContentType='application/x-image', Body=img)
  model_predictions = json.loads(response['Body'].read())['predictions'][0]
  return model_predictions

Com a configuração do SageMaker concluída, a próxima etapa é implementar o ImageLabeller com Bitbucket, GitHub ou GitLab.

Warren Marusiak
Warren Marusiak

Warren is a Canadian developer from Vancouver, BC with over 10 years of experience. He came to Atlassian from AWS in January of 2021.


Compartilhe este artigo

Leitura recomendada

Marque esses recursos para aprender sobre os tipos de equipes de DevOps ou para obter atualizações contínuas sobre DevOps na Atlassian.

Ilustração do DevOps

Comunidade de DevOps

Ilustração do DevOps

Caminho de aprendizagem de DevOps

Ilustração do mapa

Comece gratuitamente

Inscreva-se para receber a newsletter de DevOps

Thank you for signing up