記事
チュートリアル
インタラクティブ ガイド
AWS SageMaker の事前トレーニング済みモデルを設定する
![Warren Marusiak の顔写真](https://wac-cdn.atlassian.com/dam/jcr:7509aefb-43e8-401d-90fe-0850cbe6bb13/wmarusiak_headshot%20(1).png?cdnVersion=2022)
Warren Marusiak
シニア テクニカル エバンジェリスト
当社のチームは Jira Software とさまざまな接続ツールを使用してアプリケーションを開発、デプロイ、管理する方法を説明するために、機械学習を使用してイメージにラベルを添付する AWS 上に構築されたシンプルなデモ アプリケーションである ImageLabeller を作成しました。
このページでは、AWS SageMaker の定義済みモデルを設定する方法について説明します。これは、ImageLabeller が画像を正常に処理するために必要な前提条件です。はじめに、ImageLabeller アーキテクチャのページをお読みの上、背景を確認することをお勧めします。
AWS コンソールにログインして Amazon SageMaker に移動します。
![AWS コンソールのスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:312699b3-a880-49f6-a54b-655fd849a1b3/AWS_console.png?cdnVersion=2022)
Amazon SageMaker Studio に移動します。
![Amazon SageMaker Studio のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:36e40d90-7538-45b9-a5d7-d7b0018a19c6/Amazon_SageMaker_Studio.png?cdnVersion=2022)
[Quick start (クイック スタート)] > [Execution role (実行ロール)]> [Create an IAM role (IAM ロールを作成)] の順に選択します。
![Quick start のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:a7890497-0970-4cfd-a075-67fa87561bfa/Quick_start_and_click_Execution_role_dropdown.png?cdnVersion=2022)
[Create role (ロールを作成)] を、[送信] の順にクリックします。
![Create an IAM role (IAM ロールを作成) のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:2c84d98f-87e8-474c-aafd-6d8d89187d6f/Click_Create_role.png?cdnVersion=2022)
SageMaker の設定にはしばらく時間がかかります。準備ができたら[Open Studio (Studio を開く)] をクリックします。
![セットアップ後のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:97cef6bc-4800-4384-8286-d5f6880b7ca3/After_setup__click_Open_Studio.png?cdnVersion=2022)
[Go to SageMake JumpStart (SageMake JumpStart に移動)] をクリックします。
![SageMaker JumpStart のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:9ff55612-7e77-4e9b-b8dd-f5ca7ae40c50/sagemaker.png?cdnVersion=2022)
[Inception V3] を見つけてクリックします。
![ビジョン モデルのスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:bb0efbb6-c394-4160-8157-9c70f7663c4a/sagemaker_inception_v3.png?cdnVersion=2022)
[Machine Type (マシン タイム)] を ml.m5.large に変更し、[Endpoint Name (エンドポイント名)] を「image-labeller-endpoint」などの読みやすい名前に変更して [Deploy (デプロイ)] をクリックします。
![デプロイ モデルのスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:79d0ee62-44c2-4e3f-98e4-c00ec4e2c738/Change_the_Endpoint_Name_and_click_Deploy.png?cdnVersion=2022)
AWS SageMaker でモデルのデプロイが開始されます。
![デプロイ開始のスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:af1d17d2-65a1-4697-b091-a4d57059f522/SageMaker_starts_to_deploy.png?cdnVersion=2022)
デプロイが完了したら [Open Notebook (ノートブックを開く)] をクリックします。
![エンドポイント ステータスのスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:fe9c84ce-6473-4b62-85ff-dcd875d4c4b4/Click_Open_Notebook.png?cdnVersion=2022)
ノートブックの 3 つのコード ブロックをすべて実行して、正常に動作していることを確認します。query_endpoint の endpoint_name を書き留めておきます。これと、AWS SageMaker ノートブックがあるリージョンを InvokeLabeller AWS Lambda に追加する必要があります。
Jupyter ノートブックの使用方法については、ドキュメントをご参照ください。
![エンドポイントのクエリのスクリーンショット](https://wac-cdn.atlassian.com/dam/jcr:fda5d373-1eea-44d6-9853-f297f5150b5c/Query_endpoint_that_you_created.png?cdnVersion=2022)
InvokeLabeller の src/app.py ファイルを開いて、query_endpoint を探します。endpoint_name とクライアントの region_name を、AWS SageMaker ノートブックと一致するように変更します。
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
この記事を共有する
次のトピック
おすすめコンテンツ
次のリソースをブックマークして、DevOps チームのタイプに関する詳細や、アトラシアンの DevOps についての継続的な更新をご覧ください。
![DevOps のイラスト](https://wac-cdn.atlassian.com/dam/jcr:bd9d8b2c-ca36-444f-8595-719cb1990e64/Devops-community.png?cdnVersion=2022)
DevOps コミュニティ
![DevOps のイラスト](https://wac-cdn.atlassian.com/dam/jcr:297108ea-d232-4368-af51-b53af230c4fe/Simulation-workshop.png?cdnVersion=2022)
DevOps ラーニング パス
![マップのイラスト](https://wac-cdn.atlassian.com/dam/jcr:25f6330a-4191-408f-a4e5-2e24bfba67b4/Maturity-model.png?cdnVersion=2022)