Close

Configurar el modelo previamente entrenado de AWS SageMaker

Foto de Warren Marusiak
Warren Marusiak

Divulgador técnico sénior

Para demostrar cómo desarrollar, implementar y gestionar aplicaciones con Jira Software y varias herramientas conectadas, nuestro equipo creó ImageLabeller, una sencilla aplicación de demostración creada con AWS que utiliza el aprendizaje automático para aplicar etiquetas a las imágenes.

Esta página explica cómo configurar un modelo predefinido de AWS SageMaker, un requisito previo para que ImageLabeller procese las imágenes correctamente. Antes de empezar, te recomendamos que leas la arquitectura de ImageLabeller para ver el contexto.


Inicia sesión en la consola de AWS y navega hasta Amazon SageMaker.

Captura de pantalla de la consola de AWS

Ve a Amazon SageMaker Studio.

Captura de pantalla de Amazon SageMaker Studio

Elige Inicio rápido > Rol de ejecución > Crear un rol de IAM.

Captura de pantalla de Inicio rápido

Haz clic en Create role (Crear rol). Luego haz clic en Submit (Enviar).

Captura de pantalla de Crear un rol de IAM

SageMaker tardará un tiempo en configurarse. Cuando esté listo, haz clic en Open Studio (Abrir Studio).

Captura de pantalla de la post-configuración

Haz clic en Go to SageMaker JumpStart (Ir a SageMaker JumpStart).

Captura de pantalla de SageMaker JumpStart

Busca y haz clic en Inception V3.

Captura de pantalla de modelos de visión

Cambia el Machine Type (Tipo de máquina) a ml.m5.large, cambia el Endpoint Name (Nombre del endpoint) por algo más legible, como "image-labeller-endpoint" y haz clic en Deploy (Implementar).

Captura de pantalla del modelo de implementación

AWS SageMaker empezará a implementar el modelo.

Captura de pantalla del inicio de la implementación

Haz clic en Open Notebook (Abrir bloc de notas) cuando finalice la implementación.

Captura de pantalla del estado del endpoint

Ejecuta los tres bloques de código del bloc de notas para comprobar que todo funciona. Anota el nombre del endpoint en query_endpoint. Tienes que añadir esto y la región en la que se encuentra tu bloc de notas de AWS SageMaker en la AWS Lambda de InvokeLabeller.

Para obtener información sobre cómo utilizar los blocs de notas Jupyter, consulta la documentación.

Captura de pantalla de consulta de endpoint

Abre el archivo src/app.py de InvokeLabeller y busca query_endpoint. Cambia el endpoint_name y el region_name del cliente para que coincidan con tu bloc de notas de 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

Una vez completada la configuración de SageMaker, el siguiente paso es implementar ImageLabeller en Bitbucket, GitHub o 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.


Compartir este artículo

Lecturas recomendadas

Consulta estos recursos para conocer los tipos de equipos de DevOps o para estar al tanto de las novedades sobre DevOps en Atlassian.

Ilustración de Devops

La comunidad de DevOps

Ilustración de Devops

Ruta de aprendizaje de DevOps

Ilustración de un mapa

Pruébalo gratis

Suscríbete para recibir el boletín de DevOps

Thank you for signing up