아티클
튜토리얼
대화형 가이드
AWS SageMaker 사전 트레이닝된 모델 설정
![Warren Marusiak 얼굴 사진](https://wac-cdn.atlassian.com/dam/jcr:7509aefb-43e8-401d-90fe-0850cbe6bb13/wmarusiak_headshot%20(1).png?cdnVersion=1880)
Warren Marusiak
선임 기술 에반젤리스트
Jira Software 및 다양한 연결된 도구를 사용하여 애플리케이션을 개발, 배포 및 관리하는 방법을 보여주기 위해 저희 팀에서는 머신러닝을 사용하여 이미지에 레이블을 적용하는 간단한 AWS 기반 데모 애플리케이션인 ImageLabeller를 만들었습니다.
이 페이지에서는 ImageLabeller가 이미지를 처리하기 위한 전제 조건인 AWS SageMaker 사전 정의 모델을 설정하는 방법을 다룹니다. 시작하기 전에 컨텍스트를 알아보도록 ImageLabeller 아키텍처를 읽어보는 것이 좋습니다.
AWS Console에 로그인하여 Amazon SageMaker로 이동합니다.
![AWS Console 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:312699b3-a880-49f6-a54b-655fd849a1b3/AWS_console.png?cdnVersion=1880)
Amazon SageMaker Studio로 이동합니다.
![Amazon SageMaker Studio 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:36e40d90-7538-45b9-a5d7-d7b0018a19c6/Amazon_SageMaker_Studio.png?cdnVersion=1880)
빠른 시작 > 역할 실행 > IAM 역할 만들기를 선택합니다.
![빠른 시작 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:a7890497-0970-4cfd-a075-67fa87561bfa/Quick_start_and_click_Execution_role_dropdown.png?cdnVersion=1880)
역할 만들기를 클릭합니다. 그런 다음 제출을 클릭합니다.
![IAM 역할 만들기 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:2c84d98f-87e8-474c-aafd-6d8d89187d6f/Click_Create_role.png?cdnVersion=1880)
SageMaker는 설치하는 데 시간이 오래 걸립니다. 준비되었으면 Studio 열기를 클릭합니다.
![설치 후 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:97cef6bc-4800-4384-8286-d5f6880b7ca3/After_setup__click_Open_Studio.png?cdnVersion=1880)
SageMake JumpStart로 이동을 클릭합니다.
![SageMaker JumpStart 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:9ff55612-7e77-4e9b-b8dd-f5ca7ae40c50/sagemaker.png?cdnVersion=1880)
Inception V3를 찾아서 클릭합니다.
![비전 모델 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:bb0efbb6-c394-4160-8157-9c70f7663c4a/sagemaker_inception_v3.png?cdnVersion=1880)
머신 유형을 ml.m5.large로 변경하고 엔드포인트 이름을 “image-labeller-endpoint”와 같이 읽기 쉬운 이름으로 변경하고 배포를 클릭합니다.
![배포 모델 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:79d0ee62-44c2-4e3f-98e4-c00ec4e2c738/Change_the_Endpoint_Name_and_click_Deploy.png?cdnVersion=1880)
AWS SageMaker에서 모델 배포가 시작됩니다.
![배포 시작 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:af1d17d2-65a1-4697-b091-a4d57059f522/SageMaker_starts_to_deploy.png?cdnVersion=1880)
배포가 끝나면 노트북 열기를 클릭합니다.
![엔드포인트 상태 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:fe9c84ce-6473-4b62-85ff-dcd875d4c4b4/Click_Open_Notebook.png?cdnVersion=1880)
노트북 코드 블록 세 개를 모두 실행하여 제대로 작동하는지 확인합니다. query_endpoint에 endpoint_name을 적어 두세요.이것을 추가하고 AWS SageMaker 노트북이 있는 리전을 InvokeLabeller AWS Lambda에 추가해야 합니다.
Jupyter 노트북 사용 방법에 대한 정보는 설명서를 읽어보세요.
![쿼리 엔드포인트 스크린샷](https://wac-cdn.atlassian.com/dam/jcr:fda5d373-1eea-44d6-9853-f297f5150b5c/Query_endpoint_that_you_created.png?cdnVersion=1880)
InvokeLabeller의 src/app.py 파일을 열고 query_endpoint를 찾습니다. endpoint_name 및 클라이언트 region_name을 AWS SageMaker 노트북과 일치하도록 변경합니다.
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
이 문서 공유
다음 토픽
여러분께 도움을 드릴 자료를 추천합니다.
이러한 리소스에 책갈피를 지정하여 DevOps 팀의 유형에 대해 알아보거나 Atlassian에서 DevOps에 대한 지속적인 업데이트를 확인하세요.
![DevOps 일러스트레이션](https://wac-cdn.atlassian.com/dam/jcr:bd9d8b2c-ca36-444f-8595-719cb1990e64/Devops-community.png?cdnVersion=1880)
DevOps 커뮤니티
![DevOps 일러스트레이션](https://wac-cdn.atlassian.com/dam/jcr:297108ea-d232-4368-af51-b53af230c4fe/Simulation-workshop.png?cdnVersion=1880)
DevOps 학습 경로
![맵 일러스트레이션](https://wac-cdn.atlassian.com/dam/jcr:25f6330a-4191-408f-a4e5-2e24bfba67b4/Maturity-model.png?cdnVersion=1880)