Close

Einrichten des vorgefertigten AWS SageMaker-Modells

Portrait Warren Marusiak
Warren Marusiak

Senior Technical Evangelist

Um zu demonstrieren, wie Anwendungen mit Jira Software und verschiedenen verbundenen Tools entwickelt, bereitgestellt und verwaltet werden können, hat unser Team ImageLabeller entwickelt. Dabei handelt es sich um eine einfache Demo-Anwendung, die auf AWS basiert und maschinelles Lernen nutzt, um Images mit Stichwörtern zu versehen.

Auf dieser Seite wird das Einrichten eines vordefinierten AWS SageMaker-Modells erläutert. Dies ist eine Voraussetzung für die erfolgreiche Verarbeitung von Images durch ImageLabeller. Wir empfehlen dir, vorab die Seite zur ImageLabeller-Architektur zu lesen, um mehr über den Kontext zu erfahren.


Logge dich bei der AWS-Konsole ein, und navigiere zu Amazon SageMaker.

Screenshot: AWS-Konsole

Navigiere zu Amazon SageMaker Studio.

Screenshot: Amazon SageMaker Studio

Wähle Quick start > Execution role > Create an IAM role (Schnellstart > Ausführungsrollen > IAM-Rolle erstellen) aus.

Screenshot: Schnellstart

Klicke auf Create role (Rolle erstellen). Klicke dann auf Submit (Senden).

Screenshot: Erstellen einer IAM-Rolle

Die Einrichtung von SageMaker dauert einige Zeit. Wenn sie abgeschlossen ist, klicke auf Open Studio (Studio öffnen).

Screenshot: Post-Setup

Klicke auf Go to SageMaker JumpStart (Zu SageMaker JumpStart wechseln).

Screenshot: SageMaker JumpStart

Klicke auf Inception V3.

Screenshot: Vision-Modelle

Ändere die Angabe unter Machine Type (Rechnertyp) in "ml.m5.large", ändere den Eintrag unter Endpoint Name (Endpunktname) in einen besser lesbaren Namen wie "image-labeller-endpoint", und klicke dann auf Deploy (Bereitstellen).

Screenshot: Deployment-Modell

AWS SageMaker beginnt mit dem Deployment des Modells.

Screenshot: Beginn des Deployments

Wenn das Deployment abgeschlossen ist, klicke auf Open Notebook (Notebook öffnen).

Screenshot: Endpunktstatus

Führe alle drei Notebook-Blöcke aus, um zu überprüfen, ob alles funktioniert. Notiere den unter endpoint_name angegebenen Namen in query_endpoint.Du musst diesen Namen und die Region, in der sich dein AWS SageMaker-Notebook befindet, zum AWS Lambda InvokeLabeller hinzufügen.

Informationen zur Verwendung von Jupyter-Notebooks findest du in der Dokumentation.

Screenshot: Endpunktanfrage

Öffne die InvokeLabeller-Datei "src/app.py" und suche nach "query_endpoint". Ändere die Einträge unter "endpoint_name" (Endpunktname) und "client region_name" (Client-Regionsname) so, dass sie zu deinem AWS SageMaker-Notebook passen.

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

Nachdem die SageMaker-Konfiguration nun abgeschlossen ist, besteht der nächste Schritt darin, ImageLabeller mit Bitbucket, GitHub oder GitLab bereitzustellen.

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.


Diesen Artikel teilen

Lesenswert

Füge diese Ressourcen deinen Lesezeichen hinzu, um mehr über DevOps-Teams und fortlaufende Updates zu DevOps bei Atlassian zu erfahren.

Abbildung: DevOps

DevOps-Community

Abbildung: DevOps

DevOps-Lernpfad

Abbildung: Karte

Kostenlos loslegen

Melde dich für unseren DevOps-Newsletter an

Thank you for signing up