Close

Configurazione del modello pre-addestrato AWS SageMaker

Primo piano di Warren Marusiak
Warren Marusiak

Senior Technical Evangelist

Per fornire una dimostrazione di come sviluppare, distribuire e gestire applicazioni utilizzando Jira Software e vari strumenti connessi, il nostro team ha creato ImageLabeller, una semplice applicazione demo basata su AWS che utilizza l'apprendimento automatico per applicare etichette alle immagini.

In questa pagina viene spiegato come configurare un modello predefinito AWS SageMaker, un prerequisito per la corretta elaborazione delle immagini in ImageLabeller. Prima di iniziare, ti consigliamo di leggere la pagina sull'architettura di ImageLabeller per contestualizzare i contenuti.


Accedi alla console AWS e passa ad Amazon SageMaker.

Screenshot della console AWS

Passa ad Amazon SageMaker Studio.

Screenshot di Amazon SageMaker Studio

Scegli Quick start > Execution role > Create an IAM role (Avvio rapido > Ruolo esecuzione > Crea un ruolo IAM).

Screenshot dell'avvio rapido

Clicca su Create role (Crea ruolo), quindi clicca su Submit (Invia).

Screenshot della creazione di un ruolo IAM

La configurazione di SageMaker richiederà del tempo. Al termine, clicca su Open Studio (Apri Studio).

Screenshot della schermata successiva alla configurazione

Clicca su Go to SageMaker JumpStart (Vai a SageMake JumpStart).

Screenshot di SageMaker JumpStart

Individua l'opzione Inception V3 e clicca su di essa.

Screenshot dei modelli di visione

Imposta Machine Type (Tipo di macchina) su ml.m5.large, modifica Endpoint Name (Nome endpoint) utilizzando un nome più leggibile come "endpoint-image-labeller" e clicca su Deploy (Distribuisci).

Screenshot del modello di distribuzione

AWS SageMaker avvierà la distribuzione del modello.

Screenshot dell'avvio della distribuzione

Clicca su Open Notebook (Apri notebook) al termine della distribuzione.

Screenshot dello stato dell'endpoint

Esegui tutti e tre i blocchi di codice del notebook per verificarne il corretto funzionamento. Prendi nota dell'endpoint_name in query_endpoint. Dovrai aggiungerlo all'AWS Lambda InvokeLabeller, unitamente alla regione in cui si trova il notebook AWS SageMaker.

Per informazioni su come utilizzare i notebook Jupyter, leggi la documentazione.

Screenshot dell'endpoint di query

Apri il file src/app.py di InvokeLabeller e cerca query_endpoint. Modifica la voce endpoint_name e la voce region_name del client in modo che corrispondano al notebook AWS SageMaker utilizzato.

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

Al termine della configurazione di SageMaker, il passaggio successivo prevede la distribuzione di ImageLabeller con 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.


Condividi l'articolo

Letture consigliate

Aggiungi ai preferiti queste risorse per ricevere informazioni sui tipi di team DevOps e aggiornamenti continui su DevOps in Atlassian.

Illustrazione su Devops

Community DevOps

Illustrazione su Devops

Percorso di apprendimento DevOps

Illustrazione di una mappa

Inizia gratis

Iscriviti alla nostra newsletter DevOps

Thank you for signing up